admin管理员组

文章数量:1130349

理解这一堆东西都是什么 版本之间有什么制约

┌───────────────────────────────┐
│    Miniconda/Conda            │
│  - 管理虚拟环境                │
│  - 安装不同 Python 版本        │
└──────────────┬────────────────┘
               │ create
               ▼
     ┌─────────────────────┐
     │   虚拟环境 (env)     │
     │  - Python 版本      │
     │  - PyTorch / CUDA   │
     └─────────┬───────────┘
               │
               ▼
┌───────────────────────────────┐
│          Python               │
│  - 决定可用 PyTorch 版本       │
│  - 运行你的代码                │
└──────────────┬────────────────┘
               │
               ▼
┌───────────────────────────────┐
│          PyTorch              │
│  - 深度学习框架                │
│  - 利用 CUDA 进行 GPU 加速     │
│  - 版本受 Python 和 CUDA 限制 │
└──────────────┬────────────────┘
               │
               ▼
┌───────────────────────────────┐
│          CUDA                 │
│  - GPU 并行计算平台             │
│  - 提供 GPU 加速                │
│  - 版本受 GPU 驱动 & 硬件限制 │
└──────────────┬────────────────┘
               │
               ▼
┌───────────────────────────────┐
│         GPU 驱动               │
│  - 系统全局                     │
│  - 决定可用最高 CUDA             │
│  - 支持 GPU 硬件                │
└──────────────┬────────────────┘
               │
               ▼
┌───────────────────────────────┐
│          GPU (显卡)           │
│  - 决定支持 CUDA 的最大版本     │
│  - 提供计算能力 (Compute Cap.) │
└───────────────────────────────┘

┌───────────────────────────────┐
│          PyCharm IDE           │
│  - 绑定虚拟环境运行 Python      │
│  - 不影响 CUDA/驱动            │
│  - 提供开发工具                 │
└───────────────────────────────┘

总结一下，pytorch版本是决定你dl使用工具的上限，例如1.x的版本就支持不了transform那些工具，所以一般是版本越高越好。而决定你能用什么版本的一切源头是你的硬件GPU，GPU过老会导致可能不被最新的驱动支持，这就导致可能只能使用较低版本的cuda，cuda和pytorch的版本是深度绑定的，导致你可能使用不了太高版本的pytorch从而局限了工具的使用。

所以简单来说，（假设你暂时不花钱升级GPU），首先你需要去NVIDIA官网的驱动下载页查询显卡目前最高支持的驱动并升级到最新驱动。

下载了最新驱动之后你就可以在cmd终端使用这条命令查看你当前显卡驱动最高支持的cuda版本。

nvidia-smi

输出的表格左上角表明当前显卡驱动最高支持的cuda版本为13.0（也就是目前最新的），可以支持其及以下的所有cuda toolkit。

这是cuda发布说明中提到每个cuda版本最低要求的驱动版本

接着就可以知道你能够使用哪些版本的pytorch了，这会在pytorch官网的下载指令页直接提出，后文在下载过程中也会遇到：最新的版本，以往的所有版本。
这一步你可以选择点开官网看一下自己cuda可以支持哪些pytorch，（也可以不管）。

比如在这里，pytorch2.5.0版本里面，只支持cuda11.8 12.1 12.4. 另外cpu only的选项就是不安装cuda，提供给只用cpu训练的用户使用。
需要注意的一点是，cuda和pytorch的对应版本并不是连续的，有可能会出现cuda版本的跳跃，你只需要选择小于等于自己显卡驱动支持的最高cuda版本即可。

接下来你要根据你需要使用的pytorch版本来决定python版本，一般较新的pytorch会取消对较老版本的python的支持，较旧的pytorch也不支持较新的python。

