企业官网建设流程全解析

如果你刚拿到一台带独显的机器，想同时把 PyTorch 和 Paddle 跑起来，又不想在 CUDA、cuDNN 的版本地狱里耗掉一整个周末，那这套 Anaconda 加 PyCharm 的组合大概是最省事的一条路。我在 Windows 和 Linux 上前后装过不下二十遍这类环境，从早期手动配 cudatoolkit 环境变量，到现在 conda 一条命令把 CUDA 运行时和 cuDNN 一起拖进虚拟环境，中间踩的坑足够写一本小册子。这篇就把完整流程、版本选择的判断逻辑，以及那些官方文档里不会写的细节一次性讲清楚。目标很明确：从零开始，到能跑通 GPU 版的 PyTorch 和 Paddle，全程不需要你单独去装 CUDA 和 cuDNN，也不用去折腾驱动之外的东西。整套流程对刚入门的人足够友好，对已经装过几次但总在版本上翻车的朋友，也能当作一份速查清单。

1. 为什么我不建议你一上来就装CUDA和cuDNN

1.1 先把驱动、CUDA、cuDNN、框架这四层关系掰扯清楚

很多人第一次搭环境失败，根本原因不是命令敲错了，而是没搞明白这四样东西谁管谁。你可以把显卡驱动理解成硬件和操作系统之间的"通行证"，没有它，系统根本不知道该怎么跟显卡说话。CUDA 是建立在驱动之上的一整套通用计算接口，它提供了运行时库和一堆基础算子，比如矩阵乘法、内存拷贝这些。cuDNN 则是在 CUDA 之上专门为深度学习做的加速库，卷积、池化、归一化这些层的高效实现都在里面。PyTorch 和 Paddle 是最上面那一层，它们调用 cuDNN 和 CUDA 提供的接口来完成张量运算。

层级关系是这样的：驱动在最底下，往上是 CUDA 运行时，再往上是 cuDNN，最上面才是框架。上层依赖下层，但下层并不感知上层的存在。这就解释了一个常见现象：你换了 PyTorch 的版本，驱动不用动；你升级了驱动，框架也不用重装。真正需要严格对齐的，是框架编译时链接的那个 CUDA 版本，和你实际能提供的 CUDA 运行时版本。

说到这里必须澄清一个流传极广的误解。你在命令行敲nvidia-smi，右上角会出现一行CUDA Version: 12.4，很多人以为这是"我已经装了 CUDA 12.4"。不是。那行字的意思是"当前这块驱动最高能支持到 CUDA 12.4 的运行时"。它是个上限，不是已安装列表。你在系统里可能一个 CUDA 都没装，这行数字照样会显示。理解这一点非常关键，因为后面判断该装哪个版本，全靠它。

1.2 "免装CUDA和cuDNN"免的到底是哪一层

现在来回答标题里那个最核心的问题：免装，免的是哪一层？答案是免去系统级的 CUDA 运行时安装和 cuDNN 手动部署，驱动那一层免不掉，也不需要免。

具体机制是这样的。当你用 conda 安装pytorch-cuda=11.8这个包时，conda 会把cuda-runtime、cudnn、cublas、cusolver这些组件作为独立的 conda 包下载下来，放在你这个虚拟环境自己的目录里，比如envs/dl/Library/bin下面。框架运行时通过相对路径或者环境内注入的方式找到它们，完全不依赖系统 PATH 里的 CUDA 安装。这就意味着，你机器上可以同时存在三个不同 CUDA 版本的环境，互不干扰，删掉环境就等于把这一整套 CUDA 干干净净地移除了，注册表、系统变量里不留任何残留。

pip 路线也是同样的道理。PyTorch 官方在 PyPI 上下发的 wheel 包，本身就是把 CUDA 运行时和 cuDNN 的动态库打包进去的自包含版本，安装时会顺带拉取nvidia-cuda-runtime-cu12、nvidia-cudnn-cu12这类配套包。Paddle 的 GPU 版本也类似，它把cudnn64_8.dll、cublas64_11.dll这些文件直接放在site-packages/paddle/libs/里，Python 导入时通过os.add_dll_directory把路径挂上去。所以你装完就能直接用，不需要去官网注册账号下载 cuDNN 压缩包，也不需要往 System32 里拷 DLL。

