深度学习环境搭建：Anaconda与PyTorch双版本配置完整指南

1. 写这篇环境搭建教程的初衷

经常在各种技术群里看到这样一幕：有同学刚刚下载好一个深度学习项目，正准备跑通第一个训练脚本，结果被配置环境这一步卡住了两三天。Anaconda 下载慢、PyTorch 版本对不上、显卡驱动版本搞混、编辑器不知道选哪个，最后项目还没开始跑，热情先凉了一半。

这篇文章的出现，就是想把这条路上的坑提前帮你填平。我把它整理成一条完整的一站式流程：从 Anaconda 的安装与换源，到创建 CPU 和 GPU 两套 PyTorch 虚拟环境，再到 PyCharm、VS Code 的编辑器配置，最后补充常见报错和排查方法。

本文适合以下读者：

• 刚接触 Python 与深度学习，还没有独立搭过环境的新手。
• 电脑上环境已经比较混乱，想用虚拟环境重新整理的老手。
• 需要在 CPU 环境开发调试、GPU 环境跑训练，来回切换的项目组成员。
• 想搞清楚 PyCharm、VS Code、Jupyter 这些工具到底怎么配合 Anaconda 使用的同学。

按照本文操作完成后，你将得到一台具备两套独立 PyTorch 环境的电脑，并且可以在编辑器中自由切换。以后再拿到一个新项目，你只需要创建新的虚拟环境并安装依赖，就能避免“原来项目跑不了”“依赖冲突一团糟”的困境。

2. 前置概念：Anaconda、PyTorch 与编辑器各自的角色

很多教程一上来就让你下载安装包，至于为什么要装、装完能干什么，反而讲得不多。这样就会导致：一旦出现异常，你根本不知道是哪一层出了问题。所以花几分钟先搞清楚每个工具是什么，非常有必要。

2.1 Anaconda 是什么

Anaconda 是一个 Python 的发行版管理工具，它内置了 Python 解释器、conda 包管理器、大量常用数据科学库，以及一个非常关键的能力——虚拟环境管理。

我们可以把虚拟环境理解成一个独立的“Python 小房间”。每个房间里可以有不同的 Python 版本、不同的依赖库版本。比如一个房间装 PyTorch 2.x + Python 3.10，另一个房间装 PyTorch 1.x + Python 3.8，两者互不干扰。这样就不会出现“升级了库导致项目 A 代码废掉、项目 B 依赖炸掉”的问题。

如果你听说过 Miniconda，它的定位和 Anaconda 类似，只是更精简，不带预装的大批科学计算库。对于初学者，我建议直接安装 Anaconda，因为自带常见库和 Jupyter Notebook 编辑器，上手成本最低。

2.2 PyTorch 的 CPU 版和 GPU 版有什么区别

PyTorch 是深度学习框架，主要用来定义神经网络模型、计算梯度、完成训练与推理。它有 CPU 版本和 GPU 版本之分，两者的核心代码 API 是一样的，底层计算设备不同。

• CPU 版：只用 CPU 运算，安装体积小，兼容所有电脑，适合学习语法、编写模型结构、调试代码。
• GPU 版：调用 NVIDIA 显卡的 CUDA 能力进行并行计算，训练速度远快于 CPU，适合真正跑大规模训练任务。

需要特别提醒一下“双版本”这个做法，并不是为了炫技。因为很多项目代码只在 CPU 机器上开发，而实际训练要放到 GPU 服务器上。如果你本机只装了 GPU 版，那么当你电脑没有独显或者驱动配置不对时，PyTorch 也会静默回退到 CPU 模式，反而可能埋下隐患。把两套环境分开，开发调试时用 CPU 环境，跑大数据时切到 GPU 环境，思路会清晰很多。

2.3 编辑器的角色：编译器和编辑器的区别

很多人刚接触时说“Vim 是不是编译器”“PyCharm 是编译器吗”，这里简单区分一下。

编译器是把高级语言翻译成机器可执行代码的程序，比如 GCC、Clang。对于 Python 来说，它是解释型语言，实际执行靠解释器（也就是 Anaconda 环境里的 python.exe）。

编辑器是负责写代码的工具，比如 VS Code、PyCharm、Vim。它的作用是提供语法高亮、智能补全、调试窗口、终端集成，让你写代码更舒服。编辑器本身不负责运行 Python 程序，运行靠你在编辑器里配置好的解释器。

