2025最新深度学习pytorch完整配置：conda/jupyter/vscode

从今天开始，开始一个新的专栏，更新深度学习相关的内容，从入门到精通，首先的首先是关于环境的配置指南：工欲善其事必先利其器！

PyTorch 是由 Facebook（现 Meta）开发的 开源深度学习框架，以灵活性和易用性著称，广泛用于学术研究和工业实践。

教程内容比较长，但是应该是最全的，需要耐心看完！

1.操作系统及配置确认

2.从Anaconda安装开始（若已经安装完则跳过）

（1）人工智能学习中Anaconda的重要性:

（2）下载anaconda

（3）anaconda的安装

（4）验证安装及配置指南

3.确认GPU支持的CUDA版本

4.安装CUDA之前先安装Visual Studio

（1）下载Visual Studio

（2）Visual Studio安装配置

5.CUDA下载安装

（1）下载对应版本的CUDA安装包

（2）安装配置CUDA

（3）验证安装

6.cuDNN下载

pytorch%E4%B8%8B%E8%BD%BD%E5%AE%89%E8%A3%85-toc" name="tableOfContents" style="margin-left:0px">7.pytorch下载安装

（1）新建conda环境

（2）conda换源

pytorch-toc" name="tableOfContents" style="margin-left:40px">（3）下载pytorch

（4）验证安装

8.VScode使用conda虚拟环境

（1）基本配置

（2）使用conda虚拟环境

9.Jupyter Notebook使用conda各种虚拟环境

10.结束

1.操作系统及配置确认

操作系统: Windows 10/11（64位）
内存: 建议8GB以上（深度学习需求越大越好）
存储空间: 至少20GB可用空间
GPU（可选）: NVIDIA显卡（需支持CUDA，推荐RTX 20/30/40系列）

pytorch可以安装cpu版本，但是我们一般还是默认用gpu版本。

2.从Anaconda安装开始（若已经安装完则跳过）

Anaconda是一个流行的开源数据科学平台，它是Python和R语言的发行版，专为科学计算和数据分析而设计。我们配置python环境及安装各种包使用conda。

（1）人工智能学习中Anaconda的重要性:

在人工智能学习领域，Anaconda的重要性体现在以下几个方面：
【1】简化环境配置：人工智能项目通常需要大量的第三方库，而Anaconda可以一键安装这些库及其依赖，大大简化了环境配置的过程。
【2】支持多语言和多版本：人工智能研究和开发中可能会用到不同的编程语言和不同版本的Python，Anaconda可以轻松管理这些需求，避免版本冲突。

（2）下载anaconda

我们可以在anaconda官网下载：

Download Now | Anaconda

速度比较慢，我们可以选择清华镜像源：

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

点击安装包下载到本地。

（3）anaconda的安装

根据图片的顺序安装

这里选择安装路径，路径不要包含中文，可以使用默认路径，也可以按Browse更改安装位置，如更改为D盘，但是一定要保证有至少20G的储存空间。最好能记得安装的位置是哪里。

三个选项都进行勾选，然后点击安装(如果有add PATH选项一定要勾选)

然后就会安装完。

（4）验证安装及配置指南

点击电脑的搜索，输入：Anaconda Prompt，看看有没有这个图标，有的话就是安装上了。

如果刚刚点击了add PATH，那环境已经配置好了，可以跳过接下来的步骤：

搜索高级系统设置

双击系统变量行的PATH进入

点击新建，把这几个按照你刚刚安装的路径进行添加，然后点确认

最后打开Anaconda Prompt验证：

输入conda -V

安装成功

3.确认GPU支持的CUDA版本

搜索栏搜索：NVIDIA控制面板

得到显卡型号。

再得到CUDA信息，记住自己这里显示的CUDA几点几的信息

4.安装CUDA之前先安装Visual Studio

CUDA要基于VS的C模块，这是我之前直接安装遇到的一个坑，因此在这里我们先安装Visual Studio。

安装VS的版本参考刚刚你的GPU支持的CUDA版本：

如果你的CUDA是17开头的（大部分都是），那就安装Visual Studio 2022

（1）下载Visual Studio

我们可以在官网下载：

Visual Studio: 面向软件开发人员和 Teams 的 IDE 和代码编辑器

当然，这个过程需要注册，等等，可以从我网盘中下载：

百度网盘请输入提取码

提取码：kddt

（2）Visual Studio安装配置

点击Visual Studio Installer进行安装

点击安装

点击继续进行安装：

一直到一个需要进行选择的地方。我们仅选择C++选项，然后再更改安装位置为我们需要安装的位置：

然后后面默认选择，直到安装结束。（安装时间比较长，需要等待，是正常的）

5.CUDA下载安装

CUDA（Compute Unified Device Architecture）是由NVIDIA开发的并行计算平台和编程模型。它允许开发者使用NVIDIA的GPU进行通用计算，而不仅仅是图形渲染。CUDA提供了一套易于使用的编程接口，使得开发者可以利用GPU的强大计算能力，而无需深入了解GPU的底层架构。

（1）下载对应版本的CUDA安装包

我们通过官网下载：

CUDA Toolkit Archive | NVIDIA Developer

打开后，我们选择不高于GPU支持的最新的CUDA进行安装！

这个是由你刚刚在第三步确认的，比如你的GPU支持12.7，那我们安装12.6.3，别安装最新的12.8

点击对应版本左边的一栏后，我们可以跳转到下一个页面：按照我选的选择进行下载

（2）安装配置CUDA

双击安装包进行安装：

这个界面是选择一个临时文件存放地点，选一个空闲位置比较大的位置就行，安装完后会清除。

选择自定义，点击下一步

默认全选，下一步

可以更改安装位置，点击下一步

然后顺序点击下一步安装即可

（3）验证安装

我们win + r 输入cmd

打开后，输入：nvcc -V

显示CUDA版本则安装成功

6.cuDNN下载

cuDNN是NVIDIA开发的深度神经网络GPU加速库，专为深度学习任务优化，提供高度优化的基本运算实现，显著提升模型训练和推理的速度

我们通过官网下载：

cuDNN Archive | NVIDIA Developer

找到适合自己下载CUDA版本的最新版本进行下载

然后需要进行一个简短的注册之后就可以下载了。

解压后得到如下文件：

我们将这三个文件ctrl + c 然后复制到刚刚安装CUDA的文件夹

直接粘贴就可以了，它会进行替换

pytorch%E4%B8%8B%E8%BD%BD%E5%AE%89%E8%A3%85" name="7.pytorch%E4%B8%8B%E8%BD%BD%E5%AE%89%E8%A3%85">7.pytorch下载安装

PyTorch在深度学习领域被广泛使用，主要得益于其动态计算图、易用性和直观的API设计、强大的社区支持以及在研究和应用中的高度灵活性

（1）新建conda环境

先打开刚刚的Anaconda Prompt

前面的base表示现在在base环境

我们输入:

conda create -n pytorch

创建环境，解决完各种依赖后键盘输入y继续

（2）conda换源

我们直接从官网进行pytorch下载会很慢，因此我们先转换为国内源

在Anaconda Prompt中复制下面的代码输入：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

切换为清华源，然后再复制粘贴下面的看看是否换源成功：