简介：这份资源面向深度学习初学者与需要配置 PyTorch 开发环境的学生、开发者，聚焦于在 Anaconda 中新建独立虚拟环境来搭建深度学习框架，避免直接在 base 环境中安装导致的库冲突问题。压缩包内共 1 个 docx 文档，约 170KB，以图文笔记形式整理环境配置的关键环节，便于边看边操作。内容涉及 conda 新建与激活环境命令、显卡驱动版本查看、CUDA 与 cuDNN 版本匹配思路，以及 PyTorch、Torchvision 的版本选择与安装命令，还给出国内镜像源地址用于加速下载，并演示了导入 torch、查看版本与检测 GPU 是否可用的验证方法。目前已有 1609 人学习下载，适合希望快速跑通 PyTorch 环境、减少版本踩坑的读者参考。

1. 为什么我劝你别在 base 环境里装 PyTorch

刚接触深度学习那会儿，我也图省事，直接在 Anaconda 的 base 环境里pip install torch。结果三个月后，一个做图像分割的项目需要 PyTorch 1.7 + CUDA 11.0，另一个做 NLP 的 Demo 又依赖 TensorFlow 1.5，两个框架的 numpy 版本互相打架，base 环境直接崩了，重装 Anaconda 花了我一整个下午。从那以后，我给自己定了一条死规矩：任何深度学习框架，一律新建独立虚拟环境。

这份资源要解决的，就是「PyTorch 深度学习虚拟环境搭建」这件事——从 Anaconda 建环境、装 CUDA/cuDNN、选对 PyTorch 版本，到验证 GPU 是否真的可用。它适合刚入门深度学习、准备跑第一个训练脚本的开发者，也适合手里有多套代码、被依赖冲突折磨过的老手。核心逻辑只有一句话：环境隔离是底线，版本匹配是关键，验证 GPU 是最后一道关。

2. 用 conda 建一个干净的 PyTorch 环境：命令、参数与目录结构

2.1 为什么不复用 base，也不建议用 venv

Anaconda 的 base 环境里预装了 numpy、scipy、jupyter 等一大堆包，看起来方便，实际上是隐患。深度学习框架对 numpy、protobuf、h5py 这些底层库的版本极其敏感，base 里预装的版本往往和你需要的框架版本对不上。一旦你在 base 里pip install覆盖了某个包，jupyter 可能就打不开了，conda 自身的依赖也可能被破坏。

那用 Python 自带的venv行不行？对于纯 CPU 的轻量项目可以，但深度学习场景下不推荐。原因有两个：一是venv只管 Python 包，管不了 CUDA 工具链这种非 Python 依赖；二是 conda 可以同时管理 Python 版本和二进制依赖，装 PyTorch 时能自动拉取匹配的 cudatoolkit，省去手动配环境变量的麻烦。常见做法是：深度学习用 conda 建环境，纯 Web 开发用 venv。

2.2 新建环境的完整命令与参数拆解

打开 Anaconda Prompt（Windows）或终端（Linux/macOS），执行下面这条命令：

# 新建一个名为 pytorch 的环境，指定 Python 3.8 # -n 后面跟环境名，python= 后面跟版本号 conda create -n pytorch python=3.8

这里有几个参数值得说清楚：

• -n pytorch：-n是--name的缩写，指定环境名称。名字建议用pytorch、torch17这种能看出用途的，别用env1、test，过两个月你自己都忘了是干嘛的。
• python=3.8：指定 Python 版本。PyTorch 1.7 官方支持 Python 3.6～3.8，选 3.8 是比较稳的。如果你装的是更新的 PyTorch，可以选 3.9 或 3.10，但要注意有些老代码在 3.10 上会有语法兼容问题。
• 不加python=的话，conda 会用默认版本，可能和你需要的框架不匹配，所以强烈建议显式指定。

执行过程中 conda 会列出将要安装的包，输入y确认。装完后激活环境：

# 激活刚建好的环境 conda activate pytorch # 确认当前 Python 版本和路径 python --version which python # Windows 上用 where python

激活后命令行提示符前面会出现(pytorch)，说明你已经进入这个独立环境了。以后在 PyCharm 里配置解释器时，就指向这个环境的 python.exe，路径一般在Anaconda安装目录/envs/pytorch/python.exe。

提示：如果你用的是 Windows 且conda activate报错，先执行conda init然后重开终端。这是 conda 4.6 以后的一个常见初始化问题。

2.3 环境目录里到底放了什么

建完环境后，你可以到Anaconda安装目录/envs/pytorch/下面看一眼。里面会有Lib/site-packages（存放所有 pip 和 conda 装的包）、python.exe（该环境独立的解释器）、Scripts（可执行脚本）。每个环境都是这样一套完整的目录，互不干扰。这也是为什么环境隔离能解决问题——你在这个环境里升级 numpy，另一个环境里的 numpy 纹丝不动。

