企业官网建设流程全解析

1. 为什么认准Anaconda + PyTorch + PyCharm这套组合

做深度学习这件事，最劝退人的往往不是模型本身，而是第一步装环境。我见过太多人卡在import torch报错、conda命令找不到、装了GPU版却只能用CPU跑这些坑里，一折腾就是两三天，热情全被磨没了。

PyTorch、Anaconda、PyCharm这三样东西，恰好组成了一套对新手最友好、对老手也足够顺手的开发环境：Anaconda负责管理Python版本和第三方库，PyTorch是深度学习框架本体，PyCharm则是写代码和调试的图形化界面。三者各管一摊，配合起来非常顺滑。

这篇教程我尽量写得细一些，从Anaconda下载、虚拟环境创建、PyTorch的CPU/GPU版本选择，到PyCharm里把解释器指对，整个过程全部覆盖。每一步都会解释“为什么要这么做”，而不只是丢给你一串命令。照着走一遍，你就能得到一个干干净净、不会把系统Python搞乱、随时可以新建环境做实验的深度学习工作台。

这个方案适合谁？刚接触深度学习的大学生、想复现GitHub项目的工程师、以及被各种环境依赖搞到头大的自学者。就算你完全没用过命令行，只要按顺序操作，也能跑通。

1.1 三件套各自扮演的角色

先形象一点理解这三样东西。把深度学习开发比作做饭：PyTorch是锅和灶，决定你能做出什么菜；Anaconda是食材保鲜柜，把不同菜谱需要的食材分门别类存放，互不串味；PyCharm则是你的料理台，所有切配、翻炒、摆盘的动作都在上面完成。

具体到技术层面：

• Anaconda：一个Python发行版，自带conda包管理器。它的核心价值是“虚拟环境”。你可以创建多个互不干扰的Python环境，一个环境用Python 3.8 + PyTorch 1.13，另一个用Python 3.11 + PyTorch 2.4，互不影响。这能解决深度学习项目里最常见的依赖冲突问题。
• PyTorch：Facebook开源的深度学习框架，目前学术界和工业界使用率都非常高。它支持动态计算图，调试起来直观，生态也非常完善，像HuggingFace Transformers、Stable Diffusion这些主流项目底层都是PyTorch。
• PyCharm：JetBrains出品的Python IDE。提供代码补全、断点调试、版本控制集成、SSH远程开发等功能。社区版免费，日常深度学习开发完全够用。

1.2 虚拟环境到底解决了什么痛点

没有虚拟环境的时候，所有Python包都装在系统全局环境里。今天装A项目要用的numpy 1.24，明天B项目需要numpy 1.19，一升级就把A项目搞坏了。这就是传说中的“环境地狱”。

Anaconda的虚拟环境相当于给每个项目单独开了一个小房间，房间里的Python解释器和所有第三方库都是独立的。A项目住101房间，B项目住102房间，两边各装各的numpy，谁也不影响谁。

用conda创建虚拟环境，本质就是指定一个目录存放该环境的所有文件。激活环境后，终端里的python、pip、conda命令都会指向这个目录下的版本。这也是为什么后文我们会反复强调“先激活环境再装包”，否则很容易把包装到base环境甚至系统环境里，然后一脸懵地发现PyCharm里还是导入失败。

2. Anaconda安装与基础配置

2.1 下载安装包：官网下载和镜像站怎么选

Anaconda的官方下载地址是anaconda.com/download，进入页面后直接能看见对应操作系统的安装包。Windows选64-Bit Graphical Installer，macOS有Intel芯片和Apple Silicon两个版本，Linux一般是.sh安装脚本。

这里有一个实际体验上的差别：官网服务器在国外，下载速度偶尔会让人崩溃。如果下载Anaconda安装包时速度只有几十KB/s，我一般建议直接换国内镜像源下载。清华大学的开源软件镜像站（mirrors.tuna.tsinghua.edu.cn/anaconda/archive/）保留了所有历史版本，找到最新版下载即可，速度通常能到几MB/s。

版本选择上，我建议选最新的稳定版，不用刻意追求旧版本。Anaconda的Python版本默认会跟随最新稳定版，而后文我们会通过虚拟环境指定Python版本，所以安装包本身的Python版本并不关键。

