环境搭建：Python / GPU / 云端

目标：1–2 天内有一个能跑训练脚本的环境。

不要追求「完美环境」。目标是先跑起来，遇到问题能定位，而不是一次装对所有东西。

三条路的取舍（先选一条）

方案	优点	缺点	适合
A. 本地 + conda	完全可控、离线可用	依赖冲突要自己解决	有耐心、长期学习
B. Google Colab（免费）	零配置、免费 GPU	会话会断、需联网	L0–L3 强烈推荐
C. 云 GPU 按量（AutoDL / RunPod）	真 GPU、可长跑	按小时花钱	L4 微调、L5 部署

推荐路径

先用 B 跑通一切，确认自己会坚持，再建 A；到需要长时训练时用 C。这条顺序能省下最多时间和钱。

方案 A：本地环境（conda）

1. 安装 Miniconda

不用系统 Python，用 conda 隔离环境 —— 这是避免「装完 A 库把 B 库弄坏」的唯一可靠办法。

# macOS
brew install --cask miniconda
# Windows / Linux：从官网下载安装包

安装后重启终端，验证：

conda --version

2. 创建专用环境

# 创建 Python 3.11 环境（3.11 目前兼容性最好，3.12+ 部分库还没跟上）
conda create -n ai python=3.11 -y
conda activate ai

3. 安装核心库

# 深度学习框架（CPU 版，先跑通）
pip install torch torchvision torchaudio

# 数据与机器学习
pip install numpy pandas matplotlib scikit-learn jupyterlab

# 验证
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

输出 2.x.x False 表示装好了、但没有可用 GPU（正常，CPU 也能学 L0–L2）。

4. 装 GPU 版（有 NVIDIA 卡时）

不要直接 pip install torch。 先确认驱动：

nvidia-smi     # 看 CUDA Version 那一栏

然后按 PyTorch 官网 给出的命令安装对应 CUDA 版本，例如：

pip install torch --index-url https://download.pytorch.org/whl/cu121

再次验证 torch.cuda.is_available() 应为 True。

方案 B：Google Colab（5 分钟）

1. 打开 colab.research.google.com，新建 Notebook
2. 菜单「代码执行程序 → 更改运行时类型 → T4 GPU」
3. 运行：

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

看到 True Tesla T4 就成了。

项目	免费额度（2026 大致情况）
GPU	T4 16GB，日累计数小时，会因使用情况动态调整
磁盘	约 100GB，会话结束即清空
会话时长	空闲约 90 分钟断开，最长约 12 小时
注意	重要文件必须存 Google Drive，否则断开就没了

挂载 Drive：

from google.colab import drive
drive.mount('/content/drive')
# 之后把代码和数据放在 /content/drive/MyDrive/ 下

Colab 的三个坑

1. 会话会断：长训练必须写 checkpoint，否则一夜回到解放前
2. 不装了就没了：每次重连都要重跑 pip install
3. 别存密码：Notebook 里的密钥会随分享泄露

方案 C：云 GPU 按量

到 L4 微调 7B 模型时再考虑。

关注点	建议
卡型	4090 24GB（便宜、够微调 7B QLoRA）；A100 40/80GB（大模型训练）
计费	按小时，用完立刻关；开机不关是最大的浪费
存储	模型权重几十 GB，注意系统盘容量与下载速度
环境	优先选带 PyTorch 镜像的，省 1 小时装环境

Jupyter 基础（不会这个后面寸步难行）

操作	说明
Shift + Enter	运行当前单元格
Esc 后按 A / B	在上/下方插入单元格
Esc 后按 M / Y	切换 Markdown / 代码
!pip install xxx	在单元格里执行 shell 命令
内核 → 重启并运行全部	检查是否有隐藏的执行顺序依赖

习惯：每次得出结论后，把关键数字用 Markdown 单元格写下来。 三天后你会感谢自己。

依赖装不上怎么办（排错顺序）

按这个顺序查，八成能自己解决：

1. 看报错最后一行 —— 真正的原因通常在最末尾，不是最开头
2. 确认环境对吗 —— 90% 的「明明装了却找不到」是装到了另一个 conda 环境

   which python && python -c "import sys; print(sys.executable)"

3. 版本冲突 —— 报错里出现 Requires ... but you have ... 就是它，装指定版本
4. 换国内镜像源

   pip install xxx -i https://pypi.tuna.tsinghua.edu.cn/simple

5. 清缓存重装

   pip cache purge && pip install --no-cache-dir xxx

6. 还是不行 → 换 Colab，不要在环境上耗超过半天

一条铁律

环境问题超过 2 小时没解决，就换 Colab 继续学。 学习时间要花在算法上，不是花在装环境上。

通过标准

• python -c "import torch; print(torch.__version__)" 有输出
• torch.cuda.is_available() 结果符合预期（False 也行）
• 能新建并运行一个 Jupyter Notebook
• 知道自己的 Python 装在哪个路径

下一步

→ Python 速成（面向 AI）