简介：这份资源面向刚开始接触 Python 数据分析与深度学习环境搭建的初学者及自学者，针对环境中工具分散、库安装困难、IDE 与解释器对接混乱等问题，提供从 Anaconda 安装、安装验证，到 OpenCV、TensorFlow、Keras 等科学计算库安装，再到 PyCharm 部署与编译器配置的一整套流程说明。压缩包内为 1 个 docx 文档，约 4.22MB，以图文混排方式记录关键界面与命令行输出，便于对照操作。资源已有 6954 人学习下载，说明其在环境配置类内容中具备一定的参考价值。文档中不仅给出 pip 安装与清华镜像加速的具体写法，还说明了 conda list 自检方法、版本号指定方式，以及在 PyCharm 中通过 Project Interpreter 添加 anaconda3 环境下 python.exe 的完整路径与操作细节，可帮助读者少走弯路，快速完成可用的 TensorFlow、Keras 与 OpenCV 开发环境搭建。

1. 解释器指错，库装得再全也白搭：Anaconda + PyCharm 这套配置到底在解决什么

Anaconda 装完、TensorFlow 也 pip 装上了，PyCharm 里一运行还是ModuleNotFoundError，这种场面在编译器配置这一步出现的频率，远高于“库真的没装上”。库安装这件事拆开只有三问：用哪个解释器、用哪个包管理器、装进哪个环境；PyCharm 的解释器配置就是回答第一问。三步里任何一步错位，报错都是同一句话——找不到模块，看起来像没装，实际是装到别的地方去了。

这份教程覆盖的就是这条最小闭环：装 Anaconda、用conda list确认装成功、用pip install 库名 -i 镜像补 OpenCV/TensorFlow/Keras、装 PyCharm、把解释器指到 Anaconda 目录下的python.exe。适合刚配深度学习环境、被“装了却 import 不到”折腾过一轮的人，也适合要把实验环境固化下来复现结果的从业者。

2. 装完 Anaconda 先别急着写代码：三个验证动作定生死

安装包双击、下一步、等进度条，这一步几乎没有技术含量，真正决定后面顺不顺的是安装向导最后那两三个勾选框，以及装完之后你用什么方式确认它真的可用了。很多人卡在“明明装完了，命令行里敲 conda 提示不是内部或外部命令”，本质是 PATH 没配或者终端没刷新，跟装没装成功是两回事。

2.1 最后一个页面的勾选框：Add to PATH 到底勾不勾

安装向导末尾通常会出现两个勾选项：一个是安装完成后打开介绍页面/教程页，勾了会拉起浏览器；另一个是Add Anaconda3 to my PATH environment variable，官方默认不勾，并且会附一句红字警告。原文的做法是两个都取消，这个选择对新手是安全的，但要知道代价。

• 不勾 PATH：conda、python这些命令只在 Anaconda Prompt 这个专用终端里有效，系统 CMD 和 PowerShell 里敲不出来。好处是不会顶掉机器上已有的 Python，不会影响别的软件调用系统 Python。
• 勾了 PATH：任何终端都能直接敲conda，但 Anaconda 的路径会排到系统 Python 前面，机器上如果还有别的工具链依赖特定 Python 版本，容易出玄学问题。

我一般会走第一条路，然后在需要的地方显式用 Anaconda Prompt，或者在 PyCharm 里直接指绝对路径的python.exe。如果你的机器是干净的、只跑这一个技术栈，勾上也行，但记住以后排查问题的第一句话永远是“现在这个终端用的是哪个 python”。

另外提醒一点：安装路径不要带中文、不要带空格、不要放在需要管理员权限才能写的目录（比如C:\Program Files）。这不是 Anaconda 一家的毛病，pip 解包、conda 建环境、编译扩展时都可能因为路径里的空格或权限失败，且报错信息通常完全不指向真正原因。

2.2 用 conda list 验证：输出里的四列分别是什么

从开始菜单找到 Anaconda3 文件夹，打开 Anaconda Prompt，敲：

# 列出当前环境里所有已安装的包，能打印出内容就说明 conda 本体可用 conda list

正常输出是四列：Name（包名）、Version（版本号）、Build（构建标识，含 Python 版本和编译器信息）、Channel（来源仓库）。能刷出几十上百行，说明 conda 环境本身是好的——这比“安装成功”的弹窗可靠得多，弹窗只代表安装器退出码为 0，不代表包索引可用。