这三个角色在你运行程序时是这样配合的：

• 你用编辑器编写代码。
• 你选择好 Anaconda 虚拟环境里的 Python 解释器。
• 编辑器调用解释器执行代码，并把运行结果显示在终端。

理解了这层关系，后面配置 PyCharm 和 VS Code 的“解释器路径”时，你就知道原因了。

2.4 为什么需要建立两套独立虚拟环境

我们说的“双版本”，是指创建两个 conda 虚拟环境，例如：

• 环境一：torch-cpu，Python 3.10 + CPU 版 PyTorch。
• 环境二：torch-gpu，Python 3.10 + GPU 版 PyTorch。

这样做的直接好处有四个：

1. 相互隔离，依赖互不影响。
2. 安装失败时可以单独删除重建，不需要重装整个 Anaconda。
3. 不同项目对 PyTorch 版本要求不同，可以继续复制出第三个、第四个环境。
4. 导出依赖清单也方便，团队协作时可以快速复现环境。

3. 环境准备与安装前检查

“安装 Anaconda 之后发现装错了版本”“装完 PyTorch 发现 CUDA 版本不匹配”，这一类问题绝大多数是安装前没有做好检查。所以本节先把准备工作列全。

3.1 操作系统与 Python 版本说明

本文以 Windows 11 作为主要演示环境，但 Linux 和 macOS 的流程核心步骤完全一致，只是激活命令略有不同。为了减少不确定性，安装时建议默认使用 Anaconda 自带的最新稳定版 Python，而创建虚拟环境时再指定 Python 版本。

例如，目前很多深度学习项目基于 Python 3.10 或 3.11，你可以创建环境时这样指定：

conda create -n torch-cpu python=3.10 -y

不需要担心这个版本的 Python 是否存在，conda 会自动找到合适的包。

3.2 查看显卡驱动情况

如果你打算安装 GPU 版 PyTorch，先确认你的电脑是不是 NVIDIA 显卡。如果不是 NVIDIA 显卡，或者你觉得显卡容量太小，可以跳过 GPU 环境，只安装 CPU 版。

在 Windows 下打开命令行，输入：

nvidia-smi

如果正常输出显卡信息，最后一行会显示当前驱动的 CUDA 版本。这个版本是驱动的兼容上限，它决定了你的 PyTorch 最高能用哪个 CUDA 版本。比如输出显示CUDA Version: 12.4，那你安装 PyTorch 时选择 cu121 或 cu124 一般都没问题。

如果你没有 NVIDIA 显卡，或者nvidia-smi提示找不到命令，说明本机没有可用的 CUDA 环境，请直接安装 CPU 版。

3.3 下载 Anaconda

Anaconda 我们可以从官网获取，也可以在部分高校镜像站找到安装包。官网地址是https://www.anaconda.com/download。打开后选择对应操作系统的 Python 版本安装包即可。

国内用户在官网下载速度慢是常见问题。你可以考虑使用清华大学开源软件镜像站：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/，在列表中选择最新的 Windows x86_64 安装包即可。从镜像站下载的 Anaconda 安装包，其功能与官网一致，只是下载路径不同。

3.4 安装 Anaconda 的完整步骤

拿到安装包后，双击运行，有几个关键步骤需要重点留意：

1. 选择安装位置。建议不要把 Anaconda 安装在带有中文或空格的路径下，例如D:\Anaconda3就比较稳妥。路径中有中文可能导致某些库的编译环境解析出错。
2. 在 Advanced Options 界面中，建议勾选 “Add Anaconda3 to my PATH environment variable”。这一步在旧版本中默认不勾选，容易导致命令行里找不到conda命令。如果你之前没勾选，后面也可以通过手动添加系统环境变量解决。
3. 默认选择 “Register Anaconda3 as my default Python” 可以勾选，也可以不勾选。如果你电脑没有其他 Python，建议勾上，方便某些需要系统 Python 的程序识别。

安装完成后，打开命令行工具，输入以下命令验证：

conda --version

如果输出类似conda 23.x.x的信息，说明安装成功。如果提示找不到命令，要么是安装时没勾选 PATH，要么是当前命令行窗口还没刷新，可以关掉重开，或者重启电脑后再试。

