从零搭建AI开发环境配置教程：CPU/GPU/M芯片多平台避坑指南

时间：2026-08-17 11:15

针对CPU、NVIDIA显卡、苹果M芯片等主流硬件平台，提供从零搭建AI开发环境的完整指南，涵盖Anaconda安装、CUDA+cuDNN配置、PyTorch TensorFlow部署及常见问题排查，并包含环境变量配置、虚拟环境创建、依赖包管理等详细步骤，帮助新手一次性完成环境搭建，避免重复踩坑。

引言
一、前期准备：先搞清楚自己有什么硬件，走哪条路
二、第一步：安装Anaconda（所有平台通用核心步骤）
三、核心步骤：配置CUDA+cuDNN（ NVIDIA显卡用户必看）
四、安装深度学习框架：PyTorch和TensorFlow
五、安装常用开发工具
六、常见问题排查：这些年踩过的坑，一次性帮你填平
七、跑通第一个测试项目：验证环境完全可用
总结

回想起来，当年自己刚入门时，光是搭个开发环境，前前后后折腾了三天。CUDA版本不对、PyTorch死活认不出GPU、conda命令找不到、包下载到一半就超时……各种问题像多米诺骨&牌一样倒下来，差点就想把电脑砸了，怀疑自己是不是根本吃不了这碗饭。

后来请教了公司的前辈，才发现这些几乎都是新手必然会踩的“共性坑”。只是没人把这些坑提前画出来，大家都是各自在黑暗里摸索。如今看着身边的朋友们入门，第一关还是环境搭建，踩的坑跟我当年如出一辙。所以干脆把这份最全的教程整理出来，把所有的细节和经验都写进去。无论你是Windows、Linux还是Mac的M系列芯片用户，跟着这份指南，就能一次性把环境搭好，省去四处搜教程试错的时间。

那么，为什么一定要自己搭本地环境？很多新手一开始图省事，用Colab或Kaggle的在线环境。不可否认，它们确实免去了搭建环节，但缺点也很明显：数据上传下载限速，几个G的数据集根本传不动；代码调试打断点很不方便；跑大模型时，免费版还会限制时长，动不动就断开。本地环境搭建好后，开发调试都得心应手，数据存在自己电脑里也更安全。这步是入门AI开发必须跨过的坎，早搭早省心。

一、前期准备：先搞清楚自己有什么硬件，走哪条路

很多人上来就埋头开装，结果装到一半发现自己的硬件根本不支持，白白忙活半天。所以第一步，我们先理清自己手上的设备，选择对应的配置路线。

1.1 你需要什么样的硬件？

AI开发大致分两类：学习和做项目，对硬件的需求差异很大：

纯入门学习阶段： 哪怕只有核显，CPU也完全能跑。像MNIST手写数字识别、线性回归这类小项目，CPU跑起来也就几十秒，完全不影响学习。当初我用一台四年前的老笔记本，i5的CPU，照样把基础算法都练了一遍。
做项目 / 训练模型： 如果有条件，一定要上NVIDIA独立显卡。GPU对深度学习的加速是质的飞跃。同样训练一个分类网络，CPU可能要跑一个小时，一张3060显卡五分钟就搞定了，体验天差地别。这里给大家一个入门显卡的参考：显存至少4G，跑小项目没问题；要跑10亿参数以内的大模型，至少需要8G；想本地推理7B量级的大模型，则至少需要16G。当然，显存越大越好。
AMD显卡用户： 目前AMD对深度学习的支持确实比较拉胯。ROCm主要面向数据中心的专业卡，消费级显卡的支持很差，坑很多。如果你是新手，建议先装CPU版本凑合用，等以后有条件再换N卡。不必死磕GPU支持，太浪费时间。
苹果M系列芯片用户： M1/M2/M3芯片都有原生的加速支持。苹果的Metal框架对PyTorch的优化已经非常成熟，速度比同价位的Intel CPU快很多。日常做小项目、跑大模型推理完全够用。目前对TensorFlow的支持不如PyTorch，但大部分入门学习场景都足够了。

