0. 我需要 conda/CUDA/PyTorch…… 吗？

AI 时代的浪潮，似乎裹挟着我们每个人都“懂点 AI”才不会被时代所抛弃。如果你在网络上搜索 AI 学习，一定跳不过的一个词就是 深度学习。无论是图像识别、自然语言处理，还是大模型应用背后的训练机制，深度学习是这套体系的基础。

然而，当我们真正开始着手搭建深度学习环境时，往往会被一连串名词淹没：显卡驱动、CUDA、cuDNN、PyTorch、conda、虚拟环境……为什么需要这么多东西？！它们分别做什么？！缺了哪一步模型就跑不起来？！这些困惑几乎是每个学习深度学习的人都经历过的阶段。

因此，本文希望从新手的视角出发，带你梳理深度学习环境的结构，理解这套体系。

我们都知道，显卡（GPU）代表算力，而显卡驱动负责让操作系统认识显卡，知道显卡的存在。

但显卡驱动只解决了“让显卡能正常工作”，想要进行深度学习这种层次的计算任务，NVIDIA 提供了 CUDA 开发工具包。将复杂的数学运算（如矩阵乘法、卷积操作等）翻译成 GPU 可以执行的指令，真正利用显卡来加速计算。

CUDA 本身是偏底层的，需要通过 C++ 操作。但我们不会 C++ 怎么办呢？为了避免开发者直接编写 CUDA 代码，通常会进一步封装。例如 PyTorch 让用户使用 Python 操作 CUDA ，就能配置显卡资源了。其底层依然是 C++ 实现。

针对深度学习中的卷积、池化等操作，NVIDIA 还提供了 cuDNN 这一专门的加速库。它基于 CUDA 开发，提升了训练速度。

在此基础上，我们通常使用 Anaconda / conda 创建独立的环境。安装多个版本的软件包及其依赖关系，并在它们之间轻松切换。例如你可能在一个环境中使用 PyTorch，在另一个环境中使用 TensorFlow，或者单独创建一个环境专门用于写脚本、跑机器人、开发 API 等。打个比方，安装 conda 好比提供了一个花园，每个环境是一个花盆，互不影响，不同的项目种在不同花盆里。

最后，我们通常在 VS Code、PyCharm 等编辑器中写代码，他们本质上是高级记事本，譬如我们会使用 word 写报告但不会使用记事本，他们的功能更加丰富。在这些编辑器中运行程序时，后台实际上调用的是你提前配置好的 Python 环境与深度学习框架。

在理解整体结构之后，本文的任务逐渐明确：1. 安装显卡驱动；2. 安装 CUDA；3. 安装 conda，并在创建环境时一并安装 Python；4. 在环境中安装 PyTorch ；5. 安装 cuDNN ；6. 安装配置 Pycharm 等编辑器；7. 跑一个项目试试~

理论完毕，实操开始

---

1. 显卡驱动安装

win+R 打开运行，输入cmd，打开终端。

输入 nvidia-smi，回车，若有如下输出，已有驱动，可以跳过这部分

这里请记住这个 CUDA Version

若没有驱动，首先 Ctrl+Shift+Esc 打开任务管理器，查看自己的GPU型号

https://www.nvidia.cn/drivers/lookup/

进入网址，选择对应信息，点击 查找-查看

下载安装即可

安装完成后同样使用命令行检查驱动情况，完成安装

---

2. CUDA 安装

在查看显卡驱动时会显示一个 CUDA Version ，我们要装的 CUDA 版本不能超过这个版本，以安装 CUDA 11.8 为例

https://developer.nvidia.com/cuda-downloads

进入网页，点击 other release 

点击相应的版本，选择与自己相匹配的版本，并下载

这里是临时文件，直接 ok

之后一路“同意+下一步”即可

如果失败了，我们做如下配置：

自定义安装->只选择 CUDA ；并将 CUDA 中 Visual Studio Integration、Nsight VSE 取消勾选

后选择下一步，即可安装成功

从 PyTorch 1.7 起，官方默认都集成 CUDA runtime，每个环境用自带的 PyTorch-bundled CUDA，不依赖系统 CUDA ，为了流程完整，建议安装~

---

3. conda 安装

环境的管理总是让人头疼，不同项目依赖的库版本冲突、Python 解释器版本不兼容等问题频繁出现，如同前文介绍的那样，Conda 解决了这一问题。其中：

Conda 是环境管理引擎，可独立安装（miniconda）; Miniconda 是轻量版 Conda，仅包含 Conda 本体和 Python 解释器；Anaconda 是 Conda 的全家桶版，预安装常用科学计算包（如 numpy/pandas）

