admin管理员组

文章数量:1130349

前言

        30号实习回来后接到了一个与深度学习相关的任务，首先第一步当然一定是把环境搭起来。好嘛，小编又要面对这在过去曾无数次给小编带来刻骨铭心之痛苦的Occasion了哈哈。

        本文是小编的血泪环境搭建史，也是一个超超超超详细的部署指南。好啦话不多说，我们直接开干！

一、什么是深度学习

（一）定义

        深度学习是人工智能的一个分支，本质上是一种让计算机模仿人脑学习的方式。它通过构建多层“虚拟神经元网络”（称为神经网络），从大量数据中自动提取规律，完成识别图像、理解语言、预测趋势等任务。

（二）核心原理

  • 多层网络结构：像搭积木一样，每一层神经元处理不同级别的信息。比如识别猫的照片，底层可能识别线条和颜色，中间层组合成耳朵或尾巴的形状，最终层判断“这是猫”。

  • 自动学习：无需人工设计规则，只需给电脑大量数据（如猫和狗的图片），它会自己调整神经网络的参数，直到能准确区分两者。

（三）简单举例

  • 想象教小孩认猫：
  1.  第一步：看图片： 你给小孩看很多图片，告诉他哪些是猫，哪些不是猫（比如狗、汽车）。
  2. 第二步：找特征： 小孩自己会观察：哦，猫有尖耳朵、有胡须、毛茸茸的、眼睛圆圆亮亮的… 他开始注意这些“特征”。
  3. 第三步：组合特征： 小孩发现，光看耳朵可能不够（狐狸也有尖耳朵），还要结合胡须、眼睛、毛茸茸的感觉一起判断。他把这些特征组合起来理解。
  4. 第四步：不断练习和纠错： 刚开始他可能会认错（把狐狸当猫）。你告诉他错了，他就会调整自己“认猫”的标准：哦，原来狐狸的尾巴更蓬松，猫的尾巴更细长？下次他会更注意尾巴这个特征。看得越多、错得越多、被纠正得越多，他就越会抓住那些真正关键的、细微的特征组合。
  5. 最终：学会认猫： 经过大量图片的“训练”和“纠错”，小孩脑子里形成了一套非常复杂的“判断规则”，能准确认出各种姿势、各种花色的猫，即使他没见过某张具体的猫图片。
  • 深度学习就是让电脑模仿这个过程：
  1. “神经网络”就是“小孩的大脑”： 它不是真的生物大脑，而是一个由很多很多层（像洋葱皮一层层）简单计算单元组成的复杂数学模型。
  2. “数据”就是“图片”： 我们给电脑看海量的数据（比如几百万张猫狗图片，每张都标注好是猫还是狗）。
  3. “训练”就是“学习过程”： 电脑一开始也瞎猜。它通过数据一层层地提取特征：
    • 第一层可能只看到边缘、线条（比如发现图片里有条曲线）。
    • 第二层可能组合线条，认出简单的形状（比如两个三角形可能是耳朵）。
    • 第三层可能组合形状，认出更复杂的部件（尖耳朵+圆眼睛+胡须=猫脸）。
    • 更深层就把这些部件组合起来，认出整个物体（猫）。
  4. “学习”就是“调整”： 每次猜错，电脑就会自动调整它内部每一层“计算单元”的“重要性权重”（相当于小孩调整自己关注哪些特征）。这个过程叫“反向传播”，就是根据错误，从后往前一层层修正判断标准。
  5. “深度”指“层数多”： 层数越多（“深度”越大），电脑就能学习到更抽象、更复杂的特征组合，能力就越强。
  6. 最终结果： 经过大量数据的训练和无数次的内部调整，这个深度神经网络就“学会”了一项技能（比如从图片中认出猫），而且它能处理非常复杂、模糊的情况（比如只拍到半个猫脸的图片）。
  • 简单总结：

深度学习就是让电脑像小孩一样，通过看海量的例子（数据），自己一层层地学习、总结出复杂的特征和规律，最终掌握一项技能（比如识图、翻译、下棋、自动驾驶）的技术。它厉害在能自己“琢磨”出那些人类可能都难以明确描述的规则。

