1. 项目概述为什么要在Win10上配置“动手学深度学习”环境如果你对机器学习感兴趣最近肯定听过“动手学深度学习”这本书或者更准确地说是李沐老师主讲的这门在线课程。它最大的魅力在于把那些听起来高深莫测的神经网络、卷积、注意力机制变成了可以一行行代码跑出来的实验。而PyTorch作为当前最主流的深度学习框架之一以其动态图、Pythonic的接口设计成为了学习路上的最佳拍档。那么问题来了教程看的热血沸腾代码也跃跃欲试但第一步——环境配置——就卡住了不少人。尤其是在我们最常用的Windows 10系统上从Python版本、包管理工具到PyTorch的CPU/GPU版本选择再到CUDA驱动匹配每一步都可能藏着“坑”。网上教程虽多但要么过于简略要么版本过时要么就是一股脑的命令行复制粘贴出了问题根本不知道从何查起。这篇内容就是为你解决这个“第一步”的。我将基于最新的实践带你从零开始在Win10上搭建一个专为学习“动手学深度学习”PyTorch版而优化的开发环境。我们不止要“配通”更要“配懂”我会把每一步背后的逻辑、常见的报错以及我踩过的坑都讲清楚。无论你是刚入门的小白还是有一定基础但被环境问题困扰的同学跟着走一遍你就能获得一个干净、稳定、可复现的深度学习学习环境从此专注于模型和算法本身。2. 环境配置的整体思路与工具选型在动手之前理清思路比盲目执行更重要。在Windows上配置Python科学计算环境尤其是涉及GPU加速的深度学习环境核心目标是隔离、稳定和可管理。2.1 为什么选择Anaconda作为环境管理基石直接在你的系统Python里安装PyTorch是最大的忌讳。不同项目可能需要不同版本的库直接安装会导致版本冲突最终让你的Python环境混乱不堪重装系统成为唯一解。因此我们必须使用虚拟环境。在Windows上Anaconda或更轻量化的Miniconda是无可争议的首选。原因有三包管理强大Conda不仅能管理Python包还能管理非Python的二进制依赖比如某些科学计算库依赖的C库这在Windows上尤其省心。环境隔离彻底每个Conda环境都是完全独立的包括Python解释器、pip以及所有安装的包。你可以在一个环境里用PyTorch 1.12在另一个环境里用PyTorch 2.0互不干扰。对Windows友好Anaconda官方提供了完善的Windows安装包和后续的图形化界面Anaconda Navigator降低了命令行操作的门槛。对于“动手学深度学习”的学习我推荐安装Miniconda。它只包含Conda、Python和少量必需包非常轻量把安装什么、安装多少的控制权完全交给你避免了Anaconda全家桶可能带来的冗余。2.2 PyTorch版本与CUDA的抉择要GPU还是CPU这是配置的核心决策点。PyTorch可以利用NVIDIA GPU的CUDA进行并行计算极大加速模型训练。如果你的电脑有NVIDIA独立显卡GPU强烈建议安装支持CUDA的PyTorch版本。你需要确认三件事显卡型号确认是NVIDIA显卡如GTX 1060, RTX 3060等。AMD显卡无法使用CUDA。CUDA驱动版本在命令行输入nvidia-smi查看最上方显示的“CUDA Version”这是你的驱动支持的最高CUDA运行时版本。PyTorch对应的CUDA版本访问PyTorch官网pytorch.org查看当前稳定版推荐的CUDA版本如CUDA 11.8, 12.1等。匹配原则是PyTorch所需的CUDA运行时版本 ≤ 你显卡驱动支持的CUDA版本。例如驱动支持CUDA 12.4你可以安装需要CUDA 12.1或11.8的PyTorch。如果驱动版本过低则需要更新显卡驱动。如果你的电脑没有NVIDIA显卡仅集成显卡或AMD显卡或者你暂时不想折腾GPU驱动那就安装CPU版本的PyTorch。这完全不影响你学习书中的绝大部分内容前向传播、反向传播、模型构建只是在训练环节速度会慢很多但对于理解算法原理绰绰有余。注意不要盲目追求最新版本。对于学习而言稳定性比新特性更重要。建议选择比当前最新稳定版稍早一个版本的PyTorch和对应的CUDA其社区资料和解决方案会更丰富。例如在撰写本文时PyTorch 2.3.0已发布但选择广泛使用的PyTorch 2.1.x或2.2.x系列可能是更稳妥的选择。2.3 编辑器的选择Jupyter还是IDE“动手学深度学习”的教程代码多以Jupyter Notebook.ipynb文件的形式提供这是一种非常适合交互式学习和演示的格式。Jupyter Lab / Jupyter Notebook这是最原汁原味的体验。你可以在Conda环境中安装jupyterlab然后在浏览器中运行。它的优势是每个代码块可以独立运行图文混排展示结果非常直观非常适合跟着教程一步步操作和做笔记。VS Code这是目前最受开发者欢迎的通用代码编辑器。通过安装Python扩展和Jupyter扩展你可以在VS Code中完美地打开、运行和调试.ipynb文件同时还能享受VS Code强大的代码补全、语法高亮、版本控制Git等功能。对于希望从学习平滑过渡到项目开发的同学VS Code是更好的选择。PyCharm专业的Python IDE功能强大但对初学者可能稍显复杂且社区版对Jupyter的支持不如VS Code直接。我的建议是初学者可以先用Jupyter Lab感受交互式编程的魅力当需要编写更复杂的项目或模块时切换到VS Code会非常顺畅。本文的配置将确保你在两种环境下都能正常工作。3. 逐步实操从零搭建Win10深度学习环境下面我们进入具体的操作环节。