1.2 核心概念扫盲：别还没开始就被名词吓住

很多教程一上来就堆砌名词，新手看得头大。这里用大白话把几个核心概念讲清楚，不用刻意去记，先有个印象：

Anaconda： 一个Python环境管理工具。可以把它理解成一个“AI环境收纳箱”。不同项目需要不同版本的Python和框架，用Anaconda可以给每个项目建一个独立的“房间”，互不干扰。这样就不会出现“A项目要Python3.8，B项目要Python3.10，两个打架把整个系统搞崩”的情况。AI开发几乎人手一个，比直接用系统Python方便一百倍。
CUDA： NVIDIA为自家GPU开发的并行计算框架。深度学习框架就是基于CUDA来调用GPU进行加速的。简单来说，没有CUDA，你的NVIDIA显卡就没法用来加速AI训练。
cuDNN： NVIDIA开发的深度神经网络加速库，是CUDA的一个插件。它专门为卷积神经网络等常用操作做了深度优化。装完CUDA后必须再装上cuDNN，才能让框架充分发挥GPU的性能。
PyTorch / TensorFlow： 目前最主流的两大深度学习框架。你写模型、训练模型都要基于它们之一。入门的话，强烈推荐先学PyTorch。它的语法更简单，调试更方便，现在业界的实际应用也更广泛。
虚拟环境： 刚才提到了，就是隔离开的独立Python环境。不同环境的包互不影响。一定要养成用虚拟环境的习惯，千万别把所有项目都装在base环境里。用上半年你会发现环境已经乱到根本没法用。

二、第一步：安装Anaconda（所有平台通用核心步骤）

无论你是什么平台，第一个要装的就是Anaconda，这是整个环境的基础。

2.1 下载安装包

直接访问Anaconda官网，网站会自动识别你的操作系统，下载对应版本的安装包就行。

2.2 分平台安装步骤

（1）Windows平台安装

双击安装包，一路点“Next”即可。
接着是许可协议，点“I Agree”。
选择安装用户，一般选“Just Me”即可。
重点！重点！重点！ 这里是我当年踩的第一个大坑：选择安装路径时，一定不要装在C盘，也一定不要使用中文路径！ 当年我把Anaconda装在了“C:\用户\张三\软件\Anaconda”这个路径里，全是中文，后来装包时各种乱码报错，搞了一整天才定位到问题。建议大家直接装到D盘或E盘，新建一个全英文的路径，比如 D:\dev\Anaconda3，用这个准没错。
最重要的一步： 在Advanced Installation Options这里，第一个选项是 “Add Anaconda to my PATH environment variable”，一定要勾上！ 很多教程说不要勾，怕和系统Python冲突，其实根本没事。勾上之后，打开cmd就能直接用conda命令，省去手动添加环境变量的麻烦。新手搞不懂环境变量，我就是当年没勾，打开cmd就是“conda不是内部或外部命令”，折腾了一下午。所以听我的，直接勾上。第二个选项“Register Anaconda as my default Python”也勾上，没问题。
点“Install”，等待安装完成。

（2）Linux平台安装（以Ubuntu为例）

很多开发者会在服务器上使用Linux系统，这里也写清楚步骤：

打开终端，进入下载目录，比如 cd ~/Downloads。
给安装包加执行权限：chmod +x Anaconda3-xxxx-Linux-x86_64.sh，文件名中的xxxx是版本号，输入 Anaconda3 后按Tab键可以自动补全。
运行安装脚本：bash ./Anaconda3-xxxx-Linux-x86_64.sh。
一路按回车阅读协议，看到询问 yes/no 时，输入 yes 回车。
选择安装路径，默认安装在当前用户的根目录下的 anaconda3。如果想改路径，输入一个全英文的路径即可。
重点： 安装快结束时，会询问 “Do you wish the installer to initialize Anaconda3 by running conda init?”，一定要输入 yes 回车。这样会自动把conda添加到PATH里。
安装完成后，刷新环境变量：source ~/.bashrc（如果是zsh，则用 source ~/.zshrc）。

（3）MacOS平台安装（Intel/M芯片通用）

Mac的安装很简单。下载dmg安装包后，双击打开，一路“下一步”就行。同样注意不要用中文路径。安装完成后，打开终端，输入 conda -V，如果输出版本号，就说明安装成功了。

2.3 换源：解决下载慢、超时的问题

Anaconda默认的源在国外，国内下载速度经常只有几KB，动不动就超时。所以一定要换成国内的镜像源。一直用清华源，速度稳定。步骤通用：

打开终端（Windows打开Anaconda Prompt，Mac/Linux直接开终端），输入 conda config --set show_channel_urls yes 回车。这会生成一个配置文件 .condarc。
找到这个文件：
- Windows： 文件在 C:\用户\你的用户名\.condarc，用记事本打开就行。
- Linux/Mac： 在当前用户根目录下，输入 vim ~/.condarc 即可打开。
把里面的内容全部删掉，替换成清华源的配置：

channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/github-ctan//conda-forge
  msys2: https://mirrors.tuna.tsinghua.edu.cn/github-ctan//msys2
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/github-ctan//bioconda
  menpo: https://mirrors.tuna.tsinghua.edu.cn/github-ctan//menpo
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/github-ctan//pytorch

