【Python】Windows下AI向Python开发环境搭建

做ai前的准备步骤——开发环境配置

前言

AI时代已至，掌握核心技术方能驭浪前行。LLM掀起的浪潮下，传统前后端已在被淘汰的边缘，新一轮变革下，程序猿既需要基本的业务开发能力，也需要了解甚至掌握AI落地应用、小模型开发、调优、部署的能力。因此，学习并构建Linux虚拟化环境，实现CUDA加速与TensorFlow/PyTorch框架深度适配；使用VSCode远程开发与PyCharm专业调试，构建可迁移的AI工程能力——这正是靠拢算法、提升竞争力、精进AI应用开发能力的必经之路。

在此之前，由于爬虫等业务开发的关系，我已经在Windows与Linux环境配置过Python相关环境，但这都是些偏应用开发方向的配置。学习/回顾Python环境配置，温故知新；并安装AI方向的一些包，逐渐了解。

前提
由于本文同时介绍了众多工具、Windows和Linux相关环境配置的介绍，属于长文，读起来需要费一些时间，建议收藏起来慢慢阅读并尝试一起配置。

学习目标

• 学习/回顾Windows下Anaconda下载与配置
• VSCode python插件配置，或使用Pycharm；下载AI编码工具进行配套使用
• Windows下PyTorch下载，验证CUDA
• Ubuntu Anaconda下载安装、VSCode下载安装

1. Windows 环境配置

1.1 Anaconda 下载安装

Anaconda是什么
Anaconda是开源的一种Python发行版本，通常内置常用的一些包和工具，Conda等。其中Conda是我们常用的一种Python环境和包管理工具。

下载安装
Windows的Anaconda我已安装过，参考的是知名博主JackCui的教程JackCui-Windows下Anaconda下载安装
早在2024年就已经回顾在2023年重新配置在2022年时安装过的于2021年收藏的2020年的Anaconda

安装且环境变量配置完毕后，在终端输入一下conda -V即可输出当前conda的版本。如下图所示，我至今依然保留着当年较为老旧的conda版本：

Conda常用命令
我们常用Conda命令来管理我们的Python解释器、虚拟环境以及包。这部分的命令我没有怎么记，用到的时候查，有时用得多了，常用的命令也就记了下来。关于常用的一些命令，可以参考我以前在Linux服务器下配置MiniConda时顺带的记录：Sharry-Linux下Minicona下载与Conda命令入门

1.2 编码工具安装

1.2.1 VSCode

VSCode是微软提供的一款编码工具。VSCode主要通过不同的插件提供不同的语言开发支持。于我而言，VSCode更偏向于一种编辑工具，优点是免费且灵活，缺点是比较占内存。

下载
VSCode通过以下地址下载：
VSCode下载地址

插件安装
推荐下列插件：

• Python插件：
  

• Jupyter Notebook插件：
  Jupyter Notebook 的本质是一个 Web 应用程序，便于创建和共享程序文档，支持实时代码，数学方程，可视化和 markdown。 用途包括：数据清理和转换，数值模拟，统计建模，机器学习等等。
  

基本使用与验证
下载完成，并安装完相关插件后，我们进行基本使用与验证。

我们写一个Hello World，跑跑试试看

print("Hello World!")

基本使用方面这里需要注意的是，VSCode的默认UI在右下角点击选择虚拟环境，在右上角运行或debug对我们IDEA玩家来说不太习惯，而且图标比较小，比较头疼

可以参考如下截图:

接着我们可以尝试使用一下Jupyter Notebook，它可以让我们的Python脚本像记笔记一样记录，支持markdown笔记并且可以分段运行，无需像.py文件一样每次都是整段运行。

Jupyter Notebook的文件后缀是ipynb, 在VSCode默认UI右上角选择内核执行。

可以参考如下截图进行体验：

关于Jupyter, 也可以在Anaconda自带的Jupyter终端启动网页版，在网页上使用。

1.2.2 Pycharm

Pycharm是JetBrains出品的集成编程工具IDE。这是个神奇的工具，基本上就是IDEA的套壳，甚至在IDEA上使用插件也可以让IDEA当作Pycharm使用。性能各方面我个人感觉远比不上IDEA，且新版还会有很多Bug，JetBrains对Java偏心！非学习用途不推荐破解，折腾，且不稳定。