请严格按照步骤执行并理解每一步的作用。3.1 第一步安装与配置Miniconda下载Miniconda访问Miniconda官网下载适用于Windows 64位的Python 3.10版本的安装包。为什么是3.10因为这是目前主流库兼容性最好的Python版本之一既不会太老缺失新特性也不会太新导致某些库尚未适配。安装Miniconda运行安装程序。安装路径建议选择一个英文且无空格的路径例如D:\Miniconda3。这可以避免未来可能出现的各种路径解析错误。高级选项务必勾选“Add Miniconda3 to my PATH environment variable”即使安装程序提示不推荐。这能让你在任意命令行窗口如CMD、PowerShell中直接使用conda命令。同时也建议勾选“Register Miniconda3 as my default Python”这会让Conda环境成为系统默认的Python解释器管理器。验证安装打开“开始”菜单搜索并打开“Anaconda Prompt (Miniconda3)”。这是一个已经配置好Conda环境的命令行终端。输入以下命令并回车conda --version如果正确显示Conda版本号如conda 24.x.x说明安装成功。3.2 第二步创建专属的深度学习虚拟环境我们将创建一个名为d2l取自“动手学深度学习”英文名Dive into Deep Learning首字母的独立环境。在Anaconda Prompt中执行以下命令创建新环境conda create -n d2l python3.10 -y-n d2l指定环境名为d2l。python3.10指定该环境中安装Python 3.10。-y自动确认后续的安装提示。创建完成后激活这个环境conda activate d2l激活后命令行提示符的开头通常会从(base)变为(d2l)这表示你已进入d2l环境后续所有操作都只影响这个环境。3.3 第三步安装PyTorch及其核心依赖这是最关键的一步。我们将使用PyTorch官网推荐的命令进行安装。确定安装命令打开PyTorch官网pytorch.org找到“Get Started”区域。你会看到一个类似命令生成器的工具。如果你的电脑有NVIDIA GPUPyTorch Build: Stable (2.x.x)Your OS: WindowsPackage: Conda (强烈推荐在Conda环境内用Conda安装兼容性更好)Language: PythonCompute Platform: 根据你之前查询的驱动支持的CUDA版本选择例如CUDA 11.8或CUDA 12.1。如果不确定选择CUDA 11.8通常有较好的兼容性。 网站会生成类似这样的命令conda install pytorch torchvision torchaudio pytorch-cuda11.8 -c pytorch -c nvidia如果你的电脑没有NVIDIA GPUCompute Platform: CPU 生成的命令类似conda install pytorch torchvision torchaudio cpuonly -c pytorch执行安装命令将生成的命令复制到已激活的(d2l)环境的Anaconda Prompt中执行。这个过程会下载数百MB的包请保持网络通畅。验证PyTorch及GPU是否可用安装完成后在命令行中输入python进入Python交互模式然后依次输入以下命令import torch print(torch.__version__) # 打印PyTorch版本 print(torch.cuda.is_available()) # 打印CUDA是否可用GPU版本应为TrueCPU版本为False如果第一行输出版本号如2.1.0第二行GPU版本输出True或CPU版本输出False则说明PyTorch安装成功且GPU检测正常。3.4 第四步安装“动手学深度学习”配套包与Jupyter李沐老师团队为课程提供了配套的d2l包它封装了课程中常用的函数和类方便直接调用。在(d2l)环境中使用pip安装d2l包pip install d2l实操心得这里使用pip而不是conda因为d2l包通常通过PyPIpip的源发布更新更及时。Conda环境内混用conda和pip是常见的做法但建议优先用conda安装核心包如PyTorch再用pip安装纯Python包如d2l。安装Jupyter Lab作为我们的学习笔记本pip install jupyterlab如果你想用经典的Jupyter Notebook界面可以安装jupyter。可选但推荐安装常用数据科学库为了更顺畅的学习体验可以顺便安装一些常用的库。pip install matplotlib pandas scikit-learn3.5 第五步配置VS Code以使用Conda环境如果你选择VS Code作为主力编辑器需要让它识别我们刚创建的Conda环境。安装VS Code并安装官方“Python”扩展和“Jupyter”扩展。打开VS Code按下CtrlShiftP打开命令面板输入Python: Select Interpreter并选择。在弹出的列表中你应该能看到类似Python 3.10.x (‘d2l’: conda)的选项选择它。这样VS Code就会使用我们d2l环境中的Python和所有已安装的包。现在你可以在VS Code中直接打开从课程网站下载的.ipynb文件并选择内核为Python Environments (d2l)即可开始运行代码。