PyTorch 版本支持 Python 版本官方支持 CUDA 版本备注
1.12.03.7 / 3.8 / 3.910.2 / 11.3较老版本，低显存 GPU 可用
1.13.13.8 / 3.9 / 3.1011.6 / 11.7支持更多新特性
2.0.03.8 / 3.9 / 3.10 / 3.1111.7 / 11.8 / 12.0首个 2.x 稳定版本
2.1.03.9 / 3.10 / 3.1111.8 / 12.1向下兼容 2.0.x API
2.6.x3.10 / 3.1112.0 / 12.1 / 12.3新增部分性能优化
2.7.03.10 / 3.1112.6 / 12.8最新稳定版本，适合 Pascal 架构 GPU

最权威的是这个pytorch发布文档了，里面写清楚了每一个版本的pytorch支持的cuda和python版本，但我相信没有人会看的。

至此你就知道了你需要安装的python+pytorch+cuda版本。

下载全流程

miniconda

下载miniconda

清华镜像站进

点击右边栏的蓝色获取下载链接，选择应用软件-conda

选择你对应的版本，一般是win64位

Miniconda3-latest (Windows/x86_64, exe)

建议不要下在c盘。

系统变量

搜索系统环境变量，点右下角环境变量。

找到path选项后双击打开

点击新建并依次增加三条内容
格式为

miniconda安装路径
miniconda安装路径\Scripts
miniconda安装路径\Library\bin

形如

之后保存即可。

然后调出cmd命令窗口，输入conda回车，如果跳出一堆配置说明系统环境变量配好了

换源

还是打开刚才的清华镜像站，在右边栏的相关链接点击使用帮助：

点击anaconda，这就是anaconda的使用帮助

根据使用帮助，我们先在cmd命令行执行

conda config --set show_channel_urls yes

这样就会在当前目录下（一般就是user文件夹）生成.condarc文件，用记事本打开并使用以下这段覆盖原文：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu/anaconda/cloud

可以在命令行执行

conda config --show

来查看是否成功换源

在miniconda创建虚拟环境并下载python

（在cmd运行 miniconda没有专门的界面）
首次启用先初始化，之后创建别的环境就不用了

conda init

创建一个虚拟环境，环境名称随便取，x.xx写你希望该环境使用的python版本，如果本地没有该版本会自动下载，很方便

conda create -n 环境名称 python=x.xx

如果你没有对应版本的python，在下载过程中会弹出 [y/N]? ，需要键入 y 回车即可。

激活环境并在该环境下载pytorch+cuda

激活环境

conda activate 环境名称

执行后会出现类似于

说明你已经进入名为sr的虚拟环境

（另外如果你要退出当前环境到base环境的话，可以执行：

conda deactivate

或者直接切换环境

conda activate srL

就切换到了名为srL的环境）

之后在该环境下通过pip指令下载pytorch+cuda
这个指令可以在官网找:
最新的版本
点进去是这样。

在 run this command 这里直接就是下载指令

如果要查看以往的所有版本的话，可以直接点击在刚刚的界面点击红字install previous versions of PyTorch，点进去就是这样：

一般就是找你对应的v x.x.x下的 LINUX AND WINDOWS 找你想要的版本就可以了。
将pip安装指令复制过来，记住在你当前的这个虚拟环境下执行！也就是你用户名前面必须要有(name)的，形如这样：

（srL）C:\Users\lenovo>pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch/whl/cu128

好了，至此你就拥有了一个配置好的虚拟环境了，记住它的名字。

下载pycharm

pycharm中文官网 默认下载最新版本就行了，一直download，一路安装就可以了，不赘述。
另外专业版是收费的，不用管，免费版够用了。

接着看新建项目。
要新建python项目的话就点纯python

解释器一定要选择自定义环境，环境选择现有，conda的路径为 miniconda安装路径\Scripts\conda.exe，环境就选择刚才创建的虚拟环境的名字。这十分重要。

之后点击创建，当你能在右下角看到环境名字的时候，就说明创建成功了。

至此，可以开始项目了。

命令指南

如果之后你要创建新的环境，并在新的环境开始新的项目，只需要重复：

conda create 新的环境名 python=x.x.x
conda activate 环境名 # 进入新的环境
pip install cuda+torch # 安装新环境的cuda和torch
在pycharm新建工程项目并选择刚刚建的虚拟环境

