🎯 课程主题

环境安装与代码测试——配置 PyTorch 开发环境并验证代码可运行。

📝 核心知识点

1. 环境创建

• 概念说明：使用 Anaconda 创建独立的 Python 环境。
• 关键细节：
  • 打开 Anaconda 终端
  • 创建环境：conda create -n TF python=3.10
  • 激活环境：conda activate TF
  • 每个课程创建独立环境，避免版本冲突

2. PyTorch 安装

• 概念说明：根据显卡型号选择合适的 PyTorch 和 CUDA 版本。
• 关键细节：
  • 40 系列显卡：PyTorch 1.12.1 + CUDA 11.3
  • 50 系列显卡：PyTorch 2.7.1 + CUDA 12.8 及以上
  • 使用 pip 安装（conda 有时搜索慢）
  • 安装命令从 PyTorch 官网获取
  • 安装包约 2GB，可能需要 0.5-2 小时
  • 网络中断可重新运行命令继续下载

3. 验证安装

• 概念说明：通过 conda list 检查安装结果。
• 关键细节：
  • 运行 conda list 查看
  • 确认 torch 版本（如 1.12.1）
  • 确认 cudatoolkit 版本（如 11.3）
  • 注意不要安装成 CPU 版本

4. 依赖库安装

• 概念说明：安装项目所需的额外库。
• 关键细节：
  • 在 PyCharm 中加载 conda 环境
  • 使用 pip install -r requirements.txt -i 清华镜像源
  • 镜像源备选：清华源、阿里源、中科大源

5. 代码测试

• 概念说明：运行预训练模型验证环境。
• 关键细节：
  • 配置文件中设置预训练权重路径
  • 运行翻译测试代码
  • 输入 "i love you" → 输出 "我喜欢你"
  • 输入 "i am a dog" → 输出 "我是个狗"

🧮 核心公式与推导

无

🏗️ 模型架构与数据流向

无（本节为环境配置）

💻 代码实战

# 1. 创建环境
conda create -n TF python=3.10
conda activate TF

# 2. 安装PyTorch (40系列显卡示例)
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 \
    -f https://download.pytorch.org/whl/torch_stable.html

# 3. 安装依赖库 (使用清华镜像加速)
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

# 4. 验证安装
conda list
python -c "import torch; print(torch.cuda.is_available())"

⚠️ 常见问题与避坑指南

• 50 系列显卡必须用高版本 PyTorch（2.7.1+），否则报架构适配错误
• 确认安装的是 GPU 版本，不是 CPU 版本
• 网络中断可重新运行命令继续下载
• 必须有 NVIDIA GPU，否则无法训练（可用云服务器替代）
• PyCharm 中需正确加载 conda 环境的 python.exe

💡 个人总结与延伸

环境配置是深度学习实战的第一步，选择正确的 PyTorch 和 CUDA 版本至关重要。现代大模型开发中，环境管理工具（conda、docker）和版本兼容性仍是重要基础工作。建议使用容器化（Docker）方式管理环境，提高可复现性。