1. 这套组合到底解决什么问题先说结论Anaconda、PyTorch、PyCharm这三样东西凑在一起就是为了让你在写深度学习代码的时候不至于因为环境问题浪费半天生命。很多初学者第一次接触深度学习拿到一份代码第一件事就是装依赖。今天缺numpy明天缺pandas后天torch和cuda版本对不上大后天pip把系统Python环境搞崩了。这种痛苦我相信凡是折腾过的人都懂。而Anaconda PyTorch PyCharm的组合本质上就是一套标准化的解决方案Anaconda管环境PyTorch管模型训练PyCharm管代码编辑调试。三者各司其职配合起来非常顺手。这篇文章就是一步步带你走完整个配置流程。无论你是刚上手Python的纯新手还是已经写过一阵脚本、准备转深度学习的老伙计只要跟着走都能在半小时内搭好一套干净、隔离、随时可以推倒重来的深度学习开发环境。顺便说一句这套流程我在不同电脑上至少走过十几遍Windows、Linux都试过踩过很多坑。下面写的每一步都是我在实际配置中验证过的最稳路径不是把官方文档抄一遍给你。2. 装环境前先想清楚的几件事2.1 为什么需要Anaconda直接用pip不行吗很多人会有这个疑问既然PyTorch官网直接给了pip安装命令为什么还要多装一个Anaconda原因在于Python的包管理有一个绕不开的痛点依赖冲突。一个项目可能需要numpy 1.x另一个项目可能需要numpy 2.x如果都装在系统Python里迟早会相互踩踏。更麻烦的是pip安装的包会把依赖散落在系统目录中卸载不干净时间长了环境就成了一个没人敢动的“屎山”。Anaconda的核心价值在于它自带conda包管理器而conda最大的杀手锏就是虚拟环境。你可以随时创建出一个独立的小房间里面装上指定版本的Python和所有依赖跟外界完全隔离。想换一套组合就再建一个房间不想用了直接删除整个房间系统Python干干净净不受影响。用生活化类比来说系统Python就像一套合租房里的公共厨房谁都能用但谁都不爱惜。conda虚拟环境则是给每个项目单独租了一间带独立厨卫的小公寓再乱也是自己家的事不影响别人大不了退租重新租一间。另外Anaconda还内置了conda-forge这个软件源很多科学计算相关的包比如numpy、scipy、pandas在conda源里就是预编译好的二进制包安装速度快不会出现“pip下载源码包然后现场编译失败”的经典悲剧。其实如果你已经装了某个Python发行版也可以只装Miniconda它不携带预装的大量科学计算包启动也要快不少核心的conda功能一个不少。本篇文章以Anaconda为例但Miniconda的操作完全一致。2.2 装哪个版本的PyTorchCPU还是GPUPyTorch的安装命令官网会根据你的操作系统、包管理器、CUDA版本动态生成。这里有个关键决策你是想用CPU跑还是用GPU加速训练。如果只是学习、跑小模型、调代码逻辑CPU版完全够用。它安装简单、不依赖显卡驱动、不会遇到CUDA各种版本匹配的坑。但真实场景中训练神经网络动辄几个小时没有GPU加速几乎没法干活。如果要用GPU你的电脑首先需要一张支持CUDA的NVIDIA显卡然后要确认显卡驱动够新。对于大多数新手我不建议你自己去手动装CUDA Toolkit因为PyTorch的pip和conda安装包内部其实已经捆绑了运行时所需的CUDA库显卡驱动OK的话直接装对应的PyTorch版本就能用。关键点在于你需要知道在哪个镜像源上选哪个版本。这个话题我放在后面的实操章节详细展开因为这里是绝大多数人配置翻车的地方。2.3 为什么中间要插一个PyCharm装了Anaconda和PyTorch之后你其实已经可以在终端里跑Python写深度学习代码了。但现实是没人愿意在纯文本编辑器里写一个几百行的训练脚本然后在终端里盲打命令跑测试。这时候就需要一个像样的代码编辑环境。PyCharm是目前Python开发体验最好的一体化IDE没有之一。它能直接识别conda环境自动加载环境里的解释器和所有第三方包支持断点调试、变量监视、远程服务器部署、Git集成等一大堆实用功能。调试神经网络的时候随时在loss那一行打一个断点看看到底是数据出了问题还是模型结构写错了这种感觉是写print日志完全无法替代的。选择PyCharm而不是VSCode的原因同样是“少折腾”。VSCode要自己装Python插件、配置解释器路径、处理launch.json新手很容易在配置文件里迷路。PyCharm开箱即用配置一次以后每次打开项目自动识别环境非常省心。所以这套组合的完整逻辑链是conda负责把依赖环境管好PyTorch负责深度学习本体PyCharm负责减少你写代码和调试的摩擦。三者缺一不可互相补位。3. 安装Anaconda顺便把conda基础用法讲明白3.1 下载安装打开Anaconda官网下载页面认准你自己操作系统的版本。这里必须提醒一个容易忽略的细节下载页面默认展示的是最新Python版本的Anaconda你不需要纠结Python版本Anaconda安装包里自带一个Python解释器后面你建虚拟环境的时候可以指定任意你想要的Python版本与安装包自带那个无关。