其他命令

conda env list
conda activate 环境名
conda deactivate
conda remove -n 环境名 --all

# 查看PyTorch版本及CUDA支持
python -c "import torch; print('PyTorch版本:', torch.__version__)"
python -c "import torch; print('CUDA是否可用:', torch.cuda.is_available())"
python -c "import torch; print('CUDA版本:', torch.version.cuda)"  # 如果CUDA可用

pip

pip install xxx -i https://pypi.tuna.tsinghua.edu/simple # pip临时换源
pip config set global.index-url https://pypi.tuna.tsinghua.edu/simple # pip永久换源
pip config list # 查看当前源
pip install -r requirements.txt # 按照 requirements.txt 的文件内容下载依赖

如果 requirements.txt 中的部分依赖在和安装新环境的cuda和torch时一并下载的依赖有冲突，（比如说numpy 在下torch时会自动下载），不用担心，会覆盖掉上一次下载的版本的。直接pip就好。

如果之后直接打开某个项目文件夹，但是还未设置解释器，需要设置一个本地由conda管理的虚拟环境，则：

File -> Settings

Python -> Interpreter -> Add Interpreter

-> Add Local Interpreter

Select existing -> Conda -> miniconda安装路径\Scripts\conda.exe -> 环境名称

补充：jupyter

相比于pycharm，jupyter 更适用于初学者学习，后期的工程项目用 pycharm 更好。

jupyter 的安装也非常方便，这里推荐直接在 conda 环境里使用 conda install ，需要注意的是如果用 pip 安装的话可能会 陷入依赖版本回溯（dependency backtracking）的循环中。这是因为 Jupyter 的依赖关系较为复杂，pip 会在尝试找到所有包都能兼容的版本组合时卡住。

首先进入环境：（当然你可以直接在 base 环境中安装，不过可能会导致版本依赖出错，毕竟都使用环境管理工具了，一般还是在你的工程环境安装）

conda activate sr

在该环境下安装 jupyter：（之后每次打开 jupyter 也要进入相应的环境，额当然这是一句废话）

conda install jupyter

一般打开命令行默认的对话地址是C盘下的当前 user，如果你的工程文件在别的盘的话，需要先切换。比如说你需要在 D 盘下的 Mine 文件夹中打开 jupyter：

cd /d D:\Mine     # /d表示可改变盘符

打开 jupyter：

# 启动 Jupyter Notebook（传统界面）
jupyter notebook

# 或者启动 Jupyter Lab（更现代的界面）
jupyter lab

会自动跳转到浏览器的 jupyter 界面。值得一提的是，Jupyter 的核心操作界面都是在浏览器中进行的，你看到的浏览器界面是 Jupyter 的客户端（前端），而实际的计算工作是在后台的服务器（后端） 中完成的。使用 jupyter 不需要安装额外的软件，非常方便简洁。


jupyter 的代码有命令模式和编辑模式，这来源于一个史诗级难学但是学会了非常好用的编辑器 vim。

  • 可以通过 esc 键，从编辑模式转换到命令模式；enter 键，从命令模式回退到编辑模式。
  • 在命令模式下，
    • 按 M 切换至 markdown 格式，按 Y 切换 code 格式，或者 R 切换至 Raw 格式（Raw是一种不会被执行或渲染的纯净格式）；
    • 按 B （below）在下方添加代码块，按 D 删除，X 剪切，V 粘贴， Z 撤销；
    • shift + L 给所有代码块标行
  • 在编辑模式下，按 ctrl + enter 可以快速执行或渲染当前单元块， shift + enter 执行+跳转至下一个单元块， alt + enter 执行+在下方添加一个代码块。