但我还是选择使用Pycharm作为Python的第一主力开发工具，用惯了IDEA，还是倾向于IDEA类的IDE而且我还不讲道理地使用了钞能力。

下载地址：JetBrains官网

由于平时习惯了用IDEA，我个人的Pycharm使用起来比VSCode顺手多了。解释器相关配置方式如下：

• 一样可以在工具默认UI右下角选择Python解释器
• 可以在setting中选择本地虚拟环境并配置解释器
• 在Anaconda安装目录下的condabin中选择bat批处理文件，或者Anaconda安装目录下Script里的conda.exe文件，让Pycharm能根据批处理指令找到本地已有的虚拟环境

参考配置方式图如下：

接下来就不多做介绍了，在不卡顿，bug较少的情况下，Pycharm的使用方式和IDEA大同小异，相比VSCode更有IDE的感觉。

1.2.3 Trae/CodeBuddy/Cursor

AI时代，当然少不了AI编程工具。我们除了可以在VSCode、Pycharm等工具中安装相关AI Assistant插件，如GitHub Copilot、FittenCode（Sharry-FittenCode初体验参考链接）等，还需要AI编程工具。截止至本文攥写完成日期，我们日常开发常会多开一个AI编程工具，一边罗列需求让AI帮忙写，另一边在IDE运行程序，效率大大提高。

Trae
字节跳动出品的AI编程工具，在2025年终于支持Windows，是Cursor的国内首个平替工具。优点是免费，缺点是目前使用起来相对Cursor没有那么丝滑。

目前Trae推荐下载国际版（可能需要一点魔法），可以使用ClaudeAPI。

下载地址：

• 国内版 trae.cn
• 国际版 trae.ai

CodeBuddy
CodeBuddy是腾讯出品的AI Assistant，据称也可作为Cursor的平替。目前CodeBuddy和其他AI Assistant一样在IDE中以插件的形式提供服务。

安装方式：
腾讯Copilot官网

Cursor
Cursor目前是最流行的AI编程工具之一，功能非常强大，使用也较为丝滑，唯一的缺点就是收费。如果要绕过收费，则需要不停地手动或使用脚本重置账号获取试用次数。

如果有足够的钞能力，推荐购买使用。

下载地址：cursor官网

1.3 下载 PyTorch

在完成基础工具的下载后，我们就可以进行深度学习框架的下载，便于日后学习与开发。PyTorch凭借简洁语法和动态交互性比较适合深度学习入门，是如今流行的深度学习框架之一，因此此处以PyTorch为例。当然也可以参考其他教程，按需下载安装其他如TensorFlow等框架。

另外，为了提升效率，我们还要验证本地计算机是否有英伟达独立显卡，若有，则可以选择使用CUDA配合PyTorch加速。若无英伟达独立显卡或者是其他厂商的显卡，则需要其他参考教程选择加速方案，或者直接使用CPU版本的PyTorch了。

PyTorch是什么
PyTorch是由Facebook于2016年推出的开源深度学习框架，其核心特性包括动态计算图机制和自动微分系统，支持灵活构建与调试神经网络模型。该框架广泛应用于自然语言处理（如文本分类、机器翻译）、计算机视觉（如图像分类、目标检测）、强化学习及音频处理等领域，并通过GPU加速张量计算提升大规模模型的训练效率。

验证本地计算机是否有独立英伟达显卡
我们需要在本地终端使用如下命令验证本地是否有英伟达独显以及获取CUDA版本。

nvidia-smi

我用两台计算机分别验证了有无的情况，参考结果如下图：
无独显的情况，需要下载CPU版本：

有独显的情况，执行完毕后在终端输出结果中会有我们的CUDA版本，之后可以选择小于等于该CUDA版本对应的PyTorch进行下载：

CUDA是什么
CUDA（Compute Unified Device Architecture）是NVIDIA推出的并行计算平台与编程模型，专为GPU加速计算设计。其核心是通过扩展C/C++等语言，利用GPU的多核并行架构高效执行复杂计算任务，显著提升浮点运算和矩阵操作速度。主要应用于深度学习训练/推理（如PyTorch、TensorFlow依赖CUDA加速）、科学计算（物理模拟、数据分析）及图形渲染等领域，是高性能计算的关键工具，需搭配NVIDIA显卡使用。