安装的时候有几个勾选项需要注意安装到哪个盘都行但路径里不要出现中文和空格否则后续很多命令行工具解析路径时会出错。Windows用户在安装到最后一步时会看到一个“Add Anaconda to my PATH environment variable”的选项默认是不勾选的。新手往往纠结要不要勾。我的建议是不要勾选。因为一旦加入系统PATHconda的Python会和系统里其他Python抢优先级容易引发一些莫名其妙的问题。以后要用conda就从Anaconda Prompt这个专门的终端进安安静静互不打扰。装完之后Windows系统里会多出一个Anaconda Prompt的快捷方式。以后所有conda命令都在这个终端里执行这才是conda的“正确打开方式”。3.2 先学会这七条conda命令再往下走整个配置过程里你会发现来来回回就用到这么几条命令。提前掌握它们后面就不会手忙脚乱。# 查看当前已有哪些环境带*号的是当前激活的环境 conda env list # 创建名为pytorch的虚拟环境指定Python版本为3.11 conda create -n pytorch python3.11 # 进入这个环境 conda activate pytorch # 退出当前环境回到base conda deactivate # 给某个环境安装包 conda install numpy # 删除某个环境连同里面的所有包一起清除 conda remove -n pytorch --all # 查看当前环境里已经装了哪些包 conda list注意conda create -n创建环境时指定Python版本就是要让conda帮你把对应版本的Python解释器也装进这个环境里。这样每个环境就是一套完全隔离的独立Python这是conda最核心的设计思路。有个小坑先提前告诉你conda默认从官方源下载国内网络环境下经常慢到怀疑人生。后面我会讲怎么换源这是在实操中非常关键的一步。4. 创建PyTorch虚拟环境并安装框架4.1 检查GPU环境并确定目标版本这一步我们暂停一下先做个体检。打开Anaconda Prompt执行下面这个命令nvidia-smi如果提示“不是内部或外部命令”说明你的NVIDIA驱动没装好或者压根没有N卡那就老老实实用CPU版。如果正常输出了显卡信息右上角有一个“CUDA Version: xx.x”注意这里显示的是驱动支持的最高CUDA版本不是说你机器里已经装了CUDA Toolkit。PyTorch官方安装命令会让你自己填一个CUDA版本比如cu118、cu121、cu124规则是你选的CUDA版本号必须小于等于驱动支持的版本。如果你显卡驱动很老最高只有CUDA 11.8那PyTorch就选cu118如果驱动是新的直接选最新可用的CUDA版本就好。这里必须纠正一个很多教程里没讲清楚的问题PyTorch安装包里的CUDA不是系统全局的CUDA Toolkit。准确地说PyTorch的二进制包里捆绑了它运行时需要的CUDA库文件包括cudart、cudnn等跟系统里装没装CUDA Toolkit没有直接关系。所以你完全没有必要为了PyTorch去手动安装完整的CUDA Toolkit除非你还在跑谁谁谁的老代码需要自己编译CUDA扩展。如果遇到这种需求就属于后话了。4.2 换内核源再安装省下人生两小时不做换源这一步你在国内直接用官网的安装命令大概率会卡在下载环节一小时下载进度条纹丝不动。conda和pip都支持配置镜像源我们换上国内镜像源下载速度可以提升一个数量级。先说conda换源。在Windows上编辑你用户目录下的.condarc文件如果文件不存在就新建一个。填入以下内容channels: - defaults show_channel_urls: true default_channels: - https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/main - https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/r custom_channels: conda-forge: https://mirrors.sjtug.sjtu.edu.cn/anaconda/cloud pytorch: https://mirrors.sjtug.sjtu.edu.cn/anaconda/cloud其实国内有好几个镜像站清华、中科大、上交的都行。我常用的是上交的因为它的pytorch通道同步得比较完整。有人会问清华源为什么不直接用我在实际使用中偶尔会遇到清华的pytorch通道不同步的问题导致conda找不到最新版本所以现在更常用上交的。如果你没有这个顾虑用清华也完全没问题。这里我不打算让你全部依赖conda安装PyTorch。