markdown 模块内部还支持 latex，跟 csdn 的 md 格式一样，用 $ 包裹。非常好用。

理解这一堆东西都是什么 版本之间有什么制约

┌───────────────────────────────┐
│    Miniconda/Conda            │
│  - 管理虚拟环境                │
│  - 安装不同 Python 版本        │
└──────────────┬────────────────┘
               │ create
               ▼
     ┌─────────────────────┐
     │   虚拟环境 (env)     │
     │  - Python 版本      │
     │  - PyTorch / CUDA   │
     └─────────┬───────────┘
               │
               ▼
┌───────────────────────────────┐
│          Python               │
│  - 决定可用 PyTorch 版本       │
│  - 运行你的代码                │
└──────────────┬────────────────┘
               │
               ▼
┌───────────────────────────────┐
│          PyTorch              │
│  - 深度学习框架                │
│  - 利用 CUDA 进行 GPU 加速     │
│  - 版本受 Python 和 CUDA 限制 │
└──────────────┬────────────────┘
               │
               ▼
┌───────────────────────────────┐
│          CUDA                 │
│  - GPU 并行计算平台             │
│  - 提供 GPU 加速                │
│  - 版本受 GPU 驱动 & 硬件限制 │
└──────────────┬────────────────┘
               │
               ▼
┌───────────────────────────────┐
│         GPU 驱动               │
│  - 系统全局                     │
│  - 决定可用最高 CUDA             │
│  - 支持 GPU 硬件                │
└──────────────┬────────────────┘
               │
               ▼
┌───────────────────────────────┐
│          GPU (显卡)           │
│  - 决定支持 CUDA 的最大版本     │
│  - 提供计算能力 (Compute Cap.) │
└───────────────────────────────┘

┌───────────────────────────────┐
│          PyCharm IDE           │
│  - 绑定虚拟环境运行 Python      │
│  - 不影响 CUDA/驱动            │
│  - 提供开发工具                 │
└───────────────────────────────┘

总结一下，pytorch版本是决定你dl使用工具的上限，例如1.x的版本就支持不了transform那些工具，所以一般是版本越高越好。而决定你能用什么版本的一切源头是你的硬件GPU，GPU过老会导致可能不被最新的驱动支持，这就导致可能只能使用较低版本的cuda，cuda和pytorch的版本是深度绑定的，导致你可能使用不了太高版本的pytorch从而局限了工具的使用。

所以简单来说，（假设你暂时不花钱升级GPU），首先你需要去NVIDIA官网的驱动下载页查询显卡目前最高支持的驱动并升级到最新驱动。

下载了最新驱动之后你就可以在cmd终端使用这条命令查看你当前显卡驱动最高支持的cuda版本。

nvidia-smi

输出的表格左上角表明当前显卡驱动最高支持的cuda版本为13.0（也就是目前最新的），可以支持其及以下的所有cuda toolkit。

这是cuda发布说明中提到每个cuda版本最低要求的驱动版本

接着就可以知道你能够使用哪些版本的pytorch了，这会在pytorch官网的下载指令页直接提出，后文在下载过程中也会遇到：最新的版本，以往的所有版本。
这一步你可以选择点开官网看一下自己cuda可以支持哪些pytorch，（也可以不管）。

比如在这里，pytorch2.5.0版本里面，只支持cuda11.8 12.1 12.4. 另外cpu only的选项就是不安装cuda，提供给只用cpu训练的用户使用。
需要注意的一点是，cuda和pytorch的对应版本并不是连续的，有可能会出现cuda版本的跳跃，你只需要选择小于等于自己显卡驱动支持的最高cuda版本即可。

接下来你要根据你需要使用的pytorch版本来决定python版本，一般较新的pytorch会取消对较老版本的python的支持，较旧的pytorch也不支持较新的python。

PyTorch 版本支持 Python 版本官方支持 CUDA 版本备注
1.12.03.7 / 3.8 / 3.910.2 / 11.3较老版本，低显存 GPU 可用
1.13.13.8 / 3.9 / 3.1011.6 / 11.7支持更多新特性
2.0.03.8 / 3.9 / 3.10 / 3.1111.7 / 11.8 / 12.0首个 2.x 稳定版本
2.1.03.9 / 3.10 / 3.1111.8 / 12.1向下兼容 2.0.x API
2.6.x3.10 / 3.1112.0 / 12.1 / 12.3新增部分性能优化
2.7.03.10 / 3.1112.6 / 12.8最新稳定版本，适合 Pascal 架构 GPU