有一点必须提前说清楚：驱动版本仍然是硬门槛。如果你的驱动只支持到 CUDA 11.4，而你要装的是需要 11.8 运行时的框架，那装上去也跑不起来，会直接在加载动态库时报错。所以第一步永远是看驱动，而不是先挑框架版本。

1.3 这套方案适合谁，什么情况下别硬套

坦率讲，这套"conda 一把梭"的方案不是万能的，它有自己的舒适区。适合的人群是：刚开始学深度学习的学生、需要在一台机器上快速验证多个框架的开发者、不想污染系统环境的人、只想跑通演示和课程作业的人。它最大的优势是隔离性好、回滚成本几乎为零，环境坏了直接conda env remove重建就行，十分钟的事。

不太适合的场景也有几个，说清楚免得你后面绕远路。第一种是你要复现一篇指定了 CUDA 10.1 的老论文代码，而你的新卡驱动已经不支持那么低的运行时，这时候免装方案反而帮不上忙，得考虑容器或者另找适配版本。第二种是你要自己编译带自定义算子的扩展，编译期需要完整的 CUDA Toolkit，而不只是运行时，这时候还是老老实实装一套系统级 Toolkit 更稳。第三种是多机多卡的生产训练，对 NCCL 版本有严格要求，环境需要精细控制。

还有一个坑要提醒：这套方案装出来的环境体积不小。conda 版带 CUDA 运行时的环境，动辄五到八个 G；pip 版稍微好一点，但三个 G 也是起步。所以别把环境建在系统盘剩几十兆的地方，也别往base环境里装。base环境是你整个 conda 的根基，一旦被各种包冲突搞坏，修复成本远高于重建一个环境。

2. Anaconda下载安装与镜像源配置

2.1 下载渠道、安装包选择和那几个要命的勾选项

下载渠道有两个选择：官方站和国内高校镜像站。官方站下载速度在国内经常是个位数 KB，装到一半断掉是常事。我更推荐从高校开源镜像站下历史版本归档，速度能跑满带宽，而且归档里的版本号齐全，想装哪个版本都能找到。文件名一般是Anaconda3-2024.xx-Windows-x86_64.exe这种格式。

这里有个选择要做：装 Anaconda 还是 Miniconda。Anaconda 完整版安装包接近一个 G，装完之后预置了 numpy、pandas、scikit-learn、jupyter 一大堆东西，开箱即用，代价是占地三到五个 G。Miniconda 只有几百兆，装完就是一个 conda 加一个 Python，干净利落。我的建议是：如果你只是想搭个深度学习环境，装 Miniconda 就够了，后面用conda install或者pip install按需装，环境更清爽。如果你还打算顺带做数据分析、跑 notebook，那 Anaconda 省事。

安装过程中有两个勾选框值得单独说。第一个是安装路径，千万别用中文路径，也别用带空格和特殊字符的路径。C:\Program Files\Anaconda3这种看着正规，实际上很多科学计算包在编译期写死了路径处理逻辑，遇到空格会炸。我一般直接放在D:\anaconda3或者D:\miniconda3，短、纯英文、无空格，省掉后面百分之八十的诡异报错。

第二个是"是否把 Anaconda 加入 PATH 环境变量"。安装器会用红字警告你不要勾，理由是可能和其他 Python 冲突。我的实际经验是：如果你机器上只装这一个 Python 发行版，勾上，省得每次开命令行都要先点开 Anaconda Prompt。如果你机器上已经有别的 Python，或者装了多个版本，那就别勾，改用 Anaconda Prompt 来操作，避免python命令指向混乱。

提示：装完后先在命令行敲conda --version和python --version，两个都能正常返回版本号，说明基础环境通了。如果提示"不是内部或外部命令"，说明 PATH 没配好，回去用 Anaconda Prompt 或者手动加环境变量。

2.2 conda源和pip源要分开配，只配一个等于没配

这是新手最容易忽略的一步。很多人兴冲冲地配完了 conda 的镜像源，结果用 pip 装包的时候还是慢得像蜗牛爬。原因很简单：conda 和 pip 是两套完全独立的包管理和下载体系，它们读不同的配置文件，源要分别配。

conda 的配置写在用户目录下的.condarc文件里，Windows 上是C:\Users\你的用户名\.condarc。可以在命令行用conda config --set show_channel_urls yes先生成这个文件，然后直接用文本编辑器打开改。我常用的配置长这样：

channels: - defaults show_channel_urls: true default_channels: - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2 custom_channels: conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud nvidia: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

pip 的配置更简单，两条命令搞定：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip config set install.trusted-host pypi.tuna.tsinghua.edu.cn