很多老教程会让你用conda install pytorch ... -c pytorch但实测在默认配置下conda处理PyTorch的依赖解析经常能卡很久而且它喜欢把一堆无关包一起升级。我自己更推荐的安装路径是用conda创建环境用pip安装PyTorch。为什么这么做因为pip的包管理更直接安装命令就是单纯的下载和解压不会有conda那种复杂的依赖解析过程。而且PyTorch官方对pip分发包的维护力度一直很及时。唯一要注意的是接下来在虚拟环境里执行的pip install一定是环境自己的pip而不是系统pip。4.3 正式创建环境安装PyTorch打开Anaconda Prompt依次执行以下命令# 创建pytorch环境使用Python 3.11 conda create -n pytorch python3.11 # 激活环境 conda activate pytorch # 确保pip是环境自带的版本 python -m pip install --upgrade pip然后确认一下Python版本够新、环境正常python --version接下来这一步是整个流程的核心分水岭。先判断一下你的场景选择对应的安装命令。场景一CPU版也就是没显卡、或者只想先跑通代码。直接运行pip install torch torchvision torchaudio这条命令不加任何CUDA参数默认下载的是CPU版本包体积小安装速度快。场景二GPU版显卡驱动体检已通过。有两种方式安装。方式一直接用官方指定命令。这种方法依赖配置好的PyTorch专用pip源国内访问速度不理想。方式二走国内镜像加速实际效果要好得多。推荐用下面的命令pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124如果你的显卡驱动较老把URL末尾的cu124改成cu118等对应版本。显卡驱动很新的话直接用cu124或者官方网站上标注的最新版本即可。其实你会发现这个--index-url参数就是让pip从PyTorch自己的whl仓库里找包仓库路径带着cu124就表示编译时绑定了CUDA 12.4的运行时库。如果你在清华的pytorch源里找不到对应版本这里就是最可靠的备选渠道。安装完成后立即验证。运行python -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果输出类似2.4.1cu124且torch.cuda.is_available()返回True恭喜你GPU环境装好了。返回False就说明驱动或者CUDA版本不匹配需要回到第4.1节重新检查。注意torchvision和torchaudio分别是对应的视觉模型处理库和音频处理库它们跟torch有严格的版本配套关系。用同一个installation命令安装三个包的版本就是配套的千万别分开手动安装否则经常出现版本不一致导致import torchvision报错。4.4 创建环境时的一个实用习惯所有conda环境号我建议直接就叫pytorch简单直接。但如果你同时维护多个项目比如一个做NLP、一个做CV可以把环境名起得具体一些比如nlp、cv避免时间一长自己都忘了这个环境是干嘛的。在创建环境时可以顺手把Jupyter Notebook也装进去方便后面跑实验conda install ipython jupyter notebook这一步可选不影响主线。5. 安装PyCharm并与conda环境对接5.1 版本选择与安装PyCharm分为Professional专业版和Community社区版两个版本。社区版免费但很多功能被阉割比如远程调试、数据库工具等。对纯Python开发来说社区版其实够用但如果你以后有开发Web项目或者需要远程连服务器跑训练的需求专业版的价值就体现出来了。这里说说我的建议安装专业版因为它提供了完整的项目级环境管理体验。至于激活问题不在本文讨论范围反正有条件的用官方正版还在上学的同学可以申请学生免费授权很香。安装过程一路默认即可不需要改什么配置。唯一需要注意的是首次启动PyCharm的时候它会询问你“是否导入之前版本的设置”新手直接选“不导入”就好免得把没用的旧配置带进来。5.2 新建项目时选中conda环境这是最容易出错的一步打开PyCharm新建项目的时候左侧选“Pure Python”或者你需要的项目类型然后重点看右侧的Interpreter配置区域。PyCharm新建项目时一般会给你一个默认选项使用“New environment using Virtualenv”。这个Virtualenv是PyCharm自己创建的一套虚拟环境跟我们用conda创建的环境不是一回事别选它。正确做法是选择“Previously configured interpreter”点击“Add Interpreter”在弹出的窗口里选择“Conda Environment”然后选择“Use existing environment”在下拉列表里选中我们之前创建好的pytorch环境。如果找不到下拉选项点击旁边的...按钮手动定位到Anaconda安装目录下的python.exe。