如果这一步报“conda 不是内部或外部命令”，先别重装，按顺序查三件事：

# 1. 看 conda 的安装信息：base environment 路径、python 版本、平台 conda info # 2. 看当前终端实际调用的是哪个 python，Windows 用 where，macOS/Linux 用 which where python # 3. 直接问解释器自己：它认为自己的可执行文件在哪 python -c "import sys; print(sys.executable)"

conda info里重点看base environment那一行的路径是不是你安装时选的目录，以及python version是否符合预期。where python会按 PATH 顺序列出所有命中项，第一条就是当前生效的那个——如果第一条指向C:\Users\xxx\AppData\Local\Programs\Python\Python39\python.exe而不是 Anaconda 目录，那你后面所有pip install都装到系统 Python 里去了，这就是后面第 5 章要展开的经典翻车点。

sys.executable这条命令看着简单，实际是排查环境问题最高性价比的一招：不管 IDE、终端、Jupyter 还是别人的脚本，只要能让它跑一行代码，就能问出它到底用的是哪个解释器。

2.3 base 环境不要当垃圾场：先建独立环境再装库

装完就往 base 里堆 TensorFlow、Keras、OpenCV，是所有新手教程的通病，也是后期最难收拾的局面。base 环境里有一堆 conda 自带的依赖（比如特定版本的 numpy、protobuf），你pip install一个老版本深度学习框架，pip 为了满足依赖会把 numpy 降级，降完之后 conda 自己的某些工具就坏了，报错指向一个你从没碰过的包。

正确姿势是一开始就分环境。TensorFlow 1.x 这类老框架对 Python 版本卡得很死，更要单独开一个：

# 建一个名为 py37 的环境，指定 Python 3.7（TensorFlow 1.13.x 支持的版本区间） conda create -n py37 python=3.7 -y # 激活它，后续所有 pip/conda 安装都只影响这个环境 conda activate py37 # 确认激活生效：输出的路径应该包含 envs\py37 python -c "import sys; print(sys.executable)"

-n py37是环境名，随便起，但建议带上版本号方便识别；python=3.7是版本约束，conda 会去仓库里找满足约束的最新 3.7.x；-y跳过确认。激活后命令行提示符前面会出现(py37)，这是最直观的环境标识，看不到这个前缀就说明没激活成功，后面装什么都白搭。

建环境这一步多花两分钟，换来的是后面出问题时可以一句conda env remove -n py37推倒重来，而不是在 base 里跟几十个互相冲突的依赖搏斗。血泪经验：能重建的环境才叫环境，不能重建的只能叫遗产。

3. 库安装：pip 与 conda 的分工、镜像源和版本锁

装库这块最容易出现的误解是“pip 和 conda 随便用哪个都行”。两者管的层次不一样，混用会导致依赖树被悄悄改写；另一个高频问题是下载慢、超时，加不加镜像源差别是十分钟和十秒钟的区别。这一章把这三件事拆开讲清楚：谁装什么、从哪下、装哪个版本。

3.1 pip 和 conda 的边界：什么时候用哪个

原文全程用 pip，这对 TensorFlow、Keras、opencv-python 这三个包是对的——它们的官方安装指引优先 pip，conda 仓库里的版本往往滞后。但要记住一条铁律：同一个环境里，不要用 pip 去覆盖一个已经由 conda 安装的包。判断方法很简单，装之前先查：

# 查某个包是 conda 装的还是 pip 装的；Channel 列显示 pypi 的就是 pip 装的 conda list numpy # 只列 pip 安装的包，用来确认环境里有没有 pip 留下的“历史遗留” pip list

如果conda list numpy的 Channel 列是空的或显示defaults/conda-forge，说明这个 numpy 是 conda 装的，此时再pip install numpy==某版本就会把它替换掉，conda 记录的依赖关系随即失真。真需要降级，优先conda install numpy=1.16，让 conda 自己算依赖。

3.2 镜像源：临时 -i 与永久配置两种写法

原文用的是临时指定：pip install 库名 -i https://pypi.tuna.tsinghua.edu.cn/simple。-i是--index-url的缩写，作用是把本次安装的包索引地址换成镜像站，请求走镜像、不走 PyPI 官方源。这个写法适合一次性安装，缺点是每条命令都得带。

# 临时指定镜像源安装 OpenCV 的 Python 绑定 pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple # 装指定版本：用 == 锁死版本号，避免装到不兼容的新版 pip install tensorflow==1.13.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

第一条命令里opencv-python是包名，注意它和import cv2的名字不一致，这是新手最常困惑的点之一；第二条里tensorflow==1.13.1的==是精确匹配，用>=会装到最新版，行为差异巨大。镜像地址只是加速手段，不影响包的完整性校验，但如果你在内网或对来源有要求，换成单位内网源即可。