配完之后可以用pip config list确认一下，输出里能看到global.index-url就说明生效了。这个配置是写在pip.ini里的，位置在C:\Users\你的用户名\pip\pip.ini，换机器的时候把这个文件拷过去就行。

还有一条特别实用的经验：如果你用的是 conda 23.x 之后的版本，强烈建议把依赖求解器换成 libmamba。默认的 classic solver 在解析复杂依赖时经常卡在 "Solving environment" 十几分钟不动，换成 libmamba 之后基本秒出结果：

conda config --set solver libmamba

装完之后用conda config --show solver确认一下，输出libmamba就成了。这一步能省下大量等待时间，属于装一次爽很久的配置。

2.3 创建虚拟环境：为什么不能直接在base里装

先说结论：永远不要在base环境里装 PyTorch 或者 Paddle。原因是依赖冲突是必然会发生的，只是早晚问题。你今天在 base 里装了 PyTorch 2.4，下周想试一个需要numpy<1.24的老项目，conda 为了满足新依赖可能会把 numpy 降级，结果直接把你之前的 PyTorch 环境搞坏。而且 base 环境出问题之后，conda 自己都可能启动不了，那时候就只能重装了。

创建环境就一行命令：

conda create -n dl python=3.10 -y

这里的-n dl是环境名，你可以随便起，我习惯叫dl，也有人喜欢按框架分开叫torch和paddle。python=3.10是我当前最推荐的版本，后面会解释原因。-y是自动确认，省得中途还要敲一次 y。

创建完用这两条命令来切换和管理：

conda env list # 列出所有环境 conda activate dl # 激活 dl 环境 conda deactivate # 退出当前环境 conda env remove -n dl # 删掉整个环境

激活成功之后，命令行的提示符前面会多出一个(dl)，这就是最直观的确认标志。这里有个常见困惑：很多人激活了环境，但敲pip install装到了系统 Python 里。原因通常是 PATH 顺序问题，或者用的是 PyCharm 里的终端但没配置好。你可以用where python（Windows）或which python（Linux）来确认当前生效的 Python 到底是哪一个，路径里必须包含envs\dl才对。

关于 Python 版本的选择，我简单说一下逻辑。深度学习框架的 wheel 包不是所有 Python 版本都提供，通常落后最新版 Python 一到两个小版本。目前在 Windows 上，3.10 是兼容性甜点区：PyTorch 2.x 全系支持，Paddle 2.5 以上也支持，各种数据处理库、可视化库的轮子都齐全。3.12 有些冷门包还没跟上，装的时候会触发源码编译，在 Windows 上编译简直是灾难。3.8 太老，一些新版本的框架已经开始放弃支持。所以除非你有明确的版本要求，无脑选 3.10 就行。

3. PyTorch环境搭建：从选版本到验证跑通

3.1 先看驱动再选CUDA版本，顺序不能反

打开命令行，敲：

nvidia-smi

输出的表格右上角有个CUDA Version，右上角之外还有一行Driver Version。这两个数字是你做所有后续决策的依据。判断规则很简单：CUDA Version显示的是驱动支持的上限，你要装的框架所需要的 CUDA 运行时版本，只要不超过这个上限就行。

举几个实际例子。如果显示的是CUDA Version: 12.4，那 11.8、12.1、12.4 的运行时你都能装。如果显示的是CUDA Version: 11.7，那你只能装 11.8 以下的版本，也就是 11.7、11.6、11.3 这些。如果敲nvidia-smi直接报错说找不到命令，那要么是没装驱动，要么是笔记本双显卡切换的问题，先去设备管理器里看看显卡状态。

驱动的版本和 CUDA 支持的对应关系，大致可以这么记：驱动版本 450 以上的支持 CUDA 11.x，驱动 527 以上支持 CUDA 12.x，驱动 550 以上支持到 CUDA 12.4。这个对应表会随着新驱动发布不断更新，拿不准的时候最稳妥的办法是去查一下，或者干脆用nvidia-smi给出的那个数字直接做判断。

还有一个容易被忽略的点：如果你装的是 Windows 系统的笔记本，很多机型是核显加独显的双显卡结构，nvidia-smi能正常显示，但框架跑起来默认可能挂在核显上。这种情况在代码里用torch.cuda.is_available()能检测到独显就没问题，实际运算时由 CUDA 驱动负责调度，一般不需要额外干预。