4. Anaconda 基础配置与虚拟环境管理

这一节开始逐渐进入核心操作。前面安装完成只是第一步，接下来要配置源、创建环境，让 Anaconda 真正好用起来。

4.1 初始化 conda 与识别环境信息

安装完成之后，建议先执行一次环境检查，确保 conda 能被正常调用。

conda info --envs

这个命令会列出当前所有虚拟环境。默认情况下会显示一个base环境，它对应的是 Anaconda 自带的根环境。以后我们尽量不在 base 环境里安装具体项目依赖，而是为不同项目单独创建虚拟环境。

4.2 设置国内镜像源

使用 Anaconda 默认的官方源时，下载包的速度可能会比较慢，甚至在下载大包时反复超时。此时可以配置国内镜像源。这里以清华大学开源软件镜像站为例，在命令行执行：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes

执行完成后，conda 的默认下载源就会被配置到清华源。如果你使用的是其他镜像源，例如阿里云或中科大镜像，也可以按对应地址配置。

这里需要提醒一句：镜像源只是加速包下载，不会改变包本身的版本和来源。如果在后续安装中遇到UnavailableInvalidChannel: HTTP 404 NOT FOUND for channel anaconda/pkgs/msys这类报错，通常是因为镜像源中缺少某个子频道，可以新建一份.condarc配置，只保留存在的主频道，或者删掉额外的子频道。

4.3 创建 PyTorch 双版本虚拟环境

现在我们来创建两个环境。第一个环境用于 CPU 版本调试：

conda create -n torch-cpu python=3.10 -y

第二个环境用于 GPU 版本训练：

conda create -n torch-gpu python=3.10 -y

创建过程中，conda 会自动解析 Python 3.10 所需的依赖并下载安装。安装完成后，启动某个环境需要激活：

Windows 下使用：

conda activate torch-cpu

Linux 或 macOS 下，新版 conda 同样支持conda activate，如果旧版本不支持，可以使用：

source activate torch-cpu

激活后，命令行前面会出现(torch-cpu)前缀，此时你执行的 python、pip、python 脚本都在这个虚拟环境里，不会影响其他环境。

退出当前环境使用conda deactivate。删除不再需要的环境使用：

conda remove -n torch-cpu --all

5. 安装 PyTorch 双版本并验证

环境创建好了，接下来就是安装 PyTorch。这是最容易出问题的环节，我会把两种安装方式分别写清楚。

5.1 安装 CPU 版 PyTorch

先激活 CPU 环境：

conda activate torch-cpu

CPU 版 PyTorch 的安装命令，可以去 PyTorch 官网获取。以默认的 pip 安装方式为例，官方命令通常长这样：

pip install torch torchvision torchaudio

如果你的网络下载速度较慢，可以将 pip 源切换到国内镜像站，然后加一行镜像参数。例如：

pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

需要说明的是，新版 PyTorch 官方默认安装包可能在 CPU 机器上会自动选择 CPU 版本，也可能下载的是带 CUDA 依赖的大体积版本。为了稳妥起见，如果你明确知道自己只需要 CPU 环境，可以通过 PyTorch 官网选择 CPU 版本获取专属安装命令。例如旧版本常用的方式：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

如果你当前不需要 torchvision 和 torchaudio，只安装 torch 也可以，但大多数项目都会用到图像处理和音频处理库，建议一起装上。

5.2 安装 GPU 版 PyTorch

GPU 版的安装更讲究匹配关系。你需要先了解本机 NVIDIA 驱动的 CUDA 版本，再选择对应的 PyTorch 安装命令。

在 PyTorch 官网的安装界面中，可以选择 Stable（稳定版）、你的操作系统、安装方式（pip 或 conda）、以及 CUDA 版本。常见选项包括 CUDA 11.8、CUDA 12.1、CUDA 12.4 等。选好之后，官网会生成对应的安装命令。

例如使用 pip 安装时，官方命令的格式通常是：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

这里的cu124表示配套 CUDA 12.4 的 PyTorch 版本。如果你本机驱动显示的最高 CUDA 版本是 12.4，那这条命令就合适。如果你的驱动版本较老，最高只支持 CUDA 11.8，则选择cu118。

另一种常见方式是使用 conda 安装：

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

这种方式的优点是 conda 会自动帮你按兼容性解析相关的 CUDA 运行库，但下载量会更大。

其实对于初学者，我更推荐使用 pip 方式安装 GPU 版，因为同样是安装 PyTorch，pip 的元数据和安装流程相对简单，后续用requirements.txt管理依赖也更方便。