最权威的是这个pytorch发布文档了，里面写清楚了每一个版本的pytorch支持的cuda和python版本，但我相信没有人会看的。

至此你就知道了你需要安装的python+pytorch+cuda版本。

下载全流程

miniconda

下载miniconda

清华镜像站进

点击右边栏的蓝色获取下载链接，选择应用软件-conda

选择你对应的版本，一般是win64位

Miniconda3-latest (Windows/x86_64, exe)

建议不要下在c盘。

系统变量

搜索系统环境变量，点右下角环境变量。

找到path选项后双击打开

点击新建并依次增加三条内容
格式为

miniconda安装路径
miniconda安装路径\Scripts
miniconda安装路径\Library\bin

形如

之后保存即可。

然后调出cmd命令窗口，输入conda回车，如果跳出一堆配置说明系统环境变量配好了

换源

还是打开刚才的清华镜像站，在右边栏的相关链接点击使用帮助：

点击anaconda，这就是anaconda的使用帮助

根据使用帮助，我们先在cmd命令行执行

conda config --set show_channel_urls yes

这样就会在当前目录下（一般就是user文件夹）生成.condarc文件，用记事本打开并使用以下这段覆盖原文：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu/anaconda/cloud

可以在命令行执行

conda config --show

来查看是否成功换源

在miniconda创建虚拟环境并下载python

（在cmd运行 miniconda没有专门的界面）
首次启用先初始化，之后创建别的环境就不用了

conda init

创建一个虚拟环境，环境名称随便取，x.xx写你希望该环境使用的python版本，如果本地没有该版本会自动下载，很方便

conda create -n 环境名称 python=x.xx

如果你没有对应版本的python，在下载过程中会弹出 [y/N]? ，需要键入 y 回车即可。

激活环境并在该环境下载pytorch+cuda

激活环境

conda activate 环境名称

执行后会出现类似于

说明你已经进入名为sr的虚拟环境

（另外如果你要退出当前环境到base环境的话，可以执行：

conda deactivate

或者直接切换环境

conda activate srL

就切换到了名为srL的环境）

之后在该环境下通过pip指令下载pytorch+cuda
这个指令可以在官网找:
最新的版本
点进去是这样。

在 run this command 这里直接就是下载指令

如果要查看以往的所有版本的话，可以直接点击在刚刚的界面点击红字install previous versions of PyTorch，点进去就是这样：

一般就是找你对应的v x.x.x下的 LINUX AND WINDOWS 找你想要的版本就可以了。
将pip安装指令复制过来，记住在你当前的这个虚拟环境下执行！也就是你用户名前面必须要有(name)的，形如这样：

（srL）C:\Users\lenovo>pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch/whl/cu128

好了，至此你就拥有了一个配置好的虚拟环境了，记住它的名字。

下载pycharm

pycharm中文官网 默认下载最新版本就行了，一直download，一路安装就可以了，不赘述。
另外专业版是收费的，不用管，免费版够用了。

接着看新建项目。
要新建python项目的话就点纯python

解释器一定要选择自定义环境，环境选择现有，conda的路径为 miniconda安装路径\Scripts\conda.exe，环境就选择刚才创建的虚拟环境的名字。这十分重要。

之后点击创建，当你能在右下角看到环境名字的时候，就说明创建成功了。

至此，可以开始项目了。

命令指南

如果之后你要创建新的环境，并在新的环境开始新的项目，只需要重复：

conda create 新的环境名 python=x.x.x
conda activate 环境名 # 进入新的环境
pip install cuda+torch # 安装新环境的cuda和torch
在pycharm新建工程项目并选择刚刚建的虚拟环境