保存退出后，输入 conda clean -i 清除索引缓存，换源完成。

注意，pip也要换源。因为很多包conda源里没有，需要用pip装。同样换成清华源：

Windows： 在当前用户目录（C:\用户\用户名）下，新建一个文件夹叫 pip，在里面新建一个文件叫 pip.ini，写入以下内容：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host = pypi.tuna.tsinghua.edu.cn

Linux/Mac： 在当前用户根目录新建 ~/.pip/pip.conf，内容同上。

换完源之后，下载速度基本能跑满你的带宽，再也不用担心中途超时了。

2.4 创建AI专用虚拟环境

换源完成后，创建一个专门用于AI开发的虚拟环境。这里推荐使用Python 3.10版本。为什么选3.10？因为目前几乎所有主流AI框架都完美支持它。太新的3.11、3.12还有很多包没适配，太老的3.7、3.8很多新框架已经不维护了。所以3.10是对新手最友好的版本，闭着眼选不会错。

创建命令：

conda create -n ai python=3.10

输入后，conda会列出要装的包，询问你yes/no，输入 y 回车，等待创建完成即可。

创建完成后，激活环境：

conda activate ai

激活后，你会看到终端前面多了一个 (ai) 的前缀，说明你已经在这个虚拟环境里了。后续所有的安装操作都在这环境里进行，不会影响其他环境。如果以后不需要这个环境了，可以用 conda remove -n ai --all 命令删除，非常方便。

三、核心步骤：配置CUDA+cuDNN（ NVIDIA显卡用户必看）

这部分是新手最容易踩坑的地方，一步步给你写清楚要注意什么。

首先记住一个核心对应关系：你的NVIDIA驱动版本 ≥ CUDA版本 ≥ 你安装的PyTorch/TensorFlow编译时使用的CUDA版本。三者必须对应，否则无法使用GPU。这里整理了一个常用框架版本的对应表，直接对照着选就行：

PyTorch版本	推荐CUDA版本	支持Python版本	TensorFlow版本	推荐CUDA版本
2.0.x	11.7 / 11.8	3.8-3.11	2.15.x	12.2
2.1.x	12.1	3.8-3.12	2.16.x	12.3
2.2.x	12.1	3.8-3.12	2.17.x	12.3

新手可以直接选择CUDA 11.8或12.1。个人角度推荐CUDA 11.8，因为它的兼容性更好，很多旧项目也能用。

3.1 第一步：安装NVIDIA驱动

首先需要装NVIDIA驱动。很多人以为装CUDA时会自动装驱动，其实手动安装最新的官方驱动更稳定。

Windows用户： 打开NVIDIA驱动下载官网，输入你的显卡型号，搜索后下载最新的Game Ready驱动。安装时一路“下一步”就行，安装完成后重启电脑。

装完驱动后，打开cmd输入 nvidia-smi，如果能输出你的显卡信息和驱动版本，就说明驱动装对了。注意看第一行右边的 CUDA Version，那个是你的驱动支持的最高CUDA版本。只要你要装的CUDA版本低于这个数，就没问题。比如输出是12.2，那装11.8或12.1都可以。

Linux服务器用户： 一般服务器装驱动比较麻烦。如果是新买的云服务器，自带的镜像可能就有驱动和CUDA。可以先输入 nvidia-smi 看看。能出结果就说明已经装好了；出不来，再自己装。这里不展开服务器装驱动的具体步骤了，一般买GPU服务器时，直接选带AI环境的镜像，能省很多事。

3.2 第二步：安装CUDA Toolkit

驱动装好后，接下来安装CUDA Toolkit。前往CUDA官网下载，选择你需要的版本（比如11.8），然后选择对应你操作系统的版本。

Windows安装步骤：

双击打开安装包，第一步会让你选解压路径，默认就好，点OK。
进入安装向导后，选择“自定义（高级）”安装。

重点： 如果已经装了NVIDIA驱动，请务必把“CUDA”下面的“Display Driver”的勾去掉！不要重复装驱动，否则可能出问题。其他保持默认勾选即可。

选择安装路径，默认装在C盘的 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8 就行，不用改。
点下一步安装，等待完成。
安装完成后，检查环境变量。右键“此电脑” → “属性” → “高级系统设置” → “环境变量”。在系统变量的 Path 中，检查是否有以下两个路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin 和 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\libnvvp。一般会自动添加，如果没有就手动添加上。

