用Anaconda搭建PyTorch CPU与GPU双环境：从安装到验证

很多刚开始接触 PyTorch 的同学，最先遇到的其实不是模型跑不通，而是环境装不上。打开教程，第一步让你装 Anaconda，第二步让你建虚拟环境，第三步装 CUDA 版 PyTorch，然后命令行报错一个接一个，最后连import torch这句代码长什么样都没见到。

这次我们直接把这个过程走完。目标是让一台电脑里同时存在两套 PyTorch 环境：一套 CPU 版，负责日常跑通代码、写实验、做调试；一套 GPU 版，负责真正的模型训练和推理。两者通过 Anaconda 的虚拟环境随时切换，互不干扰。再配合一个顺手能用的编辑器，把“装环境—写代码—跑训练—看结果”这条链路一次性拉通。

文章只讲能落地的事。每一条命令都能直接复制，每个步骤都给判断标准，装完哪一步、看到什么输出算成功，失败又该去哪里排查。不想在配环境上反复折腾的话，这篇可以直接收藏。

1. 核心能力速览

先给一张总表，搞清楚这套组合能做什么。

这里的核心思路不是只装一个 PyTorch，而是先理解“为什么要用 Anaconda 管环境”。下面逐步展开。

2. 适用场景与使用边界

这套方案适合以下场景。

第一类是本地学习与验证。你只是想跑通一个示例代码、看一下张量输出、测试某个模型结构能不能 forward，这时候不需要 GPU 参与。CPU 环境加载模型更快，也不会因为显存不够报错。

第二类是真实模型训练。进入训练阶段后，数据量变大、网络变深，CPU 算力明显不够。此时切换到 GPU 环境，通过 CUDA 调用显卡加速。两套环境并存，就是为了让“实验”和“训练”走不同的运行通道。

第三类是项目隔离。你同时做图像分类和自然语言处理，两个项目依赖的 torchvision、transformers 版本可能互相冲突。conda 虚拟环境可以为每个项目单独建一个空间，避免“装 A 库把 B 库搞坏”的连锁反应。

使用边界同样明确。Anaconda 解决的是 Python 包关系和运行环境问题，它不解决 CUDA 驱动版本与 PyTorch 不匹配的问题，也不解决模型本身不收敛、数据标注有误、显存容量不够的问题。简单说，环境工具只保证你能启动程序，不保证你的程序一定训练得好。

另外要提醒一点：在安装深度学习框架和后续处理训练数据、模型文件时，务必使用已获得授权的数据与模型。涉及人脸、声音、版权图像等内容时，要确认来源合法，不要在未授权的前提下批量处理或生成内容。

3. 环境准备与前置条件

安装之前，先花十分钟确认电脑现状，能省掉后面大量排错时间。

3.1 操作系统

Windows 建议使用 Windows 10/11 的 64 位版本。Linux 建议使用 Ubuntu 18.04 之后的发行版，服务器场景常用。macOS 也能装 Anaconda 和 CPU 版 PyTorch，但 GPU 支持受限，Apple Silicon 芯片需要参考 PyTorch 官方对 MPS 后端的支持情况。后续命令以 Windows 为例，Linux/macOS 的主要差异在于激活环境的命令，例如 Windows 用conda activate，Linux 同样支持，但部分终端需要先执行source ~/.bashrc。

3.2 显卡与 CUDA 驱动

想用 GPU 版 PyTorch，先看显卡。NVIDIA 显卡用户可以在命令行输入：

nvidia-smi

如果命令能执行，说明驱动已装。输出里的CUDA Version是当前驱动支持的最高 CUDA 版本，例如显示CUDA Version: 12.x，说明驱动可以支持 11.x、12.x 等较新的 CUDA 运行时。注意，安装 PyTorch 时选择的 CUDA 版本，要和驱动兼容，不需要完全等于驱动显示的数字，通常选择不高于驱动支持最高版本的 CUDA 版本更稳妥。

如果命令报“不是内部或外部命令”，说明 NVIDIA 驱动未安装或未加入 PATH，需要先装驱动。

AMD 显卡、Intel 显卡的情况相对复杂，建议直接去 PyTorch 官方安装页查询对应指令，不要照搬 NVIDIA 的命令。

查看 Python 版本：

python --version

新环境不必追求最新 Python，PyTorch 对高版本 Python 的适配存在滞后。更稳妥的选择是 Python 3.9 或 3.10，这也是目前大部分深度学习项目、第三方库兼容最好的区间。

3.3 磁盘空间

Anaconda 本体约 3 GB 到 5 GB，一个 PyTorch 虚拟环境大约需要 3 GB 到 8 GB 空间。如果还计划保存模型权重和数据集，建议预留至少 30 GB。磁盘不足时，安装到一半报错的情况很常见。

4. Anaconda 安装部署

Anaconda 的核心价值是环境管理。它自带的 conda 命令可以创建多个互相隔离的 Python 环境，每个环境有自己的 Python 版本和第三方库。这比直接在系统 Python 里pip install安全得多。

4.1 下载与安装

进入 Anaconda 官方网站下载页面，选择与操作系统匹配的版本。如果只想用 conda 管理环境、不要预装大量科学计算包，也可以选择 Miniconda，体积更小，安装更快。

安装时注意几点：

• 安装在纯英文路径下，不要包含中文目录。
• 安装过程中选择“为当前用户安装”，避免权限问题。
• 安装完成后，打开新的终端窗口输入conda --version，正常会输出 conda 版本号。