要长期用，就把它写成配置，之后所有 pip 命令自动走镜像：

# 写入用户级 pip 配置；Windows 落在 %APPDATA%\pip\pip.ini，Linux/macOS 落在 ~/.config/pip/pip.conf pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # 顺便把超时时间调大，大包（如 tensorflow）在内网环境下容易卡在最后几 MB pip config set global.timeout 120 # 验证配置是否写入成功 pip config list

global.index-url影响当前用户的所有 pip 调用，优先级低于命令行-i，所以临时命令依然可以覆盖它。global.timeout单位是秒，默认 15 秒，装几百 MB 的框架时经常不够。测试连通性可以用pip install --dry-run或者干脆装一个小包试试。

3.3 版本锁定：tensorflow==1.13.1 背后的兼容矩阵

原教程明确给了tensorflow==1.13.1，这个版本不是随便挑的：TensorFlow 1.13 系列官方支持 Python 3.5–3.7，装在 3.8 及以上会直接报找不到匹配的发行版（wheel），或者更糟——装上了但 import 时报 DLL 加载失败。所以版本锁定的第一层不是框架本身，而是 Python 解释器版本，这就是 2.3 节要先建py37环境的原因。

第二层是框架的间接依赖。这类老框架对 numpy、protobuf、h5py 的版本区间很窄，而 pip 默认会拉最新版，装完 import 时抛一堆FutureWarning甚至AttributeError。稳妥做法是先钉住几个关键依赖，再装框架：

# 先钉 numpy 到 1.x 的老版本区间，避免 pip 拉最新的 2.x 导致二进制接口不兼容 pip install "numpy<1.17" -i https://pypi.tuna.tsinghua.edu.cn/simple # 再装框架本体，此时 pip 会复用已装好的 numpy，不会二次覆盖 pip install tensorflow==1.13.1 -i https://pypi.tuna.tsinghua.edu.cn/simple # Keras 作为高层 API，版本要和 TensorFlow 对齐；2.2.4 对应 TF 1.13 系列 pip install keras==2.2.4 -i https://pypi.tuna.tsinghua.edu.cn/simple

"numpy<1.17"加引号是为了防止 shell 把<当成重定向符号，Windows CMD 下尤其要注意。Keras 版本和 TensorFlow 版本有对应关系，混搭会出现AttributeError: module 'tensorflow' has no attribute ...这类看着莫名其妙的报错，装之前查一下官方兼容表比出事后再查省时间。

如果是全新项目、不依赖老代码，那就别碰 1.x，直接上新版本，Python 3.10/3.11 配当前稳定版 TensorFlow，省掉一大半兼容性折腾。版本锁定的意义是复现，不是越老越好。

3.4 装完必须验：import 一行比 Successfully installed 可靠

Successfully installed只代表 wheel 解包完成，不代表能 import。二进制包（OpenCV、TensorFlow 都算）在 import 时才真正加载动态库，缺 DLL、ABI 不匹配、依赖版本冲突全在这一刻暴露。所以每装完一个包，立刻验一次：

# 逐个验证并打印版本号；能打印出版本号，才算真装好 python -c "import cv2; print('opencv', cv2.__version__)" python -c "import tensorflow as tf; print('tf', tf.__version__)" python -c "import keras; print('keras', keras.__version__)" # 确认这三个包都落在当前激活环境的 site-packages 里，而不是系统 Python pip show opencv-python tensorflow keras

pip show的输出里有两个字段值得盯：Version和Location。Location应该指向...\envs\py37\Lib\site-packages，如果指向了C:\Users\...\AppData\Roaming\Python或别的路径，说明虽然 import 成功但装错了地方，换环境后会立刻失效。

import tensorflow的输出里如果夹着大量FutureWarning、DeprecationWarning，通常不影响使用，但出现DLL load failed或ImportError: cannot import name ...就是真问题，往下看第 5 章。

4. PyCharm 里指定解释器：从 Settings 到 python.exe 的完整路径

PyCharm 安装本身没什么可讲的，一路默认、最后点 Finish 就行，首次启动的初始化配置（主题、插件推荐）按提示走完。真正决定能不能干活的是下一步：把项目解释器指到 Anaconda 环境里的python.exe。没配之前，PyCharm 用的是它自己或者系统里的 Python，你在 Anaconda 里装的几十个库它一个都看不见。