或者更简单粗暴在已经打开的项目里进入File → Settings → Project → Python Interpreter点击齿轮图标同样选择“Add Interpreter → Conda Environment → Existing environment”定位到pytorch环境。这一步配置完成后你在PyCharm的右下角状态栏就能看到当前解释器的路径里面应该带着pytorch这个目录名。之后写的所有Python代码都会在这个环境里执行import torch也不会报错。很多人栽在“用conda创建了环境却又在PyCharm里选了Virtualenv创建的新环境”导致装好的PyTorch完全找不到。这个问题的根源就是没搞明白Interpreters的大分类。5.3 再创建一套项目测试环境为了实践“多环境”理念我建议你新建项目的时候再走一遍流程创建一个叫做test-env的虚拟环境然后在里面装一些常用的小包比如requests、pandas。然后再用同样的方式把PyCharm的解释器切换到test-env。这一个操作的意义在于你亲身经历了一遍“不同项目使用不同环境”的完整流程以后想加新环境、换环境就是分分钟的事不用再翻教程。6. 完整实操流程实录从零跑到训练代码光说不练没用下面是我在一台配置一般的笔记本上从零开始走完整个流程的实录每一步的耗时和输出结果都写在里面你可以对照着看。6.1 清理旧环境这台电脑之前装过乱七八糟的Python环境我决定全部推倒重来。先删除之前的虚拟环境conda env remove -n pytorch然后确认环境列表里只剩一个baseconda env list输出# conda environments: # base * C:\Users\someone\anaconda3干净了。6.2 安装PyTorch GPU版激活并安装conda activate pytorch python -m pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124因为走的PyTorch官网仓库下载大约3GB的包由于网速不稳定一共用了约12分钟。如果直接走官方默认channel大概率会卡死换到这个URL之后速度快了很多。安装完成后验证python -c import torch; print(torch.cuda.is_available())输出True说明GPU调用成功。6.3 PyCharm里跑通一个最小神经网路训练在PyCharm里新建项目DemoProject解释器选pytorch环境然后新建脚本train_demo.py写一个极简的线性回归例子import torch import torch.nn as nn # 随机生成一批训练数据 x torch.linspace(0, 10, 100).reshape(-1, 1) y x * 2.0 1.0 torch.randn(x.size()) * 0.2 # 定义模型 model nn.Linear(1, 1) loss_fn nn.MSELoss() optimizer torch.optim.SGD(model.parameters(), lr0.01) # 训练 for epoch in range(100): pred model(x) loss loss_fn(pred, y) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch 1) % 20 0: print(fEpoch {epoch1}, Loss: {loss.item():.4f}) print(模型权重:, model.weight.item(), model.bias.item())右键点击运行命令行里能看到loss逐步下降最终权重逼近2.0偏置逼近1.0。这说明整条链路是通的解释器用对了PyTorch装好了CUDA也能识别PyCharm的调试功能也正常工作。6.4 在诡异情况下切换环境为了验证多环境隔离我把解释器切换回test-env再次运行同一个脚本。预期结果是import torch直接报错因为test-env里压根没装torch。果不其然报错信息是ModuleNotFoundError: No module named torch。这就很直观地说明了环境隔离的效果每个环境装的一套东西彼此无关互不干扰。在test-env里执行pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu装一个CPU版再运行脚本程序又能跑起来了。这验证了同一个项目代码可以在不同环境配置下正常运行只是速度有区别。7. 常见问题与排查技巧实录这一节内容是最值钱的。我把这些年配环境踩过的坑集中整理一下这些报错信息你基本都能在搜索引擎里搜到但很少有人把根源和解决方案讲得这么透。7.1 无法将“conda”项识别为cmdlet、函数、脚本文件或可运行程序的名称这个报错非常经典几乎每个Windows新手都会遇到。