二、各部分是用来干嘛的

（一）python-IDLE

        def：Python-IDLE 是 Python 自带的简单集成开发环境（IDE）。它提供了一个基础的界面来编写、运行和调试 Python 代码。在深度学习中，Python 是核心编程语言，几乎所有框架都用它来写代码。IDLE 的作用就像“练习本”，适合初学者快速测试小段代码，比如写一个简单的神经网络原型。

        简单一句话，就是最最最最最简单质朴的能让你跑python代码的地方。

（二）CUDA Toolkit

        def：CUDA Toolkit 是 NVIDIA 提供的工具包，用于让 GPU（显卡）加速计算。深度学习涉及大量矩阵运算（如 $A \times B + C$），这些运算在 CPU 上很慢，但 GPU 能并行处理成千上万次计算。CUDA Toolkit 的作用就是“解锁 GPU 的潜能”，它提供了编译器和库，让 PyTorch 等框架能直接调用 GPU 资源。例如，训练一个图像识别模型时，GPU 加速能让速度提升 10-100 倍。没有它，深度学习训练会像蜗牛爬行一样慢。

        简单一句话，就是如果电脑有GPU，CUDA就是给他加速的

（三）CUDNN

         def：CUDNN（CUDA Deep Neural Network library）是 NVIDIA 专门为深度学习优化的库，它基于 CUDA Toolkit 构建。CUDNN 的作用是“加速神经网络的核心操作”，比如卷积、池化和激活函数。这些操作在训练模型时反复执行，CUDNN 通过高度优化的算法（如使用快速傅里叶变换）让它们跑得更快、更省资源。例如，处理一个卷积层时，CUDNN 能自动选择最优实现方式，就像给汽车引擎加了涡轮增压器。它通常和 CUDA Toolkit 一起安装，确保 PyTorch 能高效利用 GPU。

        简单一句话，CUDNN就是专门给深度学习加速的

（四）Miniconda

        //小编选择miniconda,当然各位根据自己的需要也可以换成Anaconda，前者不过是后者的一个精简版。

        def：Miniconda 是一个轻量级的包和环境管理工具。在深度学习中，不同项目需要不同版本的 Python 或库（如 PyTorch），如果版本冲突会导致错误。Miniconda 的作用是“创建隔离的工作区”，让你能为每个项目设置独立环境，安装特定依赖。例如，你可以用命令 conda create -n myenv python=3.8 创建一个环境，然后安装 PyTorch，而不会影响其他项目。这就像在工地上用多个工具箱分门别类存放工具，避免混乱。Miniconda 比完整版 Anaconda 更小巧，适合节省磁盘空间。

        总结，Miniconda就是一个环境管家，保证各个项目独立互不干涉。

（五）PyTorch

         def：PyTorch 是一个开源的深度学习框架，由 Facebook（现 Meta）开发。它是整个环境的核心，作用相当于“建筑蓝图和施工队”，让你能轻松构建、训练和部署神经网络模型。PyTorch 提供了高层 API（如定义层和损失函数）和底层控制（如自定义操作），支持自动微分（计算梯度）和 GPU 加速（依赖 CUDA/CUDNN）。

        总结，Pytorch就是深度学习的工具箱

（六）PyCharm

        def：PyCharm 是一个专业的 Python IDE（集成开发环境），由 JetBrains 开发。它不直接参与深度学习计算，但作用是“提升开发效率”，提供代码编辑、调试、版本控制（如 Git）和项目管理等功能。在深度学习中，PyCharm 的智能提示和错误检查能帮你快速写代码，比如自动补全 PyTorch 函数，或可视化数据集。

        总结，IDLE太费劲，用pycharm这个IDE来更高效优雅的对代码和项目进行操作。

三、完整无省略的安装流程

（一）python3.10安装与验证

        //小编电脑上有python3.13的IDLE，这个给vscode干其他事儿去了，为了之后能不那么混乱，所以小编就决定用pycharm配3.10专门跑深度学习了。

  1. 下载 Python 3.10.13

    • 访问官网：https://www.python/downloads/release/python-31013/
    • 下载 Windows x86-64 executable installer（64 位系统）。

