一、Pycharm

Pycharm分为专业版和社区版本，社区版缺少一定功能，专业版功能全。我之前下载了社区版本，现在重新下载配置专业版本并做记录。

具体操作可以模仿该b站视频,版权限制，不在这里发了

通过网盘分享的文件：pycharm-professional-2024.1.exe等3个文件

链接: https://pan.baidu.com/s/1lIMOmFu0S8uWZeH3ClcqyQ?pwd=1111 提取码: 1111

--来自百度网盘超级会员v5的分享

【2025】超详细Python安装教程+PyCharm安装教程

二、项目与虚拟环境一对一

首先给一个参考视频：【一文理顺：pytorch、cuda版本，从此不再为兼容问题头疼！】 https://www.bilibili.com/video/BV1yx4y1B7fu/?share_source=copy_web&vd_source=f0e9eab807b0e8631798cfd96a5c0c51

在pycharm里面可以创建很多项目，这些项目可以通过项目虚拟环境相互隔离，也可以公用系统的环境。这些不同的项目 需要配置 不同的相关特定版本的 第三方安装包、特定版本的python等等。如果全都基于公共的系统环境，会造成版本、安装包混乱。于是，我们再创建一个虚拟环境，里面配置了这个项目需要的相关包和库，将项目与这个环境链接起来，便能让项目之间不再相互干扰。

我创建的虚拟环境都在D:\py\Anaconda3\envs ，每个文件夹都是隔离的配置环境。

我的项目都在 E:\APP\pycharm24.1\work_vision ，每个文件夹都是相互隔离的项目。

三、配置时Anaconda-navigator操作与在anaconda-prompt操作的异同

配置环境时候，有两种不同的方法。

3.1 Anaconda-navigator操作

点击anaconda navigator，点击左侧environment，下方有create，copy等按键，可以选择需要的python版本，在右侧package里面也可以一键安装指定的库。新配置好的环境都存在了D:\py\Anaconda3\envs\你命名的名字 里面。Copy就是你可以直接复制已经有的配置环境，就不需要重新创建了。

但是问题在于，在navigator里面配置package的时候，基本显示的都是最新版的包，无法配置旧版本的包。配置新版本的pytorch，我的电脑不支持他的gpu运算，所以要找旧本的。

3.2 Anaconda-prompt操作

3.2.1 首先创建一个新环境，命令如下：

- 指定Python版本：比如想创建一个Python 3.8版本的环境，命令就是`conda create -n 环境名字 python=3.8`。如果不指定版本，默认会安装最新版本的Python。

- 安装其他包：除了Python，你还可以同时指定安装其他的包。例如创建一个环境，并安装numpy和pandas包，命令可以写成`conda create -n 环境名字 python=3.8 numpy pandas`。

- 指定路径：默认情况下，新环境会安装在Anaconda安装目录下的`envs`文件夹中。若要指定安装路径，可以使用`--prefix`参数，如`conda create --prefix="D:\myenv\新环境名" python=3.8` （注意Windows系统路径中使用双引号 ）。

- 克隆已有环境：如果你希望新环境和已有的某个环境完全一样，可以使用`--clone`参数。例如，已有一个名为`old_env`的环境，想基于它创建新环境`new_env`，命令是`conda create -n new_env --clone old_env`。

这些操作都与navigator相对应。

3.2.2 接着打开这个环境

Prompt里面默认的环境是root系统环境，你需要打开你的新环境

输入：

conda activate 环境名字

这样就切换到了你创建的新环境

我的Gpu是NVIDIA的rtx1650ti，支持的cuda版本是从11.1-11.6.

我安装的cuda是11.3的，我需要下载的pytorch安装包是要配适11.3的版本，否则不支持gpu加速运算。

去pytorch官网，找到对应的安装包命令，复制并输入

# CUDA 11.3

conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=11.3 -c pytorch

这时候就会进行下载，但是会遇见一个问题就是下载过慢。这时候就需要用镜像源加速。

找到pytorch-wheels-cu113安装包下载_开源镜像站-阿里云

找到pytorch==1.12.1 ，torchvision==0.13.1， torchaudio==0.12.1 ，cudatoolkit=11.3

且配适python版本、windows的安装包，whl格式。

3.2.2.1 两种方法

第一种，直接在prompt里面pip install https://mirrors.aliyun.com/pytorch-wheels/cu113/torchvision-0.13.1+cu113-cp38-cp38-win_amd64.whl

cu113表示CUDA是11.3版本的，cp38表示python3.8，win表示windows版本，

找到另外几个，相同的格式，就可以安装。

第二种，将安装包下载下来，对应安装包的路径

pip install C:\Users\86176\Downloads\torch-1.12.1+cu113-cp38-cp38- win_amd64.whl

3.2.3 最后验证是否安装成功

import torch

print(torch.cuda.is_available()) 