验证CUDA安装成功：打开cmd，输入 nvcc -V，会输出版本信息。

Linux安装步骤：

同样在官网下载run文件安装：

给run文件加权限：chmod +x cuda_11.8.0_520.61.05_linux.run
运行安装：sudo ./cuda_11.8.0_520.61.05_linux.run
加载完成后，输入 accept 回车，同意协议。
在选项里，如果已经装了驱动，用方向键把 Driver 那一行的X取消掉，然后选中 Install 回车。
安装完成后，添加环境变量。打开 ~/.bashrc（zsh则是 ~/.zshrc），在最后添加：

export PATH=/usr/local/cuda-11.8/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-11.8/lib64:$LD_LIBRARY_PATH

保存退出后，执行 source ~/.bashrc，再输入 nvcc -V 验证。

3.3 第三步：安装cuDNN

cuDNN的安装其实很简单，就是把几个文件复制到CUDA的安装目录里。很多新手以为要单独安装，其实不用：

去NVIDIA cuDNN官网下载，注意要下载和你CUDA版本对应的cuDNN。比如你装的是CUDA11.8，就下载对应 cuDNN for CUDA 11.x 的版本，选最新的稳定版就行。
下载下来是一个压缩包，解压后里面有 bin、include、lib 三个文件夹。
把这三个文件夹复制到你的CUDA安装根目录，直接合并即可：
- Windows： CUDA根目录是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8，粘贴进去，提示重复文件就选择替换，搞定。
- Linux： 用命令复制：sudo cp include/cudnn*.h /usr/local/cuda-11.8/include，然后 sudo cp lib64/libcudnn* /usr/local/cuda-11.8/lib64，搞定。

到这一步，CUDA+cuDNN就算全部装好了，接下来就可以装深度学习框架了。

四、安装深度学习框架：PyTorch和TensorFlow

4.1 安装PyTorch（推荐新手优先装这个）

首先激活之前创建的ai环境：conda activate ai。

然后分情况来看安装命令：

（1）NVIDIA GPU用户（Windows/Linux）

打开PyTorch官网，选择你对应的版本：

PyTorch Build选 Stable（稳定版）
Your OS选你对应的系统
Package选 Conda
Language选 Python
CUDA选你装好的CUDA版本，比如11.8或12.1

下面会自动生成安装命令，直接复制到终端运行即可。比如CUDA 11.8的命令是：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

复制运行，等待完成。

（2）CPU Only用户（没有NVIDIA显卡）

在官网选择 CPU，生成命令后直接安装：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

（3）苹果M系列芯片用户

M芯片的PyTorch稳定版已原生支持，直接用这个命令：

conda install pytorch torchvision torchaudio -c pytorch

它会自动适配M芯片的Metal加速。

4.2 验证PyTorch安装是否成功

装完之后，来验证一下。在激活的ai环境下输入 python，进入Python交互环境，然后输入：

import torch
print(torch.__version__)

# NVIDIA用户看这个
print(torch.cuda.is_a vailable())

# M芯片用户看这个
print(torch.backends.mps.is_a vailable())

看看输出：

NVIDIA用户： 如果输出 True，恭喜，安装成功，GPU可以用了！如果输出 False，别慌，后面的常见问题排查部分会帮你一步步找到原因。
M芯片用户： 输出 True 就是成功，MPS加速已就绪。
CPU用户： 只要能正常 import，并输出版本号，就是成功。

4.3 安装TensorFlow（需要才装，入门可以先跳过）

如果你需要安装TensorFlow：

NVIDIA GPU用户： 直接用pip安装对应版本的TensorFlow，比如装2.15版本：

pip install tensorflow==2.15.0

验证方式：进入Python，运行：

import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices('GPU'))