  2. 安装 Python 3.10

    • 双击安装包 → 勾选 Add Python 3.10 to PATH（重要！）。
    • 点击 Install Now → 等待安装完成 → 点击 Close。

  3. 验证安装

    • win+r，cmd,进去终端

    • 输入

      python --version  # 应输出 Python 3.10.13

    • 注意！如果你们的电脑也跟小编一样之前装过其他版本的IDLE，如果执行上一步程序后输出的是之前那个的版本，那请进入环境变量，将10版本的上移（哈哈，小编是直接移到了最上面）。当然如果之前那个版本家人们并不需要保证它多么便捷，也可以直接将它从环境变量中删除。

（二）CUDA安装与验证

  1. 下载 CUDA 12.1（兼容你的驱动）

    • 查看显卡驱动版本
      • 按 Win + R → 输入 cmd → 回车，打开命令提示符。
      • 输入 nvidia-smi → 回车，查看右上角 CUDA Version（小编这里是显示 12.7，意思是我能安装的版本的上限是12.7）。
    • 访问官网：CUDA Toolkit 12.1 Update 1 Downloads | NVIDIA Developer
    • 选择：
      • Operating System：Windows
      • Architecture：x86_64
      • Version：11（小编的操作系统是win11）
      • Installer Type：exe (local)
    • 点击 Download。

  2. 安装 CUDA

    • 双击安装包 → 同意协议 → Next。
    • 选择 Custom → 取消勾选 Visual Studio Integration（除非你用 VS）→ Next。（这里忘了取消也问题不大，不会对你之后部署深度学习环境产生什么影响，不过多占了些内存哈哈）
    • 安装路径默认（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1）→ Install。（请非特殊情况，不要修改默认安装路径，这是小编的血泪教训）

  3. 验证：

    • win+r，cmd,进去终端，输入指令：nvcc -V，如果出现和小编这里一样的图，就说明已安装成功。

（三）CUDNN安装（⭐）

        //这一步简直就是小编这次历险险些卡死的地方。按照常规操作，首先你要先注册一个账号，然后就可以按照你下载的CUDA对应的版本下载CUDNN了（小编CUDA是12.1，故而CUDNN选择了和它兼容的8.9.7）。BUT! 小编输入了无数次信息，每次点击确认之后就是一片空白，根本无法注册，尝试了不知道多少次之后选择放弃这条路。所以这里给出的就是，绕过注册，直接下载的方法。

  1. 首先你需要下载一个迅雷（如果电脑上没有的话）
  2. 然后进入CUDNN下载官网：cuDNN Archive | NVIDIA Developer
  3. 找到和你们CUDA兼容的版本，别点，直接右键选择“复制链接”
  4. 然后将链接粘贴到迅雷下载任务（一般会自动识别的），这个时候如果发现下载任务的后缀是“.html”，那也不用慌，直接手动把链接最末尾的‘/’删掉，你就会惊喜的发现下载格式转换成了你理想的.zip模样哈哈。（这也是小编的血泪史之一）

  5. 解压并复制文件

    • 解压下载的压缩包，得到 cuda 文件夹（含 bin、include、lib）。
    • 将 cuda 文件夹中的内容复制到 CUDA 安装目录（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1）：
      • bin 里的文件 → 复制到 CUDA 的 bin 文件夹。
      • include 里的文件 → 复制到 CUDA 的 include 文件夹。
      • lib 里的文件 → 复制到 CUDA 的 lib 文件夹。

（四）安装 Miniconda

//20250702晚注：自从去年硬盘烧过一次之后，小编对半成品的备份和防护就格外敏感，本文尚未完成但今晚有其他事要去处理，故先发布，小编之后会将后续的内容补充完毕，感谢各位观众姥爷理解和支持！

（五）创建 Python 3.10 环境

（六）安装 PyTorch（带 GPU 支持）

（七）验证 GPU 配置

（八）安装 PyCharm

（九）配置 PyCharm 项目环境

（十）测试环境

四、小编的唠唠叨叨

前言

        30号实习回来后接到了一个与深度学习相关的任务，首先第一步当然一定是把环境搭起来。好嘛，小编又要面对这在过去曾无数次给小编带来刻骨铭心之痛苦的Occasion了哈哈。