简单来说就是英伟达提供的GPU硬件相关加速支持，可以帮我们提升效率。

创建并选择虚拟环境
无论是否有独显，我们都需要进行虚拟环境创建，激活该虚拟环境并在该环境内下载对应版本的PyTorch

命令如下：

# 创建虚拟环境
conda create -n <env_name> python=<version>

# 激活虚拟环境
conda activate <env_name>

例如我的是：

conda create -n learn_pytorch python=3.9

conda activate learn_pytorch

1.3.1 GPU版本

在有英伟达显卡的情况下，根据以下步骤下载PyTorch

选择版本
需要在PyTorch官网中选择CUDA版本<=本机CUDA版本的PyTorch。我的CUDA版本是12.3，我需要在官网的历史版本中选择版本<=12.3的PyTorch。

参考下图选择：

之后，复制相关命令，在目标虚拟环境下执行，等待安装即可。

验证
我们可以通过conda list查看当前虚拟环境里的包信息，也可以通过python脚本验证本地的torch.cuda，命令如下：

import torch
torch.cuda.is_available()

我个人的执行结果为：

也可以在编码工具中验证：

1.3.2 CPU版本

下载
CPU版本无需考虑CUDA，毕竟这时没有。我们直接在官网选择最新或较新版本的 PyTorch CPU 版本下载即可。

参考如下选择：

下载过程参考：

验证
由于是CPU版本，torch.cuda.is_available()方法执行的结果自然是False，而False也是我们验证的目标结果，至少保证torch能正常import并调用其中的方法。另外，我们也可以通过conda list查看下载下来的torch包。

验证结果参考以下图：

2. Ubuntu Linux 环境配置

如果需要在类Linux的OS进行开发，首推Mac，其次是Ubuntu。Ubuntu开源免费，这里就以Ubuntu为例。

Ubuntu是流行且优秀的开源Linux，为了方便日后可能会涉及到的在Linux下进行AI相关的开发、训练，我们也要学习了解Linux下AI向的Python环境配置。

本地开发的场景我们可以选用纯Ubuntu系统、 或Ubuntu双系统。

双系统
一般指Windows+Ubuntu双系统。双系统准备起来比较麻烦，一般的步骤为：

• 在主系统的系统盘中分割目标大小（一般应该需要20GB以上，越大越好）的空间，给副系统，即Ubuntu
• 制作系统启动盘，将一枚U盘变成Ubuntu的启动盘，教程网上都有，制作难度适中
• 使用系统启动盘，并做一些BIOS的设置，即在开机的时候决定进入哪个系统
• 等待Ubuntu安装完成

双系统很帅，我还在读书时就试过，但可能存在以下的坑（我踩过的）：

• 驱动不兼容，特别是显卡相关
• 其中一个系统出现问题需要在另一个系统修复，比较麻烦
• 每次启动计算机只能进入其中一个系统
• 副系统扩容麻烦
• 资料无法共享

后来坑踩多了，觉得不方便，就恢复了独立Windows。不过，现在Ubuntu有适用于Windows子系统的版本，可以在Windows里调用Linux程序，读者可以试试

不推荐使用虚拟机进行开发
Linux虚拟机在后端开发的场景用于本地中间件部署非常的方便划算，但是如果用作AI方向的开发，无论是哪款虚拟机，都不太推荐。

这是因为首先虚拟机使用的就是宿主机分配的虚拟资源，相比独立系统或双系统，能分得的系统资源太少了；其中最重要的原因是显卡资源非常难以共享，非常复杂，硬要虚拟直通宿主机的显卡的话，时间和精力成本太高，不值得。不信你可以去试试。

所以，学习以Ubuntu为代表的Linux环境配置，目的是熟悉并了解，然后在独立类LinuxOS上能完成环境配置，例如未来可能会使用云GPU服务器进行模型训练、可能会入手一台Mac或者自己配置双系统、子系统。

