深度学习环境配置入门：conda + PyTorch

深度学习开发的第一步是配置一个干净、可复现的环境。本指南介绍通用的做法：用 conda 创建隔离环境，按显卡型号安装匹配的 PyTorch，最后验证 GPU 可用。

为什么用环境管理器

不同项目依赖不同版本的 PyTorch / CUDA，直接装在系统环境里迟早冲突。conda（或 venv）为每个项目创建独立环境，互不干扰，删除即净。建议从 Miniconda 开始，够轻量。

创建环境

# 创建名为 dl 的环境，指定 Python 版本
conda create -n dl python=3.10 -y
conda activate dl

Python 版本以项目 README 为准；3.10 是目前兼容性较好的选择。

安装 PyTorch

关键是让 PyTorch 的 CUDA 版本与显卡驱动匹配。先查驱动支持的上限：

nvidia-smi   # 右上角 CUDA Version 即驱动支持的最高 CUDA 版本

然后到 PyTorch 官网选择对应 CUDA 版本复制安装命令，例如：

# CUDA 12.1 示例（以官网命令为准）
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

# 无 GPU 机器装 CPU 版
pip install torch torchvision

验证安装

python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

输出 PyTorch 版本且 cuda.is_available() 为 True 即安装成功。

常见问题

cuda.is_available() 为 False：PyTorch 版本与驱动不匹配（驱动过旧或装了 CPU 版），nvidia-smi 核对后重装对应版本。
下载慢：配置国内 pip 镜像，或用 conda 渠道安装。
多项目依赖冲突：一个项目一个环境，不要共用。

实验室服务器的具体配额、队列与镜像配置，请参考实验室内部说明或询问管理员。