3. CUDA 与 cuDNN 版本怎么选：从显卡驱动倒推

3.1 先查驱动版本，再决定 CUDA 上限

很多人装 CUDA 的顺序是错的：先下载最新版 CUDA，装完发现显卡驱动不支持，又回头折腾驱动。正确的顺序是从显卡驱动倒推。

在 Windows 上，右键桌面 → NVIDIA 控制面板 → 帮助 → 系统信息 → 组件，可以看到「NVIDIA 驱动程序版本」和「CUDA 版本」两行。这里的 CUDA 版本是驱动最高支持的 CUDA 版本，不是你已经安装的版本。比如显示 CUDA 11.2，意味着你可以装 11.2 及以下的 CUDA，装 11.3 就可能出问题。

Linux 下用命令查：

# 查看显卡驱动版本和支持的最高 CUDA 版本 nvidia-smi

输出右上角会显示CUDA Version: 11.2这样的字样。记住这个数字，它是你的天花板。

3.2 CUDA 11.0 + cuDNN 8.0 的匹配逻辑

原始项目里选的是 CUDA 11.0 + cuDNN 8.0 + PyTorch 1.7.0 + torchvision 0.8.1。这个组合在 2020 年底到 2021 年初是主流配置，现在虽然偏老，但很多实验室的旧代码和预训练模型还锁在这个版本上。

选 CUDA 11.0 的理由是：驱动支持 11.2，11.0 在支持范围内且比 11.2 更成熟，第三方库的兼容性更好。cuDNN 必须和 CUDA 版本对应，CUDA 11.0 对应 cuDNN 8.0.x，装错了会导致 PyTorch 找不到 cuDNN 库。

下载 CUDA 和 cuDNN 时注意：

cuDNN 的安装方式是把解压后的bin、include、lib三个文件夹里的内容，分别复制到 CUDA 安装目录的对应文件夹里。这一步容易漏，漏了的话torch.cuda.is_available()会返回 False。

注意：CUDA 安装时如果提示「Visual Studio Integration」失败，可以忽略，那个组件是给 C++ 开发用的，不影响 PyTorch。

3.3 用 conda 装 cudatoolkit 的替代方案

如果你不想手动装 CUDA 和 cuDNN，conda 提供了一个更省事的方案：在环境里直接装cudatoolkit。PyTorch 官方 conda 命令里通常已经包含了这个依赖，比如：

# 用 conda 安装 PyTorch 1.7.0 + CUDA 11.0 的组合 conda install pytorch==1.7.0 torchvision==0.8.1 torchaudio==0.7.0 cudatoolkit=11.0 -c pytorch

这样 conda 会自动帮你处理好 CUDA 运行时库，不需要单独装 CUDA Toolkit 和 cuDNN。缺点是 conda 的 cudatoolkit 只包含运行时，不包含 nvcc 编译器，如果你需要编译自定义 CUDA 算子，还是得装完整的 CUDA Toolkit。常见做法是：纯跑模型用 conda 装 cudatoolkit，要编译扩展就手动装完整 CUDA。

4. 安装 PyTorch 与验证 GPU：命令、镜像源与排错

4.1 从官网复制安装命令的正确姿势

PyTorch 官网的 previous-versions 页面列出了所有历史版本的安装命令。找到 1.7.0 对应的 CUDA 11.0 那一行，复制 conda 或 pip 命令。以 pip 为例：

# 安装 PyTorch 1.7.0 + torchvision 0.8.1，CUDA 11.0 版本 pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio==0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

注意+cu110这个后缀，它表示这个 wheel 包是编译了 CUDA 11.0 支持的。如果你装的是不带后缀的版本，那就是 CPU 版，torch.cuda.is_available()会返回 False。这是新手最容易踩的坑之一。

4.2 国内镜像源加速与注意事项

PyTorch 官方源在国内下载速度可能很慢，可以换国内镜像源。但要注意：镜像源同步的包可能不全，尤其是带+cu110这种后缀的 CUDA 版本。如果镜像源里找不到对应版本，还是得回官方源。

常用的镜像源：

# 临时使用清华源安装普通包 pip install tensorflow==1.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple # 永久配置清华源 pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

可选的镜像源还有阿里云、中科大、豆瓣等。但装 PyTorch CUDA 版时，我一般还是用官方源加-f参数指定 wheel 索引页，因为镜像源对 CUDA 版本的支持不稳定。

4.3 验证脚本：三行代码确认环境是否可用

装完后必须验证。在激活的 pytorch 环境里执行：

# 启动 Python 解释器后逐行输入 import torch # 导入 PyTorch print(torch.__version__) # 输出 PyTorch 版本，应为 1.7.0+cu110 print(torch.cuda.is_available()) # 输出 True 表示 GPU 可用 print(torch.cuda.get_device_name(0)) # 输出显卡型号