3.2 conda路线和pip路线，我为什么更推荐pip

装 PyTorch 有两条路，各有各的脾气。

conda 路线的命令长这样：

conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

它的好处是依赖解析统一，pytorch-cuda这个虚拟包会自动把配套的cuda-runtime、cudnn拉进来，版本对齐由 conda 保证，你基本不用操心。缺点是慢，尤其在国内，即使配了镜像，遇到某些包只在官方 channel 上有时也会卡住。另外 conda 装的 PyTorch 版本更新会略滞后于 pip。

pip 路线的命令是：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

这里有个关键细节：--index-url后面跟的那个地址，决定了你拿到的是哪个 CUDA 版本的构建。cu118就是 CUDA 11.8，cu121是 12.1，cu124是 12.4。一定要显式指定，不要图省事直接pip install torch。因为在某些平台和某些版本上，默认从 PyPI 拉到的构建并不一定是带 GPU 支持的，装完发现torch.cuda.is_available()返回 False，白忙一场。

pip 的优势是快、wheel 体积相对小、版本更新及时。而且它同样是自包含的，安装时会自动拉取nvidia-cuda-runtime-cu11、nvidia-cudnn-cu11这些依赖包，所以照样不用你手动装 CUDA 和 cuDNN。我个人现在的习惯是：优先用 pip 装 PyTorch，因为速度差异实在太大；只有在 pip 路线反复失败、或者需要和某个 conda 环境里的其他包严格对齐版本时，才退回 conda。

不管走哪条路，有一条铁律：同一个环境里不要 conda 装一半、pip 装一半。混装会导致依赖元数据割裂，conda 不知道 pip 装了什么，后面再装别的包时可能把你 pip 装的版本覆盖掉。如果实在必须混，顺序是先用 conda 装完所有能装的，最后再用 pip 补剩下的。

3.3 三步验证，确认GPU真的被用上了

装完之后不要急着写训练代码，先做验证。新建一个check_torch.py：

import torch print("PyTorch 版本:", torch.__version__) print("CUDA 是否可用:", torch.cuda.is_available()) print("CUDA 运行时版本:", torch.version.cuda) print("cuDNN 版本:", torch.backends.cudnn.version()) print("显卡数量:", torch.cuda.device_count()) if torch.cuda.is_available(): print("显卡型号:", torch.cuda.get_device_name(0))

理想输出是这样的：

PyTorch 版本: 2.4.1+cu118 CUDA 是否可用: True CUDA 运行时版本: 11.8 cuDNN 版本: 90100 显卡数量: 1 显卡型号: NVIDIA GeForce RTX 4060

版本号里带+cu118后缀，说明拿到的是 CUDA 11.8 构建。torch.version.cuda显示 11.8，说明运行时也挂上了。cuDNN 版本显示一串数字，说明 cuDNN 也正常加载了。这三个都对上，基本就没问题了。

再做一次真实运算的验证，确保不是"看起来能用"：

import torch import time if torch.cuda.is_available(): a = torch.randn(4096, 4096, device="cuda") b = torch.randn(4096, 4096, device="cuda") torch.cuda.synchronize() start = time.time() for _ in range(10): c = a @ b torch.cuda.synchronize() print("GPU 矩阵乘法耗时: %.3f 秒" % (time.time() - start)) print("结果张量设备:", c.device)

这段代码会实实在在占满显存跑十次大矩阵乘法，如果显卡在转、显存被吃掉，说明整条链路是通的。如果这步报CUDA out of memory，把 4096 调小到 1024 再试，那是显存不够，不是环境问题。

验证通过之后，建议顺手把环境信息导出一份，方便以后复现：

conda env export > environment.yml pip freeze > requirements.txt

这两个文件在你换机器、或者环境被搞坏需要重建的时候，能救命。

4. PaddlePaddle环境搭建：版本对齐比PyTorch更讲究

4.1 Paddle的版本体系，为什么不能照抄教程里的命令

Paddle 的 GPU 安装包命名规则比 PyTorch 要复杂一些，它的版本号后面会带一个后缀来标识 CUDA 版本，比如paddlepaddle-gpu==2.6.1.post118里的post118就是 CUDA 11.8 的意思，post120就是 CUDA 12.0。除了 CUDA 版本，还有操作系统、是否启用 MKL、AVX 指令集等编译选项的区别，这些在下载地址里都要体现出来。

