一、Python环境配置

1. Python下载

打开Python官网Welcome to Python.org，点击Downloads—Windows

（即网址Python Releases for Windows | Python.org）

在左侧“Stable Releases（稳定版）”中选择合适的版本，建议选择Windows installer (64-bit)（程序安装包），方便管理

注：如果使用的是开源项目或者是配置好的项目，建议选择项目建议的Python版本；考虑是否兼容

例如这里作者选择Python 3.10.11，点击下载python-3.10.11-amd64.exe

2. Python安装

双击.exe安装文件运行，勾选下方“Add python.exe to PATH”（添加环境变量）

点击Customize installation（个性化安装）

Optional Features（可选特征）建议默认全部勾选，点击“Next”

（建议：pip一定要勾选；td/tk and IDLE如果可能需要使用相关包的话也建议勾选，否则可能面临重装python的风险）

Advanced Options（高级选项）建议按默认勾选

“Add Python to environment variables”必须勾选

“Customize install location”作者建议自定义Python的安装路径，便于管理

点击Install即可开始安装，安装完成后关闭；之前下载的.exe安装文件可以删除

3. Python环境检查

3.1 Python版本查看

在Windows图标上右击，点击“终端（管理员）”打开Windows Powershell终端

输入命令查询Python版本：

python --version  # 查询python版本

若正常打印了当前安装的Python版本号，则说明Python环境已经配置完成，可以跳过3.2部分

Python 3.10.11  # 输出结果

否则说明环境配置未完成，进行Python环境变量的配置

3.2 Python环境变量配置

打开Windows设置，在搜索栏搜索“环境变量”，点击“编辑系统环境变量”

点击右下角“环境变量”

找到下方“系统变量”中的“Path”变量，点击“编辑”

点击“新建”，新增两条内容分别为刚刚2.中安装时选择的目录路径和该路径下的Scripts目录

点击3次确定（注意：一定要都点确定才能更改成功），完成更改

再次按照3.1进行版本查看，如正常打印版本则配置完成

二、PyCharm集成开发环境配置

1. PyCharm下载与安装

前往JetBrains PyCharm官网下载 PyCharm：JetBrains 出品的用于数据科学和 Web 开发的 Python IDE

下载PyCharm免费版本Community Edition（网页往下翻，在下面）并安装（如不熟悉可查阅其他教程，建议在安装时语言选择“中文”）

（或者直接点击感谢您下载PyCharm！下载PyCharm Community版本）

2. 新建项目

点击左上角，文件—新建项目

如果使用conda选择“基础conda”；新手如果不想配conda环境，建议选择解释器类型为“项目venv”

修改项目的位置，选择刚刚安装的Python版本（配置环境变量后可以在系统中自动检测到）

3. PyCharm软件包管理（.venv虚拟环境）

点击文件—设置，展开“项目：XXX”一栏，点击Python解释器，即打开Python解释器和软件包管理页面，大部分的软件包都可以在这里下载和安装

点击“+”加号，就可以搜索和添加软件包，还可以指定版本（避免了在命令行执行pip install等指令）；点击“-”减号可以删除选择的软件包

然而，在一些特殊情形下仍然需要在终端执行pip命令，此时需要点击PyCharm左下栏中的终端图标，即可在当前项目目录下打开终端

特殊情形例如：

(1)当使用别人的项目时，项目中一般会有requirements.txt，可以在终端执行

pip install -r requirements.txt # 安装项目所需软件包

来安装所需要的软件包

(2)当安装非CPU版本（即CUDA版本）的PyTorch时，无法从PyCharm软件包管理页面安装（该页面默认安装CPU版本），必须在终端执行，例如：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