2.2 安装过程中的三个关键选项

Windows安装过程有几个选项需要特别注意，选错后面会多出不少麻烦。

第一个关键选项是安装路径。默认安装到C:\Users\你的用户名\anaconda3，建议保持默认，不要手动改成带中文或空格的路径，部分工具对特殊字符路径支持不好，后续容易出诡异问题。

第二个关键选项是“Add Anaconda3 to my PATH environment variable”。新版安装器默认不勾选这项，还会给一句红色警告。我个人的建议是：如果你只打算用Anaconda Prompt操作，那就保持不勾选；如果你希望能在Windows Terminal或CMD里直接使用conda命令，可以勾选。两种方式都能用，但如果不勾选，遇到问题时排查思路更清晰。这篇教程里我会带大家在Anaconda Prompt里操作，所以不勾选也可以。

第三个关键选项是“Register Anaconda3 as my default Python 3.x”。如果你电脑上没有预装其他Python版本，可以勾选；如果已经装了官方Python，建议取消勾选，避免默认解释器被替换导致原来项目出问题。

macOS和Linux用户一般是双击.pkg或执行bash Anaconda.sh，一路yes即可。Linux安装完成后记得source ~/.bashrc让环境变量生效。

2.3 换国内镜像源，让conda下载不再慢吞吞

Anaconda装好后，先把conda默认源换成国内镜像，这一步能明显减少后续安装PyTorch时的等待时间。原因是conda默认从anaconda.org拉取包，这个服务在国外，高峰期速度非常慢，而国内镜像站有很多缓存副本，速度快得多。

执行方式是在终端（Windows用Anaconda Prompt）里依次输入以下命令：

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

设置之后，conda下载包时会优先从清华镜像拉取。如果你后面安装PyTorch时打算用pip，也可以顺手把pip源换成清华PyPI镜像：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

换源之后要注意一个小问题：如果某些冷门包在清华镜像上没有，conda会自动回退到官方源，只是速度慢一些，不影响使用。

2.4 验证Anaconda是否安装成功

安装完成后，验证一下是否正常工作。打开终端或Anaconda Prompt，输入：

conda --version

能看到类似conda 24.x.x的输出，就说明安装成功。

再输入：

python --version

这里的python版本取决于当前激活的环境。默认base环境会显示Anaconda自带的Python版本。

最后顺手更新一下conda本身：

conda update conda

2.5 创建PyTorch专用虚拟环境

我强烈建议不要直接在base环境里装PyTorch，而是单独建一个环境。原因很简单：base环境是Anaconda的核心环境，装太多包容易导致系统混乱，而且很多教程默认操作base，出问题后难以恢复。

创建虚拟环境的命令格式是：

conda create -n pytorch python=3.11

其中pytorch是环境名称，可以随意改，python=3.11是环境内的Python版本。PyTorch 2.x对Python 3.11支持得很好，这里以3.11为例。

执行后conda会提示将要安装哪些包，输入y确认，等待创建完成。

激活这个环境使用的是：

conda activate pytorch

激活后命令行前面会出现(pytorch)字样，表示当前已经在虚拟环境中。后续所有PyTorch相关包的安装，都要确保在这个状态下进行。

如果你安装完发现怎么都激活不了，先看看conda版本是否过旧，或者试试conda init再重新打开终端。

3. PyTorch安装：CPU还是GPU，选对命令才不踩坑

3.1 先看硬件和驱动，再决定装什么版本

PyTorch安装最大的分叉点在于：你要装CPU版还是GPU版。很多人上来就装GPU版，结果模型训练时报错或者压根没用上显卡，白白浪费时间和磁盘空间。

判断步骤如下。

先看自己有没有NVIDIA显卡。在Windows下打开任务管理器，性能一栏里看有无“GPU”一项，如果有，GPU名称里是否带NVIDIA字样。没有NVIDIA独显的电脑，直接装CPU版。

有NVIDIA显卡的，打开CMD或PowerShell，输入：

nvidia-smi

这个命令会显示显卡的驱动信息，以及CUDA版本号。注意，右上角的“CUDA Version: xx.x”表示你当前驱动支持的最高CUDA版本，不代表你已经装了CUDA Toolkit。PyTorch的GPU版自带CUDA运行时，所以你不需要单独安装完整的CUDA Toolkit，只需保证NVIDIA驱动版本不要太旧即可。