其他命令

conda env list
conda activate 环境名
conda deactivate
conda remove -n 环境名 --all

# 查看PyTorch版本及CUDA支持
python -c "import torch; print('PyTorch版本:', torch.__version__)"
python -c "import torch; print('CUDA是否可用:', torch.cuda.is_available())"
python -c "import torch; print('CUDA版本:', torch.version.cuda)"  # 如果CUDA可用

pip

pip install xxx -i https://pypi.tuna.tsinghua.edu/simple # pip临时换源
pip config set global.index-url https://pypi.tuna.tsinghua.edu/simple # pip永久换源
pip config list # 查看当前源
pip install -r requirements.txt # 按照 requirements.txt 的文件内容下载依赖

如果 requirements.txt 中的部分依赖在和安装新环境的cuda和torch时一并下载的依赖有冲突，（比如说numpy 在下torch时会自动下载），不用担心，会覆盖掉上一次下载的版本的。直接pip就好。

如果之后直接打开某个项目文件夹，但是还未设置解释器，需要设置一个本地由conda管理的虚拟环境，则：

File -> Settings

Python -> Interpreter -> Add Interpreter

-> Add Local Interpreter

Select existing -> Conda -> miniconda安装路径\Scripts\conda.exe -> 环境名称

补充：jupyter

相比于pycharm，jupyter 更适用于初学者学习，后期的工程项目用 pycharm 更好。

jupyter 的安装也非常方便，这里推荐直接在 conda 环境里使用 conda install ，需要注意的是如果用 pip 安装的话可能会 陷入依赖版本回溯（dependency backtracking）的循环中。这是因为 Jupyter 的依赖关系较为复杂，pip 会在尝试找到所有包都能兼容的版本组合时卡住。

首先进入环境：（当然你可以直接在 base 环境中安装，不过可能会导致版本依赖出错，毕竟都使用环境管理工具了，一般还是在你的工程环境安装）

conda activate sr

在该环境下安装 jupyter：（之后每次打开 jupyter 也要进入相应的环境，额当然这是一句废话）

conda install jupyter

一般打开命令行默认的对话地址是C盘下的当前 user，如果你的工程文件在别的盘的话，需要先切换。比如说你需要在 D 盘下的 Mine 文件夹中打开 jupyter：

cd /d D:\Mine     # /d表示可改变盘符

打开 jupyter：

# 启动 Jupyter Notebook（传统界面）
jupyter notebook

# 或者启动 Jupyter Lab（更现代的界面）
jupyter lab

会自动跳转到浏览器的 jupyter 界面。值得一提的是，Jupyter 的核心操作界面都是在浏览器中进行的，你看到的浏览器界面是 Jupyter 的客户端（前端），而实际的计算工作是在后台的服务器（后端） 中完成的。使用 jupyter 不需要安装额外的软件，非常方便简洁。


jupyter 的代码有命令模式和编辑模式，这来源于一个史诗级难学但是学会了非常好用的编辑器 vim。

  • 可以通过 esc 键，从编辑模式转换到命令模式；enter 键，从命令模式回退到编辑模式。
  • 在命令模式下，
    • 按 M 切换至 markdown 格式，按 Y 切换 code 格式，或者 R 切换至 Raw 格式（Raw是一种不会被执行或渲染的纯净格式）；
    • 按 B （below）在下方添加代码块，按 D 删除，X 剪切，V 粘贴， Z 撤销；
    • shift + L 给所有代码块标行
  • 在编辑模式下，按 ctrl + enter 可以快速执行或渲染当前单元块， shift + enter 执行+跳转至下一个单元块， alt + enter 执行+在下方添加一个代码块。

markdown 模块内部还支持 latex，跟 csdn 的 md 格式一样，用 $ 包裹。非常好用。

本文标签： 环境好难PycharmMinicondadl

版权声明：本文标题：dl的环境好难配啊！miniconda+pycharm+python+pytorchjupyter+cuda在windows环境下的安装 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/1763489980a2936923.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。