        本文是小编的血泪环境搭建史，也是一个超超超超详细的部署指南。好啦话不多说，我们直接开干！

一、什么是深度学习

（一）定义

        深度学习是人工智能的一个分支，本质上是一种让计算机模仿人脑学习的方式。它通过构建多层“虚拟神经元网络”（称为神经网络），从大量数据中自动提取规律，完成识别图像、理解语言、预测趋势等任务。

（二）核心原理

  • 多层网络结构：像搭积木一样，每一层神经元处理不同级别的信息。比如识别猫的照片，底层可能识别线条和颜色，中间层组合成耳朵或尾巴的形状，最终层判断“这是猫”。

  • 自动学习：无需人工设计规则，只需给电脑大量数据（如猫和狗的图片），它会自己调整神经网络的参数，直到能准确区分两者。

（三）简单举例

  • 想象教小孩认猫：
  1.  第一步：看图片： 你给小孩看很多图片，告诉他哪些是猫，哪些不是猫（比如狗、汽车）。
  2. 第二步：找特征： 小孩自己会观察：哦，猫有尖耳朵、有胡须、毛茸茸的、眼睛圆圆亮亮的… 他开始注意这些“特征”。
  3. 第三步：组合特征： 小孩发现，光看耳朵可能不够（狐狸也有尖耳朵），还要结合胡须、眼睛、毛茸茸的感觉一起判断。他把这些特征组合起来理解。
  4. 第四步：不断练习和纠错： 刚开始他可能会认错（把狐狸当猫）。你告诉他错了，他就会调整自己“认猫”的标准：哦，原来狐狸的尾巴更蓬松，猫的尾巴更细长？下次他会更注意尾巴这个特征。看得越多、错得越多、被纠正得越多，他就越会抓住那些真正关键的、细微的特征组合。
  5. 最终：学会认猫： 经过大量图片的“训练”和“纠错”，小孩脑子里形成了一套非常复杂的“判断规则”，能准确认出各种姿势、各种花色的猫，即使他没见过某张具体的猫图片。
  • 深度学习就是让电脑模仿这个过程：
  1. “神经网络”就是“小孩的大脑”： 它不是真的生物大脑，而是一个由很多很多层（像洋葱皮一层层）简单计算单元组成的复杂数学模型。
  2. “数据”就是“图片”： 我们给电脑看海量的数据（比如几百万张猫狗图片，每张都标注好是猫还是狗）。
  3. “训练”就是“学习过程”： 电脑一开始也瞎猜。它通过数据一层层地提取特征：
    • 第一层可能只看到边缘、线条（比如发现图片里有条曲线）。
    • 第二层可能组合线条，认出简单的形状（比如两个三角形可能是耳朵）。
    • 第三层可能组合形状，认出更复杂的部件（尖耳朵+圆眼睛+胡须=猫脸）。
    • 更深层就把这些部件组合起来，认出整个物体（猫）。
  4. “学习”就是“调整”： 每次猜错，电脑就会自动调整它内部每一层“计算单元”的“重要性权重”（相当于小孩调整自己关注哪些特征）。这个过程叫“反向传播”，就是根据错误，从后往前一层层修正判断标准。
  5. “深度”指“层数多”： 层数越多（“深度”越大），电脑就能学习到更抽象、更复杂的特征组合，能力就越强。
  6. 最终结果： 经过大量数据的训练和无数次的内部调整，这个深度神经网络就“学会”了一项技能（比如从图片中认出猫），而且它能处理非常复杂、模糊的情况（比如只拍到半个猫脸的图片）。
  • 简单总结：

深度学习就是让电脑像小孩一样，通过看海量的例子（数据），自己一层层地学习、总结出复杂的特征和规律，最终掌握一项技能（比如识图、翻译、下棋、自动驾驶）的技术。它厉害在能自己“琢磨”出那些人类可能都难以明确描述的规则。