原因是你在PowerShell或者普通的cmd窗口里执行了conda命令但conda的安装路径不在当前终端的环境变量里。解决办法就一条不要用PowerShell改用Anaconda Prompt。安装Anaconda时它会自动创建这个专用终端它是一个bash风格的Shellconda的路径已经被预加载好了。所有conda命令操作都在Anaconda Prompt里做所有Python代码运行都在PyCharm里做。分清这两个工具能少踩一半的坑。如果你非要在PowerShell里用那就先执行conda init powershell然后重启PowerShell。本质上是让conda把它的初始化脚本注入到PowerShell配置里但这种做法在部分企业电脑上会触发一些奇怪的权限问题不推荐。7.2 下载太慢进度条卡半天如果你用的是conda官方源或者PyPI官方源国内网络速度确实堪忧。解决办法就是换源。conda换源直接改.condarc文件pip换源可以用下面的方式pip config set global.index-url https://mirrors.sjtug.sjtu.edu.cn/pypi/web/simple但要特别提醒如果你需要从PyTorch官网的download.pytorch.org/whl/仓库下载特定CUDA版本的包就不应该使用pip的全局镜像。因为很多国内镜像源不同步PyTorch的cu版本包你把它设成默认源之后再执行那句--index-url就会临时绕开镜像去官网下载。原理上讲--index-url的优先级高于全局配置所以如果你想下载GPU版就带这个参数想走镜像下载其他包就不带参数两者并不冲突。7.3 PyTorch装好了torch.cuda.is_available()还是False这种情况多见于GPU版本安装成功但运行期检测不到显卡。排查路径按以下顺序第一步确认安装的是GPU版而不是CPU版python -c import torch; print(torch.__version__)如果输出末尾没有cu字样说明装的是CPU版重新安装GPU版即可。第二步查驱动nvidia-smi没有输出就说明驱动没装好。去显卡厂商官网下载对应驱动装完重启再跑一次验证。第三步确认驱动版本支持PyTorch需要的CUDA版本。如果你驱动只支持到CUDA 11.8但你装的PyTorch是cu121它根本起不来。卸载重装对应版本即可。7.4 PyCharm里import torch报红报红的原因大概率是解释器没选对或者环境对不上。查看PyCharm右下角确认当前的Python解释器路径里带着pytorch这个环境目录。如果不对按照5.2节的方法切换解释器。另一种可能性你用conda activate pytorch在终端里跑通了代码但PyCharm里的解释器还指向一个旧的环境这时候PyCharm左下角会出现一个黄色提示条说“Python packages are out of date”点击更新即可。如果不更新代码运行没问题但编辑器提示波浪线会一直存在很影响心情。7.5 conda create环境时卡在Solving environment这是conda最常见的慢性病。解决思路有两条一是尽量用python -m pip install安装第三方包让conda少做依赖解析二是给conda单独配置一个较新的libmamba求解器conda 23.10及以上版本自带的默认求解器conda config --set solver libmamba实测用了新版求解器之后创建环境的速度提升非常明显几分钟的等待变成几秒钟。7.6 什么时候需要重建环境当你把环境折腾得一团糟各种包版本改来改去已经记不清状态的时候最优雅的做法不是“修复”而是“重建”。创建环境几秒钟的事情完全可以推倒重来conda deactivate conda remove -n pytorch --all conda create -n pytorch python3.11 conda activate pytorch把这个习惯刻在脑子里它会救你很多次。网上很多教程教你如何用conda downgrade某个包结果推了一堆连锁反应最后整个环境废了。直接重建才是王道。8. 深度避坑经验conda、pip和镜像源的那些事写到这里环境已经跑通了。但我还憋着一些独家的实操体会不吐不快。第一conda和pip不要混用不清。一个常见的烂操作是conda install pip之后又用pip install安装一堆包然后又在conda里管理它们。conda和pip各自维护各自的元数据混用多了环境就进入一种“薛定谔的状态”。我的原则是conda只负责创建环境、管理Python版本、安装一些底层依赖比如numpy的开源BLAS库其余所有Python包都用pip安装。这样出现问题的时候我清楚地知道问题出在哪条链路里。第二镜像源不是越多越好。很多人喜欢在.condarc里塞好几个镜像源以为这样是“多管齐下”。