如果torch.cuda.is_available()返回 False，按以下顺序排查：

1. 确认装的是 CUDA 版而不是 CPU 版（看版本号有没有+cu110）。
2. 确认 CUDA 和 cuDNN 装好了，且 cuDNN 的文件复制到了正确位置。
3. 确认显卡驱动版本支持所装的 CUDA 版本。
4. 在命令行执行nvidia-smi，看能否正常输出显卡信息。

4.4 在 PyCharm 里绑定这个环境

PyCharm 新建项目时，解释器选择「Existing interpreter」，然后指向Anaconda安装目录/envs/pytorch/python.exe。绑定后，PyCharm 右下角会显示当前环境名，运行脚本时用的就是这个环境里的包。如果你在 PyCharm 里装包，注意看它用的是不是这个环境的 pip，别装到 base 里去了。

5. 避坑指南：五个让我重装过环境的血泪教训

5.1 坑一：pip 和 conda 混用导致依赖冲突

现象：在 conda 环境里用 pip 装了 PyTorch，又用 conda 装了另一个包，结果 conda 把 PyTorch 的依赖降级了，GPU 不可用。

原因：conda 和 pip 各自维护一套依赖解析逻辑，conda 不知道 pip 装了什么，pip 也不管 conda 的包。混用时容易互相覆盖。

解决：一个环境里尽量只用一种包管理器。装 PyTorch 用 conda 命令就全程 conda，用 pip 就全程 pip。如果必须混用，先用 conda 装完所有 conda 包，最后再用 pip 装 conda 里没有的包。

5.2 坑二：CUDA 版本和 PyTorch 版本不匹配

现象：torch.cuda.is_available()返回 False，或者 import torch 时报undefined symbol错误。

原因：装的是 CUDA 11.0 的 PyTorch，但系统里装的是 CUDA 10.2，或者反过来。

解决：用conda list查看环境里 cudatoolkit 的版本，用nvcc --version查看系统 CUDA 版本，确保两者一致。不一致就重装对应版本的 PyTorch。

5.3 坑三：cuDNN 文件没复制全

现象：PyTorch 能 import，但一跑 GPU 运算就报cuDNN error。

原因：cuDNN 解压后有三个文件夹，只复制了bin里的 dll，忘了复制include和lib。

解决：重新解压 cuDNN，把bin、include、lib三个文件夹的内容分别复制到 CUDA 安装目录的同名文件夹里。复制时选「合并」而不是「替换」。

5.4 坑四：Python 版本选太高导致老代码跑不了

现象：环境建好了，PyTorch 也装上了，但跑项目代码时报语法错误或某个包没有对应版本的 wheel。

原因：选了 Python 3.10 或 3.11，但项目依赖的某个老包只支持到 3.8。

解决：建环境前先看项目requirements.txt或setup.py里有没有 Python 版本限制。没有明确要求的话，深度学习项目选 3.8 是最稳妥的。

5.5 坑五：忘了激活环境就直接装包

现象：装完 PyTorch 后，在 PyCharm 里跑代码提示No module named 'torch'。

原因：装包时没激活 pytorch 环境，装到 base 里去了。

解决：养成习惯，打开终端第一件事就是conda activate pytorch，看到提示符前面有(pytorch)再执行安装命令。装完后用pip show torch确认安装位置在 pytorch 环境的 site-packages 下。

6. 多环境管理与环境迁移的实用技巧

当你手里同时有三四个项目时，环境管理就成了一门必修课。我一般会遵循几个习惯：每个项目一个环境，环境名带项目缩写和框架版本，比如seg-torch17、nlp-tf15。这样一看名字就知道该激活哪个。

查看所有环境用conda env list，删除不用的环境用conda env remove -n 环境名。导出环境配置用conda env export > environment.yml，别人拿到这个文件后执行conda env create -f environment.yml就能复现一模一样的环境。但要注意，environment.yml里会包含本地路径和 pip 装的包，跨平台迁移时可能需要手动调整。

还有一个技巧是给环境瘦身。conda 环境用久了会积累很多缓存和无用包，执行conda clean --all可以清理下载缓存，conda list --revisions可以查看环境的历史版本，必要时用conda install --revision N回滚到某个状态。这相当于给环境装了个后悔药，装错包导致环境崩了可以快速恢复。

最后说一个验证环境是否真的独立的办法：在两个环境里分别执行python -c "import numpy; print(numpy.__version__)"，如果输出的版本号不同，说明隔离生效了。如果相同，检查一下是不是两个环境指向了同一个 site-packages。

从那以后我每次新建环境，都会先跑一遍conda env list确认环境建好了，再激活、装包、验证 GPU，最后才打开 PyCharm 写代码。这套流程走下来多花五分钟，但能省掉后面几个小时的排错时间。希望帮到你。

本文还有配套的精品资源，点击获取