能输出GPU信息就是成功。

M芯片用户： TensorFlow对M芯片的支持不如PyTorch，需要安装专门的苹果版本，入门阶段用PyTorch完全足够。

五、安装常用开发工具

框架装好后，接下来安装开发工具，写代码、调试都会用到。

5.1 VS Code：最常用的代码编辑器

新手朋友建议用VS Code。免费、开源、插件丰富、体积小，用起来很舒服。下载地址是VS Code官网，下载对应系统的版本，一路下一步安装即可。

装完VS Code后，有几个插件是必须装的。打开扩展商店，搜索并安装：

Python： 微软官方的Python插件，提供语法高亮、代码提示、调试支持，必须装。
Pylance： 配合Python插件，提供更快的代码提示，必装。
Jupyter： AI开发常用Jupyter Notebook来写测试代码、跑小实验。这个插件让你直接在VS Code里打开并运行Notebook，非常方便，必装。
Code Spell Checker： 拼写检查，写代码、写注释时帮你避免拼错单词，很实用。
GitLens： 如果你用Git管理代码，这个插件能显示每一行代码是谁改的、什么时候改的，非常方便。

装完插件后，需配置一下VS Code的Python解释器。打开一个.py文件，点击右下角的Python版本，选择刚才创建的 ai 环境的Python解释器。这样VS Code就会用ai环境的Python来运行代码，不会用错。

如果你习惯用PyCharm也可以，社区版免费，足够AI开发用。专业版学生可以凭学生证免费申请，功能更全。看个人习惯，小项目用VS Code，大项目用PyCharm，都挺好用。

5.2 Git：代码版本管理工具

做开发必须会用Git，用来管理代码、备份到Github，也方便协作。下载地址是Git官网，下载对应系统版本，一路下一步安装。Windows安装时注意默认选项，最后把Git加到PATH里。装好后，打开cmd输入 git --version，输出版本号就是成功。

5.3 常用Python库安装

AI开发还需要很多常用的第三方库，我们一次性装上。在激活的ai环境下输入：

pip install numpy pandas matplotlib opencv-python scikit-learn jupyter

这些都是最常用的：

numpy： 数值计算库，所有AI框架的基础。
pandas： 数据处理库，处理表格数据非常方便。
matplotlib： 画图工具，画损失曲线、结果图都用它。
opencv-python： 图像处理库，做计算机视觉项目必备。
scikit-learn： 传统机器学习算法库，入门学习必备。
jupyter： 跑小实验、写笔记的利器。

装完这些，基础环境就基本齐了，以后用到什么库再单独装就行。

六、常见问题排查：这些年踩过的坑，一次性帮你填平

很多人装完之后会遇到各种问题，别急，99%的问题都集中在下面这些，对着排查就行：

问题1：conda命令找不到，提示不是内部或外部命令

原因： 安装Anaconda时没把conda加到PATH里。

解决方法：

Windows： 找到Anaconda安装目录，把 D:\dev\Anaconda3 和 D:\dev\Anaconda3\Scripts 这两个路径（改成你自己的路径）加到系统环境变量的 Path 里，重启cmd即可。
Linux/Mac： 打开 ~/.bashrc 或 ~/.zshrc，添加 export PATH="你的Anaconda安装路径/bin:$PATH"，然后 source 一下。

问题2：下载包的时候一直超时，下载失败

原因： 没换源，或者源没换对。

解决方法： 回到前面换源的步骤，重新按教程配置清华源。换完后清除一下缓存再试。如果还是慢，试试换手机热点，有时是家庭网络的问题。

问题3：PyTorch装完，`torch.cuda.is_a vailable()`一直输出False

这是最常见的问题，按下面的顺序一步步排查：

是不是装了CPU版本？ 很多人复制命令时不小心复制成了CPU版本。进入Python，输入 print(torch.version.cuda)，如果输出 None，说明装的就是CPU版本。卸载了重新装GPU版本：conda uninstall pytorch，然后重新安装对应CUDA版本的GPU版。
CUDA版本是否对应？ 比如装的CUDA是11.8，但装的PyTorch是给CUDA12.1编译的，就无法对应。卸载后重新安装对应版本的PyTorch。
NVIDIA驱动是否够新？ 驱动版本必须高于CUDA版本的要求。比如CUDA11.8要求驱动版本至少450.80.02以上。如果驱动太老，去官网更新最新驱动。
环境变量是否正确？ Windows下检查CUDA的bin目录是否在PATH中；Linux下检查LD_LIBRARY_PATH是否正确。改完后重启终端再试。

曾经遇到过一个很奇葩的情况：装了多个版本的CUDA，旧版本的路径在新版本前面，导致PyTorch读到了旧版本，一直识别不了。把新版本路径移到前面就好了。如果你装了多个CUDA版本，一定要注意环境变量的顺序。