这就是为什么你在网上搜到的 Paddle 安装命令，很可能原封不动抄下来就报错。作者的机器是 CUDA 12.0，你的机器只有 11.8，命令里的post120对你就不适用。正确做法是去 Paddle 官网的安装页面，选择你的操作系统、Python 版本、CUDA 版本，页面会生成一条针对你环境的命令。

我列一个 Windows 加 CUDA 11.8 加 Python 3.10 的典型命令作为参考：

python -m pip install paddlepaddle-gpu==2.6.1.post118 -f https://www.paddlepaddle.org.cn/whl/windows/mkl/avx/stable.html

如果你的显卡只能跑 CPU 版本（比如没有独显，或者驱动实在太老），命令就是最简单的：

python -m pip install paddlepaddle

还有一点要注意：Paddle 官方推荐的安装方式就是 pip，不要用 conda。因为 conda channel 上的 Paddle 包更新不及时，版本往往落后很多，而且还可能因为依赖解析把 numpy 之类的包降级。

4.2 安装过程与GPU可用性验证

安装之前先确认当前环境是激活状态，命令行前面有(dl)标志。然后跑上面那条安装命令。下载包大概几百兆到一点几个 G，取决于你选的构建。装完之后，用 Paddle 自带的检查工具验证：

import paddle paddle.utils.run_check()

如果一切正常，你会看到这样的输出：

Running verify PaddlePaddle program ... PaddlePaddle works well on 1 GPU. PaddlePaddle is installed successfully! Let's start deep learning with PaddlePaddle now.

run_check这个函数内部会依次做几件事：检查 CPU 基础运算、检查 CUDA 动态库能否加载、检查 GPU 上能否正常执行运算。所以它能一次性把大部分环境问题暴露出来，比自己写脚本测试省事得多。

如果想更细致地看设备信息：

import paddle print("Paddle 版本:", paddle.__version__) print("当前设备:", paddle.device.get_device()) print("显卡数量:", paddle.device.cuda.device_count()) if paddle.device.cuda.device_count() > 0: print("显卡型号:", paddle.device.cuda.get_device_name(0)) print("显存:", paddle.device.cuda.get_device_properties(0).total_memory / 1024**3, "GB")

注意paddle.device.get_device()这个 API 在 2.5 之后的版本才有，如果你用的是更早的版本，要用paddle.get_device()。这个 API 变更也是看老教程时经常踩的坑之一。

顺便说一下，Paddle 在 Windows 上对 VC++ 运行库有依赖。如果你的系统比较干净，可能会遇到提示缺少某个 DLL 的情况。解决办法是去装一个 Microsoft Visual C++ Redistributable，把 2015 到 2022 的运行库一次性装齐。这个运行库很多软件都需要，装了不亏。有些教程会提到用旧版 IDE 工具链来编译 Paddle 的 C++ 推理库，那是另一个层面的需求，和 Python 环境搭建是两回事，这里不展开。

4.3 顺手把PaddleOCR跑通，顺便聊聊版本差异

装完 Paddle 之后，很多人下一步就是跑 OCR。这一步的坑在于：PaddleOCR 的 API 在 3.x 版本做了比较大的调整，2.x 的老代码直接抄过来会报错。

2.x 版本的典型写法是：

from paddleocr import PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang="ch") result = ocr.ocr("test.jpg", cls=True) for line in result[0]: print(line[1][0])

3.x 版本改成了类似这样的结构：

from paddleocr import PaddleOCR ocr = PaddleOCR(use_doc_orientation_classify=False, use_doc_unwarping=False, use_textline_orientation=False) result = ocr.predict("test.jpg") for res in result: res.print()

参数名、返回结构都变了。所以看到老博客里的代码跑不通时，先去确认一下自己装的 PaddleOCR 是哪个大版本。

还有一个实际使用中的经验：PaddleOCR 首次运行会自动下载检测、识别、方向分类三个模型，默认落在用户目录下的.paddleocr文件夹里。如果你的机器不能直连外网，或者想做一个便携版打包分发，就需要提前把模型文件放到指定目录，并且用det_model_dir、rec_model_dir、cls_model_dir这些参数显式指定路径。打包的时候记得把paddle目录下的libs文件夹一起带上，那里放的是 cuDNN、cuBLAS 这些动态库，缺了会直接报找不到模块。