5.3 验证双环境

环境安装完成后，分别进入两个环境，执行以下验证代码。

CPU 环境验证：

conda activate torch-cpu python -c "import torch; print('PyTorch:', torch.__version__); print('CUDA available:', torch.cuda.is_available())"

如果输出 CUDA available 为 False，这是正常的，因为 CPU 版本本身就没有 CUDA 支持。

GPU 环境验证：

conda activate torch-gpu python -c "import torch; print('PyTorch:', torch.__version__); print('CUDA available:', torch.cuda.is_available()); print('Device name:', torch.cuda.get_device_name(0))"

如果 CUDA available 为 True，并且能输出你的显卡型号名称，说明 GPU 版安装成功，PyTorch 已经能够调用显卡计算。

你还可以快速测试一次 GPU 上的张量计算：

import torch # 如果 CUDA 可用，则把张量移动到 GPU if torch.cuda.is_available(): device = torch.device("cuda") x = torch.randn(3, 3).to(device) y = torch.mm(x, x) print("GPU 计算成功") print(y) else: print("CUDA 不可用，当前使用 CPU")

这段代码在 GPU 环境下应该能输出 GPU 计算成功，并且打印出一个 3x3 的矩阵。

5.4 安装常用工具库

PyTorch 环境装好后，往往还需要安装其他工具库，比如 numpy、pandas、matplotlib、scikit-learn、jupyter 等。虽然 Anaconda 自带了很多基础库，但虚拟环境是新建的，所以需要看每个项目的requirements.txt按需安装。

一个常用的做法是导出当前环境依赖清单：

pip freeze > requirements.txt

在新环境复现时：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

这样团队协作时，即使换了一台电脑，只要 conda 虚拟环境中的 Python 版本一致，再配合 requirements.txt 就能重建一套可运行的环境。

6. 编辑器配置：PyCharm 与 VS Code 实战

环境装好了，还得让它能在编辑器里顺利运行。这一节分别讲解 PyCharm 和 VS Code 的配置方法。无论你习惯哪款编辑器，核心动作都是一样的：把项目的 Python 解释器指向 conda 虚拟环境中的 python.exe。

6.1 PyCharm 配置 Anaconda 解释器

PyCharm 是非常流行的 Python IDE，它的专业版和社区版都支持配置 Anaconda 环境。如果你只是做 Python 开发，社区版就足够了，不用付费。

打开 PyCharm，新建项目或者打开已有项目。进入 File -> Settings -> Project: 你的项目名 -> Python Interpreter，点击右上角的齿轮，选择 Add Interpreter -> Add Local Interpreter。

在弹出的窗口中，选择 Conda Environment。有两类选项：

• 选择 Existing environment：从现有环境列表中选择。点击后面的按钮，选择你在 Anaconda 中创建的环境。PyCharm 通常会自动识别 conda 安装位置和虚拟环境列表。
• 选择 Create new environment：也可以在这里直接新建一个 conda 虚拟环境，相当于替代命令行中的conda create。

如果你选择 Existing environment，需要指定 Location 为虚拟环境中的python.exe。在 Windows 下路径一般是：

D:\Anaconda3\envs\torch-gpu\python.exe

在 Linux 下一般是：

/home/yourname/anaconda3/envs/torch-gpu/bin/python

配置完成后，在 PyCharm 底部终端执行conda activate，确认环境前缀是否正确地切换到了对应的虚拟环境。如果 PyCharm 的 Terminal 窗口没有正确进入虚拟环境，可以在终端类型设置中，把 Shell path 配置为cmd.exe或对应 shell，然后重启 PyCharm。

6.2 VS Code 配置 Anaconda 环境

VS Code 是当前最流行的轻量级通用编辑器，安装体积小、插件丰富。配置 Python 环境需要两步：

第一步，安装 Python 插件。打开 VS Code，点击左侧扩展图标，搜索Python，选择微软官方发布的 Python 插件并安装。这个插件由 Python 官方维护，可以提供语言服务、调试、Jupyter 支持等能力。

第二步，在 VS Code 中打开你的项目文件夹，按Ctrl+Shift+P呼出命令面板，输入Python: Select Interpreter，选择你创建好的 conda 环境。VS Code 会显示类似这样的选项：

torch-cpu: conda torch-gpu: conda

选中之后，VS Code 会记住这个项目的解释器。打开任意.py文件，右下角状态栏会显示当前解释器。点击状态栏的 Python 版本信息，也可以快速切换其他环境。