如果你连nvidia-smi都提示“不是内部或外部命令”，说明NVIDIA驱动还没装好，或者装得不完整。先去NVIDIA官网下载对应显卡型号的驱动安装上。

macOS用户没有NVIDIA CUDA支持，直接装CPU版即可，Apple Silicon芯片的Mac还可以利用MPS加速，后面我们再说。

3.2 用conda安装PyTorch：一条命令的事，但版本要对

确认好硬件情况后，回到已经激活的pytorch虚拟环境，打开PyTorch官网（pytorch.org），官网首页会自动根据你的操作系统和包管理器生成对应的安装命令。这是最权威的获取安装命令的方式。

截至我写这篇教程时的稳定版本，Linux和Windows的conda安装命令大致如下。

CPU版：

conda install pytorch torchvision torchaudio cpuonly -c pytorch

GPU版（以CUDA 12.1为例）：

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

注意GPU版命令最后多了pytorch-cuda=12.1，这个包是从NVIDIA的conda频道拉取的CUDA运行时，是整个GPU支持的关键。如果你的显卡驱动较老，可以选择低一些的CUDA版本，比如11.8，命令里的版本号相应改成pytorch-cuda=11.8即可。

3.3 为什么不建议用默认的pip install torch

还有一个常见做法是用pip安装：

pip install torch torchvision torchaudio

这条命令默认会安装CPU版。如果你装完发现torch.cuda.is_available()返回False，而自己明明有NVIDIA显卡，多半就是这条命令导致的。

用pip安装GPU版，需要指定CUDA版本的镜像源，命令比较长，格式类似：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

这里cu121对应CUDA 12.1。这种方式同样可行，但需要pip源稳定。整体来说，conda命令更省心，因为conda会自动处理CUDA相关的依赖包，而pip有时会因为环境中缺少某些CUDA动态库而出现问题。

还有一个现实差异：conda装PyTorch一般会把CUDA运行时的库都带上，装完就能用；pip装GPU版有时候还需要额外确认系统里有没有对应的CUDA库。对新手来说，conda更稳妥。

3.4 安装验证：torch.cuda.is_available()说了算

安装完成后，在激活了pytorch环境的终端里输入：

python -c "import torch; print(torch.__version__)"

能输出版本号就说明PyTorch装好了。

接着验证GPU是否可用：

python -c "import torch; print(torch.cuda.is_available())"

如果输出True，那么你的CPU和GPU版PyTorch都配置成功。如果输出False，先不要慌，按第五节的排查步骤走一遍。

CPU版用户到这里就可以直接跳到第4节了。GPU版用户还可以再看一眼实际使用的显卡型号：

python -c "import torch; print(torch.cuda.get_device_name(0))"

看到类似“NVIDIA GeForce RTX 4060 Laptop GPU”的输出，说明检测正常。

4. PyCharm安装与项目配置

4.1 下载社区版还是专业版

PyCharm官网是jetbrains.com/pycharm，进入下载页面发现有两个版本：Professional（专业版）和Community（社区版）。

很多新手会对这两个版本纠结半天。我的建议非常直接：如果只是学习深度学习、写Python脚本、做数据分析和本地PyTorch项目，社区版完全够用，免费、开源、没有使用限制。专业版多了远程开发、数据库支持、Django Web开发等功能，如果你以后要连远程服务器训练模型，可以考虑。学生和教师也可以凭学校邮箱免费申请专业版授权，这一点大家可以自己去了解，本文不多说。

下载时注意选择对应操作系统，Windows用户下载.exe安装包，macOS下载.dmg。

4.2 安装过程的几个细节

双击安装包后，一路Next也不是不行，但有三个选项建议手动调整。

第一个是安装路径，我习惯改成D:\JetBrains\PyCharm Community Edition之类的路径，避免默认装在C盘越积越大。

第二个是安装选项，勾选“Create Desktop Shortcut”，把64-bit launcher勾上。如果平时习惯右键打开文件，也可以勾选“Add 'Open Folder as Project'”。其他如“Update PATH variable”保持默认。

第三个是文件关联，建议勾选.py文件关联，以后双击.py就能直接用PyCharm打开。

安装完成后第一次启动，会让你选择UI主题和是否导入配置。新手直接选默认设置即可，后面在设置里随时能改。

4.3 把PyCharm的解释器指到conda环境

这一步是整套配置里最关键的一环。很多人在PyCharm里写完代码，一运行发现ModuleNotFoundError: No module named 'torch'，十有八九是解释器没选对。