5. PyCharm安装与解释器绑定：让代码跑在正确的环境里

5.1 版本选择和安装时的注意事项

PyCharm 有两个版本：社区版和专业版。社区版完全免费，支持纯 Python 开发、调试、虚拟环境管理、Git 集成，这些对深度学习开发来说够用了。专业版多了远程开发、Web 框架支持、数据库工具等，对学生和学术用途有申请免费的渠道。

我不建议去网上找各种非官方的激活手段，一是来源不明的工具本身有安全风险，二是折腾激活的时间成本远高于直接用社区版。对于跑深度学习代码这个场景，社区版的功能覆盖度是足够的。

安装过程没什么特别的，同样遵守"纯英文路径、无空格"的原则。安装选项里有几个可以留意：创建桌面快捷方式、添加到右键菜单"Open Folder as Project"、关联.py文件。这几个按需勾选就行。安装完之后第一次启动会问你主题、插件、键盘映射，随便选，后面都能改。

5.2 把conda虚拟环境绑定到项目上

这是新手最容易出问题的一步。很多人的情况是：命令行里一切正常，进了 PyCharm 一运行就报ModuleNotFoundError: No module named 'torch'。原因就是 PyCharm 用的是系统 Python，而不是你那个装了框架的 conda 环境。

绑定步骤是这样的。打开项目后按Ctrl+Alt+S进设置，找到Project: 你的项目名下面的Python Interpreter。右上角有个齿轮图标，点开选Add。在弹出的窗口左侧选Conda Environment，然后选Use existing environment，在下面的下拉框里找到你创建的那个环境。

如果下拉框里没有，就手动指定路径。Windows 上一般是：

D:\anaconda3\envs\dl\python.exe

Linux 或者 Mac 上是：

/home/你的用户名/anaconda3/envs/dl/bin/python

关键是这个python.exe要指向envs/环境名/下面那个，而不是anaconda3/python.exe。选好之后点确定，你会看到包列表里出现了 torch、paddlepaddle-gpu 这些包，说明绑定成功了。

绑定完之后有个必做的验证步骤。打开 PyCharm 底部的Terminal标签，注意看提示符前面有没有(dl)。如果有，说明终端也自动激活了环境，直接在里面跑python check_torch.py就能验证。如果没有那个前缀，说明终端没继承环境配置，你需要在设置里把 Terminal 的 shell path 配置好，或者手动conda activate dl一下再跑。

还有一个更隐蔽的坑：PyCharm 项目设置里的解释器绑对了，但运行配置（Run Configuration）里指定了另一个解释器。检查方法是点右上角的运行配置下拉框，选Edit Configurations，看Python interpreter那一栏是不是你绑定的那个环境。如果这里选的是Project Default，那它会跟着项目设置走，一般没问题；但如果被手动改过，就会出岔子。

5.3 几个提升效率的实用配置

装一个中文语言包。在Settings里找到Plugins，切到Marketplace标签，搜索Chinese，找到官方那个简体中文语言包装上，重启之后界面就是中文的了。对英文不太熟的朋友，这一步能明显降低上手门槛。

配置包管理的入口。Settings里找到Project下面的Python Interpreter，界面上有个加号，点开就是包安装界面，可以搜索包名直接装。但说实话，我更推荐直接用 PyCharm 内置的 Terminal 敲 pip 命令，因为可视化界面有时候会卡在刷新索引上，而且命令行能看到完整的安装日志，出错了知道错在哪。

设置文件编码。Settings里搜File Encodings，把Global Encoding、Project Encoding、Default encoding for properties files全部设成 UTF-8。不设的话，读中文文本文件经常出现乱码，尤其是处理数据集的时候。

配置运行的工作目录。Run菜单下的Edit Configurations里，有个Working directory选项。默认是项目根目录，但如果你代码里用了相对路径读文件，而文件在子目录里，就需要把工作目录改到对应的位置。这个设置不对，表现就是"命令行能跑，PyCharm 里报找不到文件"。

6. 常见报错速查与排查思路

6.1 安装阶段的报错

conda 卡在 Solving environment 不动。这是依赖求解太慢，解决办法是换 libmamba 求解器（前面提过），或者改用 pip 安装。如果非要坚持 conda，可以试试加--no-deps跳过依赖解析，但这样容易造成依赖不全，不推荐。