三、CUDA、cuDNN与PyTorch环境配置

注：这里所叙的均为CUDA（GPU）版本，如需安装CPU版本的PyTorch，跳过这一部分，直接安装torch软件包即可

1.  CUDA版本选择

CUDA的版本选择主要有如下两个因素：

1.1 本机所支持的最高CUDA版本

打开终端并执行如下命令：

invidia-smi.exe  # 查看Nvidia显卡状态

可以看到表格第一行右侧的“CUDA Version：XX.X”，这就是该显卡所支持的最高CUDA版本，所安装的CUDA版本不能高于该版本

1.2 PyTorch所支持的CUDA版本

访问PyTorch官网PyTorch，点击“Previous versions of PyTorch”，可以查看PyTorch的所有版本

（即Previous PyTorch Versions | PyTorch）

可以按F3键搜索对应的CUDA版本；一般选择PyTorch支持且≤本机支持版本的最高版本即可

复制该pip命令备用（也可以直接在PyTorch主页选择（如果有合适的话）并复制）

2.  CUDA配置

2.1 CUDA下载

访问CUDA官网CUDA Toolkit Archive | NVIDIA Developer找到1.中选定的CUDA版本并点击

选择对应的系统环境，点击Download开始下载

2.2 CUDA安装

选择安装路径，作者设置为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4

安装选项选择“自定义”

自定义安装选项勾选如下图即可（没有安装Visual Studio不能勾选“Visual Studio Integration”）

点击下一步等待安装完成即可

2.3 CUDA环境检查

打开终端，输入如下命令：

nvcc -V  # 查询CUDA版本

若打印如下CUDA版本信息，则说明CUDA环境配置完成

3. cuDNN配置

3.1 cuDNN下载

访问cuDNN官网cuDNN Archive | NVIDIA Developer

注意每行后面的“for CUDA XX.x”，选择符合刚刚安装的CUDA版本的点击展开

选择第一个链接“Local Installer for Windows (Zip)”（这里下载可能需要登录，如没有账号可以注册一下）

解压后将这3个文件夹复制到CUDA的安装路径下，这里为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4

3.2 cuDNN环境变量配置

编辑系统环境变量，在PATH变量中添加如下4个路径（前面的路径为CUDA路径）：

C:Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\bin
C:Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\libnvvp
C:Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\lib
C:Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\include

3.3 cuDNN环境检查

在CUDA安装路径\extras\demo_suite（如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.4\extras\demo_suite）目录下，右击“在终端打开”

执行如下命令：

.\bandwidthTest.exe

输出结果正常即可

4. PyTorch配置

4.1 PyTorch软件包安装（pip+venv）

在PyCharm打开项目，并打开终端，注意确保在项目虚拟环境“(.venv)”中

访问PyTorch官网PyTorch，选择Windows、Pip，以及合适的CUDA版本，这里以CUDA12.4为例

（如无可点击“Previous versions of PyTorch”，可以查看PyTorch的所有版本，即Previous PyTorch Versions | PyTorch ）

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

在终端执行该命令，等待安装完成

4.2 PyTorch（CUDA版本）测试程序

import torch

# 1. 检查 PyTorch 版本
print("PyTorch 版本:", torch.__version__)

# 2. 检查 GPU 是否可用
if torch.cuda.is_available():
    print("GPU 可用，设备名称:", torch.cuda.get_device_name(0))
else:
    print("GPU 不可用，将使用 CPU")

# 3. 创建一个简单的张量并进行计算
x = torch.tensor([1.0, 2.0, 3.0])
y = torch.tensor([4.0, 5.0, 6.0])
z = x + y

print("张量计算结果:", z)

# 4. 如果 GPU 可用，将张量移动到 GPU 并计算
if torch.cuda.is_available():
    x = x.to("cuda")
    y = y.to("cuda")
    z = x + y
    print("GPU 上的张量计算结果:", z)
else:
    print("GPU 不可用，无法在 GPU 上进行计算")

AI生成的一个简单的测试程序，示例输出结果：

PyTorch 版本: 2.6.0+cu124
GPU 可用，设备名称: NVIDIA GeForce RTX 4070 Laptop GPU
张量计算结果: tensor([5., 7., 9.])
GPU 上的张量计算结果: tensor([5., 7., 9.], device='cuda:0')

四、总结

作者之所以使用PyCharm作为IDE、使用.venv作为虚拟环境配置，更多地是因为其对于用户的友好性，很大程度上避免了新手小白对于终端的使用及各种报错的处理。作者在过去的探索过程中也踩过很多很多坑（参考的教程可能都已经数不清了），最终按照自己的理解选择了最适合作者自己的环境配置方式。

至此，踏入Python与人工智能、深度学习的第一步已经完成，无论是计算机视觉还是自然语言处理，无论是后续项目实训中可能用到的知识图谱还是大模型微调，这都将是重要的一小步。