4.1 三层界面结构：Project Interpreter、Show All、Add

打开File → Settings（macOS 是PyCharm → Preferences），左侧找到Project: 项目名 → Python Interpreter。这个页面分三块：上方是当前解释器的路径下拉框，中间是已安装包的列表，右侧有齿轮图标和+号。原教程描述的“点齿轮 → Show All → 点 + 号”就是这里。

为什么要绕一圈 Show All？因为在多环境场景下，下拉框里往往已经列了一堆历史解释器，直接点+添加的可能是“新建虚拟环境”而不是“使用已有环境”。走 Show All 能看清当前项目已经关联了哪些解释器，避免重复添加同一个路径。

界面路径记不住没关系，记住逻辑：这个页面的唯一使命是告诉 PyCharm“去哪个目录找 python.exe”。后面所有的代码补全、包列表、运行配置都跟着这个路径走。

4.2 Conda Environment 与 System Interpreter：两种加法的区别

点开添加窗口后，左侧会列出几种类型，最常用的是这两种：

• Conda Environment：PyCharm 需要你额外指定 conda 可执行文件的位置，好处是它会在包管理面板里识别出 conda，后续装包可以直接在 IDE 里操作，也能显示环境名。
• System Interpreter：只填python.exe的绝对路径，PyCharm 不管这个解释器是谁建的，用起来更轻，配置项少。

我一般选Conda Environment加 “Existing environment”，路径填到环境目录下的python.exe：

Windows: C:\Users\<用户名>\anaconda3\envs\py37\python.exe macOS: /Users/<用户名>/opt/anaconda3/envs/py37/bin/python Linux: /home/<用户名>/anaconda3/envs/py37/bin/python

注意不要选成anaconda3\python.exe（那是 base 环境），也不要选成anaconda3\envs\py37\Scripts\python.exe（那里放的是脚本，不是解释器本体）。判断方法：选完之后看 PyCharm 包列表里有没有你刚装的 tensorflow、opencv-python，有就对了。

一个项目一个解释器，不要图省事让所有项目共用 base。PyCharm 的解释器是项目级配置，同一个 IDE 窗口里不同项目可以指向不同环境，这正是它比“全局改环境变量”靠谱的地方。

4.3 验证配置生效：让解释器自报家门

配完别急着写业务代码，先跑一个三行的自检脚本，把解释器路径和关键库版本一次性打出来：

import sys # 打印当前解释器的绝对路径，必须和 Anaconda 环境目录下的 python.exe 完全一致 print("executable:", sys.executable) # 打印版本，确认是环境里那个 Python，而不是系统自带的 print("python:", sys.version) # 逐个导入目标库；导入失败会在这里直接抛异常，比在业务代码里炸好定位 import cv2 import tensorflow as tf import keras print("opencv:", cv2.__version__) print("tensorflow:", tf.__version__) print("keras:", keras.__version__)

sys.executable是这套自检的核心，它不撒谎：路径里出现envs\py37说明解释器指对了；如果打印出来是C:\Users\...\AppData\Local\Programs\Python\...，那说明 Settings 里根本没生效，回去检查是不是改错了项目、或者点完 OK 又点成了 Cancel。

另外两个辅助判断点：PyCharm 右下角状态栏会显示当前解释器名（配置成功的话应该能看到类似Python 3.7 (py37)）；Settings 的包列表里应该能直接看到 tensorflow 及其版本号。两处都对上，才算配置完成。

如果sys.executable对了但 import 还是失败，那就不是 IDE 的问题，回到第 5 章按现象排查。

5. 避坑与排查：五条按「现象 → 原因 → 解决」复盘

这一章的五条都是同一个根因的不同变体——你以为在操作 A 环境，实际在操作 B 环境。每条的排查动作都很短，难的是知道该往哪看。

5.1 安装期与激活期的三个坑

坑一：conda 命令找不到

现象：Anaconda Prompt 里一切正常，换到 CMD 或 PowerShell 敲conda就提示“不是内部或外部命令”。

原因：安装时没勾Add to PATH（或者勾了但终端没重启），conda 的路径没进当前会话的环境变量。

解决：优先用 Anaconda Prompt；必须在别的终端用，就手动进anaconda3\Scripts目录执行activate，或者临时set PATH=%PATH%;C:\Users\<用户名>\anaconda3\Scripts。别为了省事去改系统环境变量，改完容易影响机器上其他 Python 工具。