VS Code 中运行 Python 文件的方式也很简单：打开代码文件，点击右上角的三角运行按钮，或直接在终端输入python 文件名.py，前提是终端已经激活了对应环境。

6.3 关于 Jupyter Notebook 与 Anaconda 的搭配

Anaconda 自带 Jupyter Notebook，对于数据分析、模型实验非常方便。如果要在自定义虚拟环境中使用 Jupyter，需要先进入对应环境，然后安装 jupyter 库：

conda activate torch-gpu conda install jupyter

安装完成后，在环境中启动：

jupyter notebook

如果你已经有 Jupyter 安装在 base 环境中，希望切换到其他 conda 环境，则需要安装 nb_conda_kernels 插件：

conda install nb_conda_kernels

装好后，在 Jupyter 的新建内核列表中，就能看到不同 conda 环境对应的 Python 内核，切换更加方便。

7. 常见问题与高发踩坑点排查

环境搭建过程中，最消耗时间的其实就是各种报错。我在下面整理了一些常见问题，基本覆盖了多数新手会遇到的场景。

下面展开几个高发问题的处理过程，方便你按步骤操作。

7.1 conda 命令找不到

最常见的原因有两个：安装时没勾选 “Add to PATH”，或者命令行窗口没有重启。

如果确认安装时没勾选，你可以手动添加环境变量。右键“此电脑” -> 属性 -> 高级系统设置 -> 环境变量，在系统变量中找到 Path，添加 Anaconda 的安装路径，例如：

D:\Anaconda3 D:\Anaconda3\Scripts D:\Anaconda3\Library\bin

修改完成后，重新打开命令行，输入conda --version验证。

Linux 用户如果找不到 conda，可以尝试：

export PATH="/home/yourname/anaconda3/bin:$PATH"

为了让这个配置永久生效，建议把上面的命令写入~/.bashrc，然后执行source ~/.bashrc。

7.2 PyTorch 安装成功但无法使用 GPU

假设你已经按照conda activate torch-gpu进入环境，然后执行验证代码发现torch.cuda.is_available()为 False。处理过程可以按顺序排查：

1. 执行nvidia-smi，确认驱动安装正常，并且驱动能识别到 NVIDIA 显卡。
2. 确认 PyTorch 版本是否支持你的显卡驱动。比如你的驱动最高支持 CUDA 12.4，那么安装 cu124 版本通常没有问题；如果驱动最高支持 CUDA 11.8，你却安装了 cu124 版本，PyTorch 可能无法正常调用 GPU。
3. 如果以上都没问题，尝试重装 PyTorch。卸载当前 torch：

pip uninstall torch torchvision torchaudio -y

然后重新安装正确版本的 PyTorch。需要注意的是，混用 conda 和 pip 安装 PyTorch 时，偶尔会出现包冲突，此时建议在一个新虚拟环境中统一使用 pip 安装。

7.3 镜像源 404 报错的具体修复

执行 conda 安装时出现类似下面的报错：

UnavailableInvalidChannel: HTTP 404 NOT FOUND for channel anaconda/pkgs/msys

这说明你的.condarc中配置了一个当前镜像源已不支持的 channel。解决方法有两种：

第一种，进入用户目录，找到.condarc文件，删掉无效的 channel 配置，只保留可用的源。

第二种，重新生成配置文件：

conda config --remove-key channels conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yes

然后再次执行安装命令即可。

7.4 虚拟环境里的 Python 和项目需要的 Python 版本不一致

如果你拿到的项目要求 Python 3.8，而我们创建的虚拟环境是 Python 3.10，最简单的解决方式是直接再创建一个新环境，而不是在当前环境里强行降级：

conda create -n project-py38 python=3.8 -y

这样可以避免创建环境后再次调整 Python 版本引发的依赖混乱。如果你已经创建好了环境，需要更改 Python 版本，虽然可以通过conda install python=3.8修改，但我并不建议这样做，因为它可能导致环境内的很多包版本出现兼容性问题。

8. 最佳实践与工程建议

环境搭建完成只是开始，真正决定开发体验的，是后续使用环境的管理是否规范。这一节分享一些我在实际项目中经常用到的建议。

8.1 环境命名规范

给虚拟环境起名时，尽量做到“一看就懂”。建议有两种命名风格：

• 按项目命名：project-name，例如stock-predict。
• 按用途命名：torch-cpu、torch-gpu、tf-gpu。

项目数量不多时，我推荐按用途命名，因为同一个环境可能会复用在多个项目中。项目多了之后，可以改用项目名，并在项目根目录放一份requirements.txt记录依赖。