二、各部分是用来干嘛的

（一）python-IDLE

        def：Python-IDLE 是 Python 自带的简单集成开发环境（IDE）。它提供了一个基础的界面来编写、运行和调试 Python 代码。在深度学习中，Python 是核心编程语言，几乎所有框架都用它来写代码。IDLE 的作用就像“练习本”，适合初学者快速测试小段代码，比如写一个简单的神经网络原型。

        简单一句话，就是最最最最最简单质朴的能让你跑python代码的地方。

（二）CUDA Toolkit

        def：CUDA Toolkit 是 NVIDIA 提供的工具包，用于让 GPU（显卡）加速计算。深度学习涉及大量矩阵运算（如 $A \times B + C$），这些运算在 CPU 上很慢，但 GPU 能并行处理成千上万次计算。CUDA Toolkit 的作用就是“解锁 GPU 的潜能”，它提供了编译器和库，让 PyTorch 等框架能直接调用 GPU 资源。例如，训练一个图像识别模型时，GPU 加速能让速度提升 10-100 倍。没有它，深度学习训练会像蜗牛爬行一样慢。

        简单一句话，就是如果电脑有GPU，CUDA就是给他加速的

（三）CUDNN

         def：CUDNN（CUDA Deep Neural Network library）是 NVIDIA 专门为深度学习优化的库，它基于 CUDA Toolkit 构建。CUDNN 的作用是“加速神经网络的核心操作”，比如卷积、池化和激活函数。这些操作在训练模型时反复执行，CUDNN 通过高度优化的算法（如使用快速傅里叶变换）让它们跑得更快、更省资源。例如，处理一个卷积层时，CUDNN 能自动选择最优实现方式，就像给汽车引擎加了涡轮增压器。它通常和 CUDA Toolkit 一起安装，确保 PyTorch 能高效利用 GPU。

        简单一句话，CUDNN就是专门给深度学习加速的

（四）Miniconda

        //小编选择miniconda,当然各位根据自己的需要也可以换成Anaconda，前者不过是后者的一个精简版。

        def：Miniconda 是一个轻量级的包和环境管理工具。在深度学习中，不同项目需要不同版本的 Python 或库（如 PyTorch），如果版本冲突会导致错误。Miniconda 的作用是“创建隔离的工作区”，让你能为每个项目设置独立环境，安装特定依赖。例如，你可以用命令 conda create -n myenv python=3.8 创建一个环境，然后安装 PyTorch，而不会影响其他项目。这就像在工地上用多个工具箱分门别类存放工具，避免混乱。Miniconda 比完整版 Anaconda 更小巧，适合节省磁盘空间。

        总结，Miniconda就是一个环境管家，保证各个项目独立互不干涉。

（五）PyTorch

         def：PyTorch 是一个开源的深度学习框架，由 Facebook（现 Meta）开发。它是整个环境的核心，作用相当于“建筑蓝图和施工队”，让你能轻松构建、训练和部署神经网络模型。PyTorch 提供了高层 API（如定义层和损失函数）和底层控制（如自定义操作），支持自动微分（计算梯度）和 GPU 加速（依赖 CUDA/CUDNN）。

        总结，Pytorch就是深度学习的工具箱

（六）PyCharm

        def：PyCharm 是一个专业的 Python IDE（集成开发环境），由 JetBrains 开发。它不直接参与深度学习计算，但作用是“提升开发效率”，提供代码编辑、调试、版本控制（如 Git）和项目管理等功能。在深度学习中，PyCharm 的智能提示和错误检查能帮你快速写代码，比如自动补全 PyTorch 函数，或可视化数据集。

        总结，IDLE太费劲，用pycharm这个IDE来更高效优雅的对代码和项目进行操作。

三、完整无省略的安装流程

（一）python3.10安装与验证

        //小编电脑上有python3.13的IDLE，这个给vscode干其他事儿去了，为了之后能不那么混乱，所以小编就决定用pycharm配3.10专门跑深度学习了。

  1. 下载 Python 3.10.13

    • 访问官网：https://www.python/downloads/release/python-31013/
    • 下载 Windows x86-64 executable installer（64 位系统）。

  2. 安装 Python 3.10

    • 双击安装包 → 勾选 Add Python 3.10 to PATH（重要！）。
    • 点击 Install Now → 等待安装完成 → 点击 Close。