坑二：激活了环境但装到了 base

现象：conda activate py37执行了，pip install也显示成功，但新开一个终端conda list里找不到这个包。

原因：激活失败但没报错，或者 pip 本身被指向了别的解释器（比如系统里装过独立的 Python，pip命令对应的是它）。

解决：装之前先跑python -c "import sys; print(sys.executable)"，确认路径里带envs\py37；更保险的是直接用python -m pip install 包名，强制用当前解释器自带的 pip，绕开 PATH 里那个来路不明的 pip。

坑三：中文路径或空格导致安装中断

现象：pip 下载完成后解包阶段报PermissionError或路径相关的OSError，重试多次都在同一位置失败。

原因：Anaconda 安装在带空格或中文的目录下，部分包的安装脚本对路径处理不严谨；或者目录权限不足，pip 缓存目录不可写。

解决：换到纯英文无空格路径重装 Anaconda（比如D:\anaconda3），这一步没有捷径。临时绕过可以加--no-cache-dir跳过缓存，但要根治还是得挪目录。

5.2 运行期 import 失败的两条线

坑四：conda list 里有，PyCharm 里 import 不到

现象：Anaconda Prompt 里python -c "import tensorflow"正常，PyCharm 里同一个文件跑起来报ModuleNotFoundError。

原因：IDE 的解释器和终端里的不是同一个。终端在py37环境，PyCharm 还指着 base 或系统 Python。

解决：按 4.3 节跑自检脚本，比对sys.executable。九成情况是当初配解释器时选成了anaconda3\python.exe（base），改成envs\py37\python.exe即可。改完记得重启运行配置，PyCharm 有些缓存不会立刻刷新。

坑五：装上了但 import 报 DLL load failed

现象：pip install tensorflow==1.13.1显示成功，import tensorflow抛ImportError: DLL load failed while importing ...。

原因：Python 版本不匹配（在 3.8+ 里装了只支持 3.7 的 wheel），或者 numpy、protobuf 被其他包升到了不兼容的大版本。

解决：先确认 Python 版本在框架支持区间内，这一步不对后面全白搭；版本对了就按 3.3 节把 numpy 钉回<1.17再重装框架。还不行就pip install --force-reinstall --no-deps tensorflow==1.13.1，跳过依赖解析强制重装，然后再单独补齐缺失的依赖——--no-deps是后悔药，只在明确知道缺什么的时候用。

6. 进阶：把环境写成文件，别让配置只活在脑子里

配好一套能跑的环境之后，最该做的一件事是把它导出成文本。理由很实在：环境会坏，机器会换，同事要复现。我在吃过一次“本地能跑、换台机器装三天”的亏之后，现在每个项目根目录必放一份环境描述文件。

6.1 conda env export 与 pip freeze 的取舍

两个命令都能导出依赖，但粒度不同。conda env export > environment.yml会把 conda 装的包连同 channel、build 号一起写进去，跨平台还原最准，但文件里可能混着上百个间接依赖；pip freeze > requirements.txt只记 pip 装的包和精确版本，干净但不管非 Python 依赖。

# 导出完整环境（含 conda 管理的底层依赖），适合内部复现 conda env export -n py37 > environment.yml # 只导出 pip 层依赖，适合给 CI 或 Docker 用，文件更小更可控 pip freeze > requirements.txt # 从文件还原：先建环境再装依赖 conda env create -f environment.yml

-n py37指定导出的环境名，不指定就是当前激活的那个。还原时conda env create -f会按 yml 里的名字新建环境，如果同名已存在会报错，先conda env remove -n 旧名再建。

我的习惯是两份都留：environment.yml给内部同事一键还原，requirements.txt给部署侧，并且在后者里手动删掉tensorflow之外那些被顺带装上的gast、astor之类——它们由框架自己管，钉死反而容易冲突。

6.2 一个最小体检脚本

环境配好之后，我把 4.3 节那段自检固化成了一个check_env.py，每次换机器、换解释器、升级依赖之后都跑一遍，输出解释器路径、版本和关键库版本。它的价值不在于代码多高级，而在于把“我感觉配好了”变成“我确认配好了”。

真出问题时，这个脚本的输出就是最好的排查起点：路径不对说明解释器选错，版本不对说明装错环境，导入失败说明依赖冲突——三种情况对应三种完全不同的修法，比对着报错猜快得多。

从那以后我每次新建项目，第一件事不是写main.py，而是先把解释器路径、sys.executable和关键库版本验一遍，跑通再动手。这套动作花不到两分钟，能省掉后面几个小时的“明明装了却 import 不到”。希望帮到你。

本文还有配套的精品资源，点击获取