8.2 不要频繁在 base 环境安装包

安装包之前，先确认当前激活的是哪个环境。很多人不注意，直接pip install，结果把包装到了 base 环境里。长期下来 base 环境越来越臃肿，最终很难定位哪些依赖是哪个项目的。

我的建议是：base 环境只做 conda 的基础维护，不安装具体项目依赖。每次创建新项目，都先conda create一个新环境，再安装依赖。

如果你已经在错误的项目中运行了pip install，可以通过pip list检查环境中的包，再用pip uninstall移除不需要的包。

8.3 CUDA 与驱动版本管理

当你的电脑上有多个深度学习框架的 GPU 需求时，要记住一条经验：操作系统显卡驱动决定了 CUDA 的上限，而 PyTorch 运行时只需要自己的 CUDA 运行库，不需要单独安装完整的 CUDA 工具包，只要驱动的 CUDA 版本不低于 PyTorch 编译时使用的 CUDA 版本或者满足必要的兼容条件，它就能正常工作。

因此，安装新项目时优先看两处信息：

1. nvidia-smi的输出，了解当前驱动支持的最高 CUDA 版本。
2. 项目文档里写的 PyTorch 安装命令，看它使用的是哪个 CUDA 版本。

如果驱动版本较新，一般可以向下兼容多个 CUDA 版本。如果驱动版本太老，那么优先升级驱动，再去考虑新版 PyTorch。

8.4 使用 requirements.txt 与 environment.yml 固化环境

当你的项目已经能正常运行后，第一时间做环境固化。

使用 pip 的项目，可以导出：

pip freeze > requirements.txt

使用 conda 的项目，可以导出包含 conda 频道信息的 yaml 文件：

conda env export > environment.yml

当同事或者另一台电脑需要复现时，执行：

conda env create -f environment.yml

需要提醒的是，pip freeze会包含很多隐式依赖，量比较大。如果你希望生成更干净的顶层依赖，可以手动维护一份精简的 requirements.txt，只写项目直接依赖的库。

8.5 重视安全边界与权限控制

这里的安全边界主要是两层意思。

第一，涉及删除环境、卸载包、重装包时，需要确认当前环境不是别人正在使用的生产环境。执行conda remove或pip uninstall前，先用conda info --envs查看当前环境，确认无误后再操作。

第二，不要在系统级 Python 中随意安装包。因为系统 Python 往往被许多系统工具依赖，一旦你强行替换了其中的依赖，可能导致系统组件异常。而 conda 虚拟环境中的所有依赖都被隔离在envs/目录下，删除环境不会影响系统整体，这也是我们推荐项目一律使用虚拟环境的原因之一。

8.6 长时间训练时的稳定建议

如果你后期会进行深度学习训练，下面几个经验很实用：

• 训练时不要手动关闭正在运行的终端，避免中途中断导致训练状态丢失。
• 如果中断了训练且模型支持断点续训，通过torch.save保存 checkpoint，然后恢复时加载。
• 定期清理__pycache__目录和无用的.ipynb_checkpoints文件，可以节省磁盘空间。
• 在训练脚本中显式指定设备：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

这样即使环境配置不同，代码也能自动切换到可用的计算设备。

9. 写在最后

这篇文章从 Anaconda 的核心功能讲起，覆盖了下载安装、国内镜像源配置、CPU 版和 GPU 版 PyTorch 虚拟环境的创建与验证、PyCharm 和 VS Code 的解释器配置，以及一系列高发报错的排查方法。按照这套流程走下来，你应该已经拥有两个可切换的 PyTorch 环境，并且能在编辑器里自由运行代码。

在正式跑项目之前，我还建议你养成一个习惯：每拿到一个开源项目，先看看它的 README 里的环境要求，再创建一个对应的 conda 虚拟环境，最后安装 requirements.txt。这个步骤看起来多，但实际执行只需要几分钟，却能省下后面几天的排错时间。

环境配置只是深度学习的入场券，真正有价值的还是在模型与业务逻辑上持续打磨。如果你今天按照本文配置成功了一台深度学习开发机，那下一步可以试着跑一个简单的图像分类或时间序列预测项目，感受一下 PyTorch 的完整开发流程。