新建项目时，在“New Project”界面找到“Interpreter”或“Python Interpreter”选项，点击“Add Interpreter” -> “Add Local Interpreter”。

在弹出的窗口里，选择“Conda Environment”标签页，再选择“Existing environment”，然后在右侧下拉框里找到之前创建的pytorch环境。如果下拉框没显示，点击右侧文件夹图标，手动定位到Anaconda安装目录下的envs\pytorch\python.exe文件。

选好之后，点Create创建项目。此时PyCharm的终端会自动激活pytorch环境，运行代码时用的解释器也是这个环境里的Python。

对于已经创建的旧项目，修改解释器路径的方法是：File -> Settings -> Project -> Python Interpreter -> Add Interpreter，同样选择Conda Environment即可。

4.4 验证PyCharm里的torch是否能正常导入

配置完成后，在PyCharm里新建一个Python文件，输入以下代码：

import torch print(torch.__version__) print(torch.cuda.is_available())

点击运行，如果能输出torch版本号和True/False，说明整个环境已经打通。这里输出的应该和终端里的结果一致。如果PyCharm里报错，但终端里正常，基本可以断定解释器选错了环境，回到4.3节重新检查一遍。

4.5 PyCharm常用设置优化

第一次用PyCharm，有几个设置项可以顺手调一下，让后续使用舒适很多。

界面语言方面，新版PyCharm默认英文。如果你想用中文界面，可以安装Chinese Language Pack插件：打开Settings -> Plugins，在Marketplace里搜索Chinese，找到“Chinese Language Pack / 中文语言包”插件安装并重启即可。

代码字体方面，Settings -> Editor -> Font里可以调字体大小。我个人习惯将字号设为16，做深度学习时盯着屏幕时间较长，字号太小的确费眼。

自动保存和换行等设置保持默认即可。还有一个实用功能：在Settings -> Tools -> Python Integrated Tools里，可以把Default test runner设置为pytest，后续写测试更顺手。

5. 安装过程中最常见的坑和排查思路

5.1 conda命令不是内部或外部命令

这是在Windows上装完Anaconda后最常见的报错，原因只有一个：conda的可执行文件路径不在PATH环境变量里。

解决办法有两种。如果你是按我前文的方式，安装时没有勾选加入PATH，那么在Anaconda Prompt里用conda命令是没问题的，因为Anaconda Prompt启动时会自动加载conda相关的环境变量。如果你希望在所有终端里都能用conda，可以在Anaconda Prompt里执行一次：

conda init cmd.exe

然后重新打开终端。这条命令会把Anaconda相关路径写进用户环境变量。

另外，如果你使用的是Windows Terminal或PowerShell，在Anaconda Prompt中执行：

conda init powershell

然后以管理员身份重新打开PowerShell即可。

5.2 conda create或install速度极慢

安装包速度上不去，绝大多数情况是源的问题。确认一下当前conda的源配置：

conda config --show channels

如果显示的还是默认的repo.anaconda.com，说明之前配置镜像源没生效。重新执行2.3节的换源命令，然后再装一次。

还有一个可能性是conda在解析依赖关系时卡住了。这个时候终端会停在“Solving environment”状态很久。解决办法是使用mamba，一个用C++写的更快的conda替代品。安装它：

conda install mamba -n base -c conda-forge

之后用mamba代替conda创建环境和装包：

mamba create -n pytorch python=3.11 mamba install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

实测下来，mamba解析依赖的速度是conda的几倍到十几倍，墙裂推荐。

5.3 NVIDIA显卡正常，但torch.cuda.is_available()返回False

这个问题分几种情况排查。

先确认nvidia-smi能正常输出。如果不能，驱动没装好，去NVIDIA官网下载驱动，安装重启后再试。

再确认你安装的PyTorch是GPU版。可以用以下命令查看：

conda list pytorch

如果显示的包名是pytorch=2.x.x，后面没有+cpu字样，说明装的是GPU版。如果带着cpu，说明装错了版本，需要重新安装：

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

最后确认安装命令里的CUDA版本和你的驱动兼容。驱动版本越新越好，老驱动对高版本CUDA的支持有限。如果驱动比较旧，安装低版本的CUDA PyTorch（比如pytorch-cuda=11.8）一般都能解决。