事实上环境配置的目的与目标工具与Windows非常类似，只是操作系统换了而已。篇幅有限，此处也只以Anaconda的下载以及VSCode的下载为例，其它的工具以及包的下载安装大同小异。

2.1 Ubuntu Anaconda 下载安装

这里的步骤我参考的是：Qianyuyu101深度学习环境配置深度好文

对比以前曾经尝试过的在Rocket Linux进行MiniConda的配置，Ubuntu下Anaconda配置也挺有意思，可以在图形化操作界面以及终端中来回切换进行安装配置也是蛮有意思的。以下是我记录的个人安装过程：

下载安装
我个人还是习惯在官网下载安装。
我们的Ubuntu不要像服务器Linux一样关掉图形化界面，保留桌面，使用它内置的浏览器，进入Anaconda官网，之后，发送邮件到自己的邮箱获取下载链接，之后选择：

下载完成后，mv到自己顺手的目录，执行sh：
sh ./<your_conda_installer.sh_name>

接着是读协议，按q推出，填yes。之后等待下载即可。完成后参考结果图如下：

到这一步，就已经安装完毕，但还有一步需要注意，当我们仔细阅读最后一步时，会发现它的描述很拗口，大概意思是“你可以不执行conda init --reverse $SHELL这个命令去自动激活conda环境"，说白了就是自动激活、配置conda环境变量相关，我试了几次，才知道是填yes能自动激活。所以，在这一步执行yes，可以省去参考文章中的修改~/.bashrc文件步骤。

最终效果图如下：

接下来，就可以在Linux环境进行Conda操作了，根据自己不同的Linux硬件条件或者CUDA前置准备条件，自由创建虚拟环境并下载包了。

2.2 Ubuntu VSCode 下载安装

Ubuntu商店
事实上，我们要的部分开发工具，在Ubuntu等LinuxOS上也可以通过应用商店下载，如：

官网
当然，也可以在VSCode官网进行下载，官网就提供了下载方式，非常简单明了。由于Ubuntu也有图形化界面，实际安装过程和Windows类似，这里就不赘述了。

总结与补充

总结

还是那句，工欲善其事必先利其器。配环境与Hello World总是程序猿迈出的第一步。

本文重点记录Windows下AI向Python环境的配置。Anaconda是重要的Python发行版本，Conda是主要的环境、包管理工具；日常开发基本上VSCode与Pycharm二选一使用，各有优劣；接着，我们尝试分别下载了GPU版本与CPU版本的PyTorch并验证，便于日后学习PyTorch。

接着，我们对Linux下的环境变量配置、工具的安装进行了一个初步了解，方便日后使用Linux或类Linux操作系统进行开发、训练。

补充

Jupyter 执行报内核相关错误问题
当没有内核时，执行Jupyter会报类似于如下的错

Running cells with <your_env_name> requires the ipykernel package.
Run the following command to install 'ipykernel' into the Python environment. 

需要在对应环境下载内核：

conda install -n <env_name> ipykernel --update-deps --force-reinstall

例如：

conda install -n learn_pytorch ipykernel --update-deps --force-reinstall

Windows下终端使用conda缓存失效问题
这里补充一个我自己试过，读者也有几率遇到的问题。即，即便我们已配置系统环境变量，在Windows10等较老的OS的cmd终端中，有可能会因为shell的缓存变更或变更不及时，使得部分conda命令失效。我这里的表现形式是当打开一个cmd.exe一段时间，这段时间内没有任何操作，之后Conda无法activate一个虚拟环境。

我个人由于后续没有复现这个问题，就没有进行截图了，没有遇到类似问题的读者可以忽略这个问题。

解决方案是，关掉当前终端，等一段时间，重新开一个终端，此时的终端缓存较新，再作尝试。

参考资料

• Qianyuyu101深度学习环境配置深度好文
• JackCui-Windows下Anaconda下载安装
• Sharry-Linux下Minicona下载与Conda命令入门
• PyTorch官网
• Ubuntu安装Nvidia显卡驱动优秀参考博文
• Ubuntu官网