问题4：M芯片装完PyTorch，`torch.backends.mps.is_a vailable()`输出False

原因： 装的PyTorch版本太老。M芯片的加速支持是1.12版本之后才有的。现在稳定版2.0以上都支持，卸载旧版本，直接装最新的稳定版即可。

问题5：包版本冲突，一个依赖xxx版本，另一个依赖yyy版本

原因： 所有包都装在同一个环境里，时间久了就会冲突。

解决方法： 早就说了，用虚拟环境！不同项目用不同的虚拟环境，一个项目一个环境，永远不会冲突。创建虚拟环境真的很重要，千万别一直在base环境里折腾。

问题6：VS Code运行代码时，提示No module named xxx

原因： VS Code选错了Python解释器。

解决方法： 点击VS Code右下角的Python版本，选择ai环境的Python解释器。路径一般是 ~/anaconda3/envs/ai/bin/python（Linux/Mac）或 anaconda3\envs\ai\python.exe（Windows），选对就好了。

七、跑通第一个测试项目：验证环境完全可用

环境搭好了，我们来跑一个简单的手写数字识别项目，验证所有环节是否正常，也给你一点成就感。

打开VS Code，激活ai环境，新建一个文件叫 test_mnist.py，把下面的代码复制进去，注释都写好了，直接运行即可：

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
from torch.utils.data import DataLoader

# 定义简单的卷积神经网络
class SimpleCNN(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, padding=1)
        self.relu1 = nn.ReLU()
        self.pool1 = nn.MaxPool2d(2)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1)
        self.relu2 = nn.ReLU()
        self.pool2 = nn.MaxPool2d(2)
        self.fc1 = nn.Linear(32 * 7 * 7, 10)

    def forward(self, x):
        x = self.pool1(self.relu1(self.conv1(x)))
        x = self.pool2(self.relu2(self.conv2(x)))
        x = x.view(x.size(0), -1)
        x = self.fc1(x)
        return x

# 设置设备，GPU能用就用GPU，否则用CPU
device = torch.device("cuda" if torch.cuda.is_a vailable() else "mps" if torch.backends.mps.is_a vailable() else "cpu")
print(f"使用设备: {device}")

# 数据预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))
])

# 下载MNIST数据集，第一次运行会自动下载
train_dataset = datasets.MNIST(root='./data', train=True, download=True, transform=transform)
test_dataset = datasets.MNIST(root='./data', train=False, download=True, transform=transform)
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

# 初始化模型、损失函数、优化器
model = SimpleCNN().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练5轮
for epoch in range(5):
    model.train()
    running_loss = 0.0
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = criterion(output, target)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if batch_idx % 100 == 99:
            print(f"轮次: {epoch+1}, 批次: {batch_idx+1}, 平均损失: {running_loss/100:.3f}")
            running_loss = 0.0

    # 测试准确率
    model.eval()
    correct = 0
    total = 0
    with torch.no_grad():
        for data, target in test_loader:
            data, target = data.to(device), target.to(device)
            output = model(data)
            _, predicted = torch.max(output.data, 1)
            total += target.size(0)
            correct += (predicted == target).sum().item()
    print(f"测试集准确率: {100 * correct / total:.2f}%")

运行之后，你会看到：

首先输出你使用的设备，如果是GPU就是 cuda，M芯片是 mps，CPU是 cpu。这说明加速配置是正确的。
然后会自动下载MNIST数据集，开始训练。如果用的是3060级别的GPU，整个训练不到一分钟就能跑完，最后准确率大概在98%以上，说明一切正常。
如果用的是CPU，训练大概需要3-5分钟，也能跑完，结果同样正确，说明环境没有问题。

能跑完这个项目，说明你的整个AI开发环境就完全搭好了，所有功能都正常。可以信心满满地开始接下来的学习了。

总结

从零搭建环境确实是一件磨人的事。当初自己折腾了三天，现在你照着这份教程，最多两小时就能搞定。大部分可能遇到的问题都在上面列出来了，照着排查基本都能解决。

不要怕出错： 搭环境本身就是一个踩坑、排坑的过程。出了问题很正常，把错误信息复制下来去搜索，99%的问题都有人遇到过，都有解决方案。解决一次你就记住了，下次就不会再踩了。
一定要用虚拟环境： 见过太多人把所有包都装在base环境里，半年后环境乱到根本无法用，最后只能全部卸载重装。一个项目一个环境，才是省心的王道。

来源：https://blog.csdn.net/Dreamy_zsy/article/details/160409197

GPU

上一篇OpenClaw在Windows上的完整安装与本地模型配置教程 下一篇三星Note8开机提示secSetupWized已停止的解决方法

本站内容用于信息整理与展示，如有侵权或内容问题请及时联系处理。