4. 环境验证与“动手学深度学习”初体验环境搭好了我们来跑一个最简单的例子验证整个流程是否通畅。启动Jupyter Lab在(d2l)环境的Anaconda Prompt中切换到你想存放学习笔记的目录例如cd D:\d2l-notes然后输入jupyter lab浏览器会自动打开Jupyter Lab界面。创建新笔记本并测试在Jupyter Lab中新建一个Python Notebook。在第一个单元格中输入以下代码并运行import torch from d2l import torch as d2l print(fPyTorch版本: {torch.__version__}) print(fCUDA可用: {torch.cuda.is_available()}) # 尝试创建一个张量并做简单运算 x torch.arange(12, dtypetorch.float32).reshape(3,4) print(f张量x:\n{x}) print(f张量形状: {x.shape})你应该能看到PyTorch版本、CUDA状态以及一个3行4列的张量被成功打印出来。运行课程代码从课程官网或GitHub下载课程对应的Notebook文件.ipynb在Jupyter Lab中打开它尝试运行前面的几个单元格。如果能够顺利运行并出图例如显示一个简单的函数图像恭喜你你的“动手学深度学习”环境已经完美配置成功5. 常见问题排查与避坑指南实录即使按照步骤操作你也可能会遇到一些问题。这里记录了我自己和学员们最常遇到的“坑”及其解决方案。5.1 Conda/Pip安装速度慢或失败问题下载包时速度极慢甚至超时失败。原因默认源服务器在国外。解决方案为Conda和Pip配置国内镜像源。Conda镜像在Anaconda Prompt中执行以下命令添加清华源conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes注意安装PyTorch时如果指定了-c pytorch -c nvidiaConda仍会优先从官方源查找。如果镜像源同步不及时可以尝试暂时移除-c pytorch -c nvidia但需确保镜像源中有对应版本的PyTorch。Pip镜像在安装命令后加上-i参数例如pip install d2l jupyterlab -i https://pypi.tuna.tsinghua.edu.cn/simple或者永久修改pip配置。5.2 验证时torch.cuda.is_available()返回False问题已经安装了CUDA版本的PyTorch但无法检测到GPU。排查步骤确认显卡驱动再次运行nvidia-smi确保驱动正常安装且版本足够高。确认PyTorch的CUDA版本匹配在Python中运行torch.version.cuda查看PyTorch编译时使用的CUDA版本。确保此版本不高于nvidia-smi显示的驱动支持的CUDA版本。检查环境是否激活确保你是在安装了CUDA版PyTorch的Conda环境中进行验证。有时我们可能在base环境或其他环境中误操作。终极方案如果以上都正确可能是安装的PyTorch二进制包与你的系统有兼容性问题。可以尝试从PyTorch官网使用pip安装命令而非conda重装对应CUDA版本的PyTorch有时能解决一些奇怪的兼容性问题。5.3 导入d2l包时出错如缺少某些依赖问题运行import d2l或from d2l import torch as d2l时提示缺少matplotlib、pandas等模块。原因d2l包本身依赖这些库来绘图和数据处理但它的安装依赖声明可能不强制包含它们。解决方案手动安装缺失的包。通常需要pip install matplotlib pandas如果提示缺少其他包根据错误信息类似处理即可。5.4 Jupyter Lab中无法识别Conda环境问题在Jupyter Lab的Kernel列表中找不到创建好的d2l环境。解决方案需要在d2l环境中安装一个用于Jupyter的内核管理包。确保已激活d2l环境conda activate d2l安装ipykernelpip install ipykernel将当前环境添加到Jupyter内核python -m ipykernel install --user --name d2l --display-name Python (d2l)重启Jupyter Lab应该就能在Kernel列表里看到“Python (d2l)”这个选项了。5.5 环境配置完成后日常如何使用标准工作流打开“Anaconda Prompt”。输入conda activate d2l激活环境。输入jupyter lab启动笔记本或者输入code .用VS Code打开当前目录。快捷方式Windows你可以创建一个批处理文件.bat内容为echo off call conda activate d2l start jupyter lab双击这个.bat文件就能一键启动环境和Jupyter Lab。配置环境是深度学习入门的第一道也是必要的一道坎。这个过程本身也是对工具链和理解系统工作方式的一次很好学习。希望这份详尽的指南能帮你顺利跨过这道坎把更多精力投入到有趣的模型和算法学习中去。当你成功运行起第一个神经网络看到损失曲线稳步下降时你会觉得这一切的折腾都是值得的。如果在配置过程中遇到这里没覆盖的新问题最好的方法是仔细阅读错误信息并善用搜索引擎你遇到的问题很可能全世界已经有人解决过并分享在网上了。