CondaHTTPError 或者 SSLError。一般是镜像源配置有问题，或者网络中间有拦截。先检查.condarc里的地址拼写，确认没有多余空格。还不行就临时换一个镜像源试试，比如换到其他高校的源。

pip 安装报 Read timed out。加大超时时间，或者换源。命令是pip install xxx --timeout 1000。如果下载大包（比如 PyTorch）总是断，可以用--default-timeout=1000配合-i指定国内源。

报 Microsoft Visual C++ 14.0 is required。这在 Windows 上装一些需要本地编译的包时会出现，解决方法就是装 Build Tools 或者完整装一个 Visual Studio 的 C++ 开发组件。不过对于 PyTorch 和 Paddle 这种有预编译 wheel 的包，正常不会遇到，遇到了说明 pip 找不到匹配的 wheel，退回去检查 Python 版本是不是太新了。

pip 报 hash 校验失败。可能是下载过程中文件损坏，或者源的内容不一致。清一下缓存pip cache purge，然后重装。

6.2 运行阶段的报错

torch.cuda.is_available() 返回 False。这个最常见，排查顺序是：先确认当前环境对不对（where python）；再看torch.version.cava是不是 None，是 None 说明装的是 CPU 版，重装 GPU 版；再看驱动版本够不够；最后看有没有报动态库加载失败的具体错误信息，用python -c "import torch"单独跑一遍，看有没有 stderr 输出。

报 The detected CUDA version mismatches。这是编译期和运行期的 CUDA 版本对不上，通常是环境里混装了不同来源的包。解决办法是彻底卸载重装，pip uninstall torch torchvision torchaudio -y，然后重新装一次。

报 OSError: [WinError 126] 找不到指定的模块。这类错误在装 Paddle 时比较常见，根因往往是缺少 VC++ 运行库，或者 CUDA 相关的 DLL 路径没挂上。先去装齐 VC++ Redistributable，还不行就在代码最开头手动加一句：

import os os.add_dll_directory(r"D:\anaconda3\envs\dl\Lib\site-packages\paddle\libs")

把路径换成你自己的实际路径。

Paddle 报 cudnn64_8.dll 无法加载。说明 Paddle 自带的 cuDNN 和你的驱动不兼容，或者这个 DLL 被杀毒软件隔离了。先去paddle\libs目录下确认这个文件存在，不存在就重装 Paddle。存在的话，检查驱动版本是否满足 Paddle 的要求。

为了让你排查起来更快，我把常见现象整理成一张表：

6.3 几条我踩过坑之后总结的经验

第一条，任何环境问题都不要在原来的环境上反复折腾。你试了三次没解决，直接conda env remove -n dl重建，十分钟的事，比你在那儿查两小时错误日志划算得多。前提是你要有导出好的requirements.txt。

第二条，版本号能抄就抄，别自己发挥。找到一个能跑通的组合（Python 版本、框架版本、CUDA 版本），把这三个数字记下来，以后换机器直接照抄。我自己的固定组合是 Python 3.10 加 PyTorch 2.4 加 cu118，加 Paddle 2.6.1.post118，Windows 和 Linux 上都跑过，比较稳。

第三条，判断"环境到底有没有生效"最快的办法不是看代码，是看路径。where python和pip -V两条命令，输出的路径里必须包含你的环境名，否则就是在错误的环境里干活。这个方法能在三十秒内定位百分之七十的环境问题。

第四条，磁盘空间要留够。conda 的包缓存目录pkgs会越堆越大，跑过几个环境之后轻松几十个 G。定期用conda clean -a清理一下，能腾出不少地方。清理不会影响已建好的环境，放心执行。

第五条，如果有条件，把 Anaconda 装在固态盘上。深度学习环境本身体积大，创建环境、安装包的过程涉及大量小文件读写，机械盘上建一个环境可能要十几分钟，固态盘上两三分钟就完事，体验差距很明显。

最后分享一个我自己一直在用的小习惯：每建好一个能跑通的环境，就在项目根目录下写一个env_note.md，记下创建日期、Python 版本、三个框架的版本号、安装命令、以及这次遇到的所有异常和解决方式。下次再踩到类似的坑，翻一下这个文件，往往两分钟就能对上号。环境搭建这件事，本质上就是个经验积累的活，踩过的坑记下来，第二次就不是坑了。