应输出 True，则gpu可以在这个环境中使用。则配置完毕。

3.3补充一些命令:

# 显卡驱动信息，主要看CUDA支持的最高版本

nvidia-smi

# 当前使用的CUDA的版本

nvcc -V

# 查看安装了几个CUDA，当前使用哪个版本的CUDA

ll /usr/local/

# 查看已安装的包的版本

conda list | grep cuda

conda list | grep torch

四、CUDA、pytorch、Gpu的关系

4.1 GPU（图形处理器）是硬件基础：

GPU最初用于处理图形和图像相关运算，因其具备大量并行处理单元，能够同时执行大量相似操作，非常适合深度学习中大规模矩阵运算，如卷积神经网络（CNNs）和循环神经网络（RNNs）的计算。目前市场上常见的GPU厂商有NVIDIA、AMD等。像NVIDIA的GeForce、Quadro、Tesla、A系列等，以及AMD的部分显卡产品。

4.2 CUDA是NVIDIA GPU的软件加速平台

CUDA（Compute Unified Device Architecture）是NVIDIA推出的并行计算架构和编程模型。只有NVIDIA的GPU才能使用CUDA，它允许开发者使用C、C++、Fortran、Python等语言编写程序，直接访问NVIDIA GPU的并行计算能力，将GPU作为通用处理器执行复杂的并行计算任务。此外，CUDA还有一个专门针对深度神经网络优化的库——cuDNN（CUDA Deep Neural Network library ），实现了常见的深度学习操作，如卷积、池化、归一化等，可进一步提升深度学习计算效率。

4.3 PyTorch是调用CUDA和GPU资源的深度学习框架

PyTorch是一个开源的机器学习库，主要用于深度学习模型的构建和训练，支持动态计算图，使用灵活，便于研究和原型设计。它内置了对CUDA和cuDNN的支持，当使用PyTorch训练深度学习模型时，若系统中安装了CUDA，它会自动将数据传输到GPU显存，并调用CUDA内核和cuDNN库执行计算，从而加速模型训练；若系统中没有CUDA，PyTorch也支持通过OpenCL、ROCm等其他后端，利用AMD等非NVIDIA的GPU进行计算 。

三者相互配合，GPU提供计算硬件基础，CUDA提供软件层面的并行计算支持，PyTorch则作为开发者使用的工具，借助CUDA实现对GPU资源的调用，以加速深度学习任务。在实际使用中，还需要注意显卡、CUDA版本、PyTorch版本之间的兼容性，否则可能出现无法使用GPU加速或程序报错等问题。

4.4深入了解cuda、cudatoolkit以及多版本cuda共存时pytorch调用哪个

进一步， cuda、cudatoolkit以及多版本cuda共存时pytorch调用哪个 cuda和cudatoolkit-CSDN博客

https://blog.csdn.net/xiqi4145/article/details/110254093

4.5安装需要的CUDA，多版本共存，并自由切换

安装需要的CUDA，多版本共存，并自由切换！ 【多版本cuda自由切换】在ubuntu上安装多个版本的CUDA，并且可以随时切换cuda-11.3//cuda-11.8//cuda-11.6//cuda-11.2_ubuntu切换cuda-CSDN博客 

https://blog.csdn.net/BetrayFree/article/details/134870198

五、Jupyter的创建以及目标核配置

Anaconda 安装的 Prompt（如 Anaconda Prompt）、Jupyter 等工具本身是全局入口，但它们可以调用 `envs` 中虚拟环境的资源，具体逻辑如下： 

5.1. Anaconda Prompt 等终端工具：  

   - 直接打开 Anaconda Prompt 时，默认处于 `base` 环境。通过 `conda activate 环境名`（如 `conda activate pytorch`）激活 `envs` 中的虚拟环境后，后续安装包、运行代码等操作，都会基于该虚拟环境的 Python 版本和包依赖执行。 

5.2. Jupyter 工具：  

   - Jupyter 本身是全局程序，但需要虚拟环境安装 `ipykernel` 内核工具（`conda install ipykernel`）。安装后，通过 `python -m ipykernel install --user --name=环境名`   注册内核，Jupyter 界面就能切换到 `envs` 中对应虚拟环境的内核，调用该环境的 Python 和包资源运行代码。注意、此时只是把jupyter的环境改为了你创建的环境，项目并没有迁移过来。

注册之后，打开jupyter，在右上角的new里面会看到你的环境名字，选择即可。

简言之，这些工具是全局入口，但通过激活环境、注册内核的方式，可灵活使用 `envs` 中不同虚拟环境的配置。