  3. 验证安装

    • win+r，cmd,进去终端

    • 输入

      python --version  # 应输出 Python 3.10.13

    • 注意！如果你们的电脑也跟小编一样之前装过其他版本的IDLE，如果执行上一步程序后输出的是之前那个的版本，那请进入环境变量，将10版本的上移（哈哈，小编是直接移到了最上面）。当然如果之前那个版本家人们并不需要保证它多么便捷，也可以直接将它从环境变量中删除。

（二）CUDA安装与验证

  1. 下载 CUDA 12.1（兼容你的驱动）

    • 查看显卡驱动版本
      • 按 Win + R → 输入 cmd → 回车，打开命令提示符。
      • 输入 nvidia-smi → 回车，查看右上角 CUDA Version（小编这里是显示 12.7，意思是我能安装的版本的上限是12.7）。
    • 访问官网：CUDA Toolkit 12.1 Update 1 Downloads | NVIDIA Developer
    • 选择：
      • Operating System：Windows
      • Architecture：x86_64
      • Version：11（小编的操作系统是win11）
      • Installer Type：exe (local)
    • 点击 Download。

  2. 安装 CUDA

    • 双击安装包 → 同意协议 → Next。
    • 选择 Custom → 取消勾选 Visual Studio Integration（除非你用 VS）→ Next。（这里忘了取消也问题不大，不会对你之后部署深度学习环境产生什么影响，不过多占了些内存哈哈）
    • 安装路径默认（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1）→ Install。（请非特殊情况，不要修改默认安装路径，这是小编的血泪教训）

  3. 验证：

    • win+r，cmd,进去终端，输入指令：nvcc -V，如果出现和小编这里一样的图，就说明已安装成功。

（三）CUDNN安装（⭐）

        //这一步简直就是小编这次历险险些卡死的地方。按照常规操作，首先你要先注册一个账号，然后就可以按照你下载的CUDA对应的版本下载CUDNN了（小编CUDA是12.1，故而CUDNN选择了和它兼容的8.9.7）。BUT! 小编输入了无数次信息，每次点击确认之后就是一片空白，根本无法注册，尝试了不知道多少次之后选择放弃这条路。所以这里给出的就是，绕过注册，直接下载的方法。

  1. 首先你需要下载一个迅雷（如果电脑上没有的话）
  2. 然后进入CUDNN下载官网：cuDNN Archive | NVIDIA Developer
  3. 找到和你们CUDA兼容的版本，别点，直接右键选择“复制链接”
  4. 然后将链接粘贴到迅雷下载任务（一般会自动识别的），这个时候如果发现下载任务的后缀是“.html”，那也不用慌，直接手动把链接最末尾的‘/’删掉，你就会惊喜的发现下载格式转换成了你理想的.zip模样哈哈。（这也是小编的血泪史之一）

  5. 解压并复制文件

    • 解压下载的压缩包，得到 cuda 文件夹（含 bin、include、lib）。
    • 将 cuda 文件夹中的内容复制到 CUDA 安装目录（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1）：
      • bin 里的文件 → 复制到 CUDA 的 bin 文件夹。
      • include 里的文件 → 复制到 CUDA 的 include 文件夹。
      • lib 里的文件 → 复制到 CUDA 的 lib 文件夹。

（四）安装 Miniconda

//20250702晚注：自从去年硬盘烧过一次之后，小编对半成品的备份和防护就格外敏感，本文尚未完成但今晚有其他事要去处理，故先发布，小编之后会将后续的内容补充完毕，感谢各位观众姥爷理解和支持！

（五）创建 Python 3.10 环境

（六）安装 PyTorch（带 GPU 支持）

（七）验证 GPU 配置

（八）安装 PyCharm

（九）配置 PyCharm 项目环境

（十）测试环境

四、小编的唠唠叨叨

本文标签： 环境实录深度MinicondaPycharm

版权声明：本文标题：《从 “环境崩溃” 到 “丝滑运行”：PyCharm + MiniConda 深度学习环境搭建实录》 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://it.en369.cn/jiaocheng/1754416624a2682644.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。