Windows下 Python 深度学习环境搭建指南

引言

近年来，深度学习在各行业广泛应用，合理的开发环境是顺利开展模型训练和实验的基础。本文面向 Windows 用户，总结了从系统准备到安装框架的完整步骤，帮助读者快速搭建稳定的 Python 深度学习环境。

步骤1：确认硬件与驱动

在开始之前，需要确认操作系统为 Windows 10/11，并了解是否拥有 NVIDIA GPU。如果希望利用 GPU 加速，需要安装对应的 GPU 驱动并保持更新。根据指南，准备工作包括安装 NVIDIA 驱动并通过 nvidia‧smi 命令查看驱动版本和可用的 CUDA 版本 (medium.com) 。

步骤2：安装 Python/Anaconda

深度学习框架依赖于 Python 3.x。Windows 用户可从 python.org 下载官方安装包，或者使用 Anaconda 发行版。Anaconda 集成了常用的科学计算库和包管理工具，便于解决依赖况存 (medium.com) 。安装完成后，可打开 Anaconda Prompt 创建独立环境。

步骤3：创建虚拟环境

为了隔离项目依赖，建议为每个项目创建独立的虚拟环境。在 Anaconda Prompt 中运行：

conda create -n dl python=3.8  
conda activate dl  

第一个命令会创建名为 dl 的环境并指定 Python 版本，第二个命令激活该环境 (medium.com) 。

步骤4：安装 CUDA 和 cuDNN（可选）

如果打算在 GPU 上训练模型，需要安装 CUDA Toolkit 和 cuDNN。确保选择与 NVIDIA 驱动兼容的版本。使用 conda 安装可以自动解决依赖，例如：

conda install cudatoolkit=11.0 cudnn  

安装包会根据驱动版本安装匹配的 CUDA 和 cuDNN (medium.com) 。如果仅使用 CPU，可略过此步骤。

步骤5：安装深度学习框架

在虚拟环境中，可根据需要安装 TensorFlow 或 PyTorch 等框架：

• 安装 TensorFlow：若使用 GPU，可根据关系表选择适配的版本，例如：

  pip install tensorflow-gpu==2.4  

• 安装 PyTorch：官方建议使用 conda 安装以自动匹配 CUDA 版本，例如：

  conda install pytorch==1.7.0 torchvision==0.8.0 -c pytorch  

安装完成后，可使用 import tensorflow 或 import torch 测试是否成功，并使用 torch.cuda.is_available() 查看 GPU 是否可用 (medium.com) 。

步骤6：验证环境

安装完成后，运行简单的代码验证环境是否正常：

• TensorFlow：

  import tensorflow as tf  
  print(tf.config.list_physical_devices('GPU'))  

  如果返回包含 GPU 名称的列表，则说明 TensorFlow 已能识别 GPU。

• PyTorch：

  import torch  
  print(torch.cuda.is_available())  
  print(torch.cuda.get_device_name(0))  

  如果返回 True 和 GPU 名称，说明 PyTorch 能够使用 GPU (medium.com) 。

总结

Windows 平台同样可以搭建高效的深度学习环境。核心流程包括准备硬件与驱动、安装 Python/Anaconda、创建虚拟环境、安装 CUDA/cuDNN（可选）以及安装并验证深度学习框架。通过使用 Anaconda 和匹配版本的 CUDA，可以有效避免依赖况存。希望本文能为您搭建深度学习环境提供清晰的指引。