实际恰恰相反conda在解析依赖时会从所有channel里找包如果某个channel里某个包版本旧它就可能给你装上旧版。我的习惯是只用一个主镜像源不配置多余channel干净清晰。第三装PyTorch时先确认Python版本兼容性。PyTorch对Python版本有支持范围。比如一些老版本的PyTorch根本不给Python 3.12提供预编译包你硬装就会遇到“找不到满足要求的版本”。解决办法是把环境里的Python版本降下来比如改成3.11或者3.10。检查方法很简单conda create -n pytorch python3.11至于怎么知道哪个Python版本配哪个PyTorch版本最准的方法是打开PyTorch官网的安装页它会根据你选择的Python版本动态生成对应的安装命令。以这个为准。第四在虚拟环境里安装包时养成查看“当前环境”的习惯。在Anaconda Prompt的提示符前面正常情况下会显示当前所在的环境名。你看到(pytorch) C:\这样的前缀说明你当前在pytorch环境里。如果前缀是(base)那你安装包就装到base环境去了。新手最容易在这个细节上翻车搞了一晚上最后发现包装错了环境。9. 配置完成后的第一份神经网络代码模板环境搭好了你可能一时不知道接下来该干嘛。我给你一个非常实用的最小验证模板做完这个你就知道你全部配置是不是真正能干活。创建一个新文件verify_system.py把这串代码放进去import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader, TensorDataset # 构造一个完全可复现的小数据集 torch.manual_seed(42) x torch.randn(200, 20) y (torch.rand(200, 1) 0.5).float() dataset TensorDataset(x, y) loader DataLoader(dataset, batch_size16, shuffleTrue) model nn.Sequential( nn.Linear(20, 32), nn.ReLU(), nn.Linear(32, 1) ) loss_fn nn.BCEWithLogitsLoss() optimizer optim.Adam(model.parameters(), lr0.01) model.train() for epoch in range(30): total_loss 0 for batch_x, batch_y in loader: optimizer.zero_grad() logits model(batch_x) loss loss_fn(logits, batch_y) loss.backward() optimizer.step() total_loss loss.item() print(fepoch {epoch1}, loss {total_loss / len(loader):.4f})这个30行的脚本涵盖了数据加载、模型定义、训练循环三个核心模块跑通它你的环境就是完完全全可用的深度学习开发环境。如果你后续需要跑一些真正的开源项目要注意大部分项目都会提供requirements.txt里面列了一长串依赖你只需要在环境里执行pip install -r requirements.txt如果项目里有environment.yml那更是好消息conda直接一键复刻conda env create -f environment.yml这两种方式都是把项目依赖一次性注入当前环境的正确姿势。10. 最后一个建议从“单环境”走向“多环境”管理这套配置流程走完之后你手里应该已经有了至少两个conda环境。往后每开始一个新项目不要急着往老环境里塞新包先花十秒钟想一下这个项目跟之前的项目依赖差异大不大如果有明显差异就新建一个环境哪怕它才用到两三个包。有人觉得建环境很麻烦其实恰恰相反conda创建环境的速度快得惊人通常几秒钟就能出来一个干净的Python环境比你在一团乱麻里挣扎一整天要省事太多了。我自己的习惯是每个项目建一个环境环境名跟项目名保持一致命名规则就是proj_加项目代号。项目做完了环境留在那儿哪天硬盘不够了conda env remove一键清理所有依赖记得清清楚楚从不会有“这环境是谁的里面到底装了什么”的困惑。配合PyCharm每开一个新项目、选中对应解释器这个项目的一切依赖就自动跟项目绑定。你团队协作的时候把requirements.txt或者environment.yml留给同事对方一分钟就能复刻出跟你一样的环境。这种“可复现环境”的好习惯越早养成后面越受益。我个人经历里最深刻的感受是环境配置这件事80%的问题都出在“懒得管环境”上。装AnacondaPyTorchPyCharm真正的价值不在于你把这些软件装好的那一刻而是在于你从此养成了“环境隔离”的意识。以后不管接触多复杂的项目不管代码依赖多么刁钻你都能用这套方法论在五分钟内建立一个干净、可靠、随时能用的开发环境。这才是这套配置流程对你最大的馈赠。