如果你用的是笔记本，还要考虑显卡切换的问题。部分笔记本默认让程序使用核显运行，PyTorch会检测不到独显。可以在系统里搜索“图形设置”，把Python进程设置为“高性能NVIDIA处理器”。

5.4 PyCharm运行后ModuleNotFoundError

终端里能用torch，PyCharm里不能用，大概率是解释器配置问题。去Settings -> Project -> Python Interpreter里看当前选择的是哪个环境。如果显示的是Python 3.11（base环境）或者系统自带的Python，都会导致torch导入失败。

务必将解释器切换到conda环境下的python.exe，路径通常在Anaconda安装目录的envs\pytorch\python.exe。

切换后如果PyCharm提示索引或导入过程比较久，属正常现象，等待右下角进度条走完再运行。

5.5 磁盘空间不足警告

Anaconda、PyTorch的CUDA组件加在一起，占用空间远超你想象。一个带CUDA的PyTorch环境通常需要4~6GB空间，Anaconda本体也要2~3GB。如果C盘空间紧张，建环境时可以用以下命令指定环境存放路径：

conda create -p D:\conda_envs\pytorch python=3.11

• -p参数指定了环境路径到D盘，激活时也需要用完整路径或者先cd到对应目录。这样可以有效避免C盘爆掉。

实测中这个用法非常适合笔记本用户，尤其是那些C盘只有128GB的老机器。

5.6 PyTorch安装后运行时报找不到MSVCP140.dll

Windows上运行时偶尔会提示缺少这个动态链接库，原因是系统缺少Microsoft Visual C++ Redistributable运行库。去微软官网搜索“Visual C++ Redistributable”，下载x64版本安装后重启系统，问题即解决。

6. 装好之后先跑几个小例子练手

环境装好，建议不要急着去看复杂的模型代码，先用几个最简单的例子确认整条链路是通的，同时感受一下PyTorch的基本操作方式。

第一个例子：创建一个张量，做一些基础运算。

import torch x = torch.tensor([[1, 2], [3, 4]], dtype=torch.float32) y = torch.tensor([[5, 6], [7, 8]], dtype=torch.float32) z = torch.matmul(x, y.transpose(0, 1)) print(z) print(z.shape)

如果没有报错并输出对应矩阵，说明基本运算正常。torch.matmul是矩阵乘法，transpose是转置，这两个操作在后续模型代码里随时会用到。

第二个例子：验证自动求导机制。这是PyTorch最核心的一个特性，也是深度学习训练的数学基础。

import torch x = torch.tensor(3.0, requires_grad=True) y = x ** 2 + 2 * x + 1 y.backward() print(x.grad)

理论上，y对x的导数是2x + 2，代入x=3应该得到8。如果输出tensor(8.)，说明自动求导功能正常。理解了这个机制，你就知道为什么PyTorch能自动计算每个参数的梯度。

第三个例子：如果你的电脑支持CUDA，验证GPU上能跑运算。

import torch print(torch.cuda.is_available()) device = torch.device("cuda" if torch.cuda.is_available() else "cpu") x = torch.randn(3, 3, device=device) print(x)

这段代码会把张量创建在GPU上，如果正常输出，说明GPU相关链路完全打通。使用Apple Silicon芯片的Mac用户，可以把cuda换成mps，PyTorch 2.x对MPS原生支持已经比较完善：

device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")

7. 一点个人心得

装环境这件事，本质上是把“不可控的依赖”变成“可控的状态”。我见过太多人卡在这一步就放弃了，也有很多人因为环境搞不定，误以为是自己的代码有问题，白白浪费大量时间。

如果你的安装过程和这篇教程不完全一样，不要慌。PyTorch的版本迭代很快，Anaconda也在持续更新，具体命令和教程里的截图可能对不上，但核心思路是不变的：确认硬件、创建虚拟环境、用正确的源安装、把解释器选对、验证GPU可用。抓住这几条主线，无论界面怎么变、命令怎么改，你都能自己排查出来。

给新手的最后一条建议：不要追求一次把所有深度学习相关的包都装齐。先搭一个能跑通的PyTorch环境，后面用到什么再装什么。这样环境始终保持简洁，出问题时也能快速定位。装上之后，建议拿一个经典的小项目，比如用PyTorch做一次mnist手写数字分类，完整地跑一遍数据加载、模型定义、训练循环、测试评估的流程，这才是检验环境是否真正可用的最好方式。