这里我们安装 miniconda 即可

https://repo.anaconda.com/miniconda/

打开网页，选择相应版本下载，注意不同版本的 conda 支持的  python 最高版本有差异

之后点击下一步

这里选择 all users ，之后 install 即可

安装成功

下面检验 conda 的安装，在开始菜单找到 conda 并打开

输入conda env list，返回当前存在的环境

conda env list

目前只有 base 一个环境，我们可以创建环境

conda create -n DP python=3.8

这一命令创建了一个名为 DP 的环境，python 解释器是 3.8

提示我们激活这一环境，输入

conda activate DP

前面的小括号提示我们进入到该环境中

此时查看所有环境

没问题！

这一步我们安装了 conda ，同时在创建环境时安装配置了 python ，对不同的项目创建不同的环境，安装相应版本的 python 即可

---

4. Pytorch

Pytorch 一般通过命令行的方式安装，Previous PyTorch Versions 打开 Pytorch 官网，找到对应版本

复制命令并运行

如果报错可以选择离线安装的方式

https://download.pytorch.org/whl/torch/

打开网址，Pytorch 版本与 CUDA 相对应，以 CUDA 11.8 为例，Pytorch 可以安装 2.0.0，我们找到相应的版本

这里 torch 的版本为 2.0.0 ，CUDA 版本是 118  ，cp38 是 Python 3.8 , win_amd64为 Windows 版本，点击下载即可

下载完成后，重新打开 conda 命令行，首先切换到对应的环境下

conda activate DP

将路径改为 whl 文件所在的路径，比如下载在桌面，运行命令

Cd C:\Users\hao\Desktop //改为 whl 文件所在的路径

之后输入 pip install , 按 tab 键选择文件

pip install "torch-2.0.0+cu118-cp38-cp38-win_amd64.whl"

这一步请将代理关闭，使用国内网络，否则可能报错

安装成功

Conda list 查看当前环境下有哪些包

Conda list

Pytorch 安装完成！

---

5. Pycharm 配置

接下来在编辑器里配置，安装一个 Pycharm ，新建项目

右下角添加解释器

选择 conda 环境，找到 conda.bat 文件的路径，加载环境

等待直到右下角变为配置环境

输入以下代码运行，进行检验

import torch # 如果pytorch安装成功即可导入
print(torch.cuda.is_available())
print(torch.__version__) #查看torch版本
print(torch.version.cuda) # 查看CUDA的版本号

正确输出，安装成功！

---

6. cuDNN 安装

GPU 版 Pytorch 自带自带 cuDNN，运行

import torch
print(torch.backends.cudnn.version())

输出数字，已存在 cuDNN

torchvision 是 PyTorch 的官方视觉工具包，如果你的工作涉及图像，那么它几乎是必装的组件

https://download.pytorch.org/whl/torchvision/

打开网页，选择版本

同样在环境中下载 whl 文件

安装后进行测试

import torchvision
print(torchvision.__version__)

安装成功

---

8. 跑个项目试试

接下来我们以 Yolov5 为例，从 0 跟着 README 把一个项目跑起来，用来展示流程

Step 0：选项目

首先我们在 Github 上找项目，完善的项目会在 readme 中写明项目运行所需的环境，依赖及配置训练说明，如 ultralytics/yolov5  这个项目

https://github.com/ultralytics/yolov5

Step 1：新建一个环境、安装 Pytorch

第二步为这个项目新建一个环境，根据 readme 作者的说明：Python>=3.8.0 , PyTorch>=1.8，我们来复习一下这些命令

在 Anaconda Prompt (或 Pycharm 终端)：

conda create -n name python=3.8
conda activate name

安装 Pytorch，见第四部分介绍

以上操作我们前文已经完成。顺手测试一下：在 Conda Prompt 里执行

conda activate DP
python -c "import torch; print(torch.__version__, torch.version.cuda, torch.cuda.is_available())"

输出类似：2.0.0+cu118 11.8 True

Step 2：从 GitHub 拉项目

直接从 Github 上下载压缩包解压，或者可以使用 git

cd 放代码的目录
git clone https://github.com/ultralytics/yolov5.git
cd yolov5

Step 3：按作者的要求装依赖

一般项目中可能包含：

requirements.txt → 用 pip install -r requirements.txt

environment.yml → 用 conda env create -f environment.yml（这种会帮你连环境都建好）

我们已经手动建好环境，只用 pip 装 requirements 即可

YOLO v5 仓库里有一个 requirements.txt，那么在 YOLO v5 目录里或 Pycharm 的终端

pip install -r requirements.txt

注意此时要切换到对应的环境！！

Step 4：运行

在 yolov5 目录里包含训练好的权重与验证用图片，找到 detect.py 运行

成功的话会在 runs/detect/exp 下生成2张有框框的图片：

同样可以调用电脑摄像头实时检测，运行以下指令：

python detect.py --weights yolov5s.pt --source 0

本文梳理了深度学习环境从底层到上层的体系结构，从显卡驱动和 CUDA 这样的基础算力支持，到 conda 带来的环境隔离与依赖管理，再到 PyTorch 与 cuDNN 为神经网络训练提供的核心能力，最后结合实际开发中常用的编辑器完成整个工具链的搭建。

---

感谢浏览！