如果conda命令无法识别，说明安装时没有加入 PATH。可以手动把 Anaconda 安装目录下的Scripts和根目录加入系统环境变量，也可以在开始菜单中重新打开 Anaconda Prompt 使用，后者会自动加载环境变量。

4.2 更换国内镜像源

国内网络环境下，从官方源下载 pytorch 这类大型包速度可能很慢。建议配置清华镜像源，加速 conda 和 pip 的下载。这里给出 conda 的镜像配置方式：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes

配置完成后，执行：

conda clean -i

刷新索引缓存。之后安装会优先从镜像源拉取。

pip 也可以配置镜像源。在用户目录下新建pip文件夹，写入pip.ini文件：

[global] index-url = https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple trusted-host = mirrors.tuna.tsinghua.edu.cn

5. PyTorch 双版本环境搭建

这一节是核心。目标很明确：创建两个 conda 环境，一个装 CPU 版 PyTorch，一个装 GPU 版 PyTorch。

5.1 创建两个虚拟环境

打开 Anaconda Prompt 或系统终端，输入：

conda create -n torch-cpu python=3.10

这里torch-cpu是环境名，python=3.10指定 Python 版本。等待 conda 分析依赖并下载基础包，输入y确认安装。

同理创建 GPU 环境：

conda create -n torch-gpu python=3.10

创建完成后，可以通过：

conda env list

查看当前已有环境。带星号的是当前激活的环境。

5.2 安装 CPU 版本 PyTorch

激活 CPU 环境：

conda activate torch-cpu

确认当前环境：

python -V

此时python指向torch-cpu环境下的解释器，而不是系统的 Python。

CPU 版 PyTorch 安装命令以 PyTorch 官网给出的命令为准。当前官网通常提供类似结构：

pip install torch torchvision torchaudio

也可以使用 conda 安装。注意两点：第一，CPU 版不含 CUDA 相关库，安装包体积更小；第二，如果是在 Windows 上，建议优先使用 pip 安装官方预编译包，兼容性更好。

安装完成后，在 Python 中验证：

python

进入交互式环境后输入：

import torch print(torch.__version__) print(torch.cuda.is_available())

如果输出版本号并且torch.cuda.is_available()为False，这是正常的，因为 CPU 环境本来就不启用 CUDA。

5.3 安装 GPU 版本 PyTorch

退出当前 Python，执行：

conda deactivate

激活 GPU 环境：

conda activate torch-gpu

然后根据显卡驱动支持的 CUDA 版本，在 PyTorch 官网选择对应安装命令。例如驱动支持 CUDA 12.x 时，官网会给出类似命令：

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

这里cu121表示 CUDA 12.1 的预编译版本。不同时代官网会提供不同的 CUDA 版本，例如 cu118、cu121、cu124 等。选择原则是：不要超过驱动支持的最高版本。

GPU 版安装包体积明显更大，等待时间取决于网速。安装完成后同样进入 Python 验证：

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

如果torch.cuda.is_available()输出为True，并且get_device_name能显示显卡型号，说明 GPU 环境可用。

5.4 双环境切换机制

双版本的核心优势是切换成本几乎为零。运行日常训练前：

conda activate torch-gpu

调试 CPU 代码或模型结构时：

conda activate torch-cpu

切换后，torch会对应不同环境的安装版本，互不干扰。也可以通过 Anaconda Navigator 图形界面切换，选中环境后点击“Open Terminal”，会自动进入该环境。

6. 编辑器配置与开发验证

环境配好之后，需要一个编辑器来写代码、跑脚本、看输出。这里给出 VS Code 和 PyCharm 两种常见配置方式，二选一即可。

6.1 VS Code 配置

VS Code 安装 Python 扩展后，按Ctrl+Shift+P，输入Python: Select Interpreter，可以看到当前所有 conda 环境。选择torch-gpu作为当前项目的解释器。

新建test.py：

import torch x = torch.tensor([1.0, 2.0, 3.0]) y = x * 2 print(y) print(f"CUDA available: {torch.cuda.is_available()}")

在终端运行：

python test.py

如果输出包含tensor([2., 4., 6.])，说明解释器选择正确、PyTorch 可以正常使用。

VS Code 的另一个优势是终端自动联动。打开 VS Code 内置终端时，它会自动激活当前选择的 conda 环境，省去手动conda activate的步骤。这个功能要在设置中确认“Python > Terminal: Activate Environment”处于开启状态。

6.2 PyCharm 配置

PyCharm 中新建项目，进入File -> Settings -> Project -> Python Interpreter，点击设置图标选择Add Interpreter -> Conda Environment，选择Existing environment并指定torch-gpu。

也可以直接在 PyCharm 新建一个 conda 环境，但既然我们已经创建好了两个环境，建议直接复用。

配置完成后，右下角状态栏会显示当前解释器路径。运行同一个测试脚本，看到torch输出即表示成功。

6.3 编辑器选择建议

VS Code 适合轻量编辑、快速跑脚本、配合 Jupyter Notebook 使用。PyCharm 适合大型项目、多人协作、断点调试。两者都不是必须的，但配置好一个编辑器，之后跑实验会顺畅很多。

如果不习惯这两个编辑器，也可以使用 Jupyter Notebook。在环境中执行：

conda activate torch-gpu pip install jupyter jupyter notebook

它会在浏览器中打开交互式笔记本，适合逐步调试代码。

7. 功能测试与效果验证

环境搭好后必须有验证环节。下面给出一套从“环境信息”到“真实计算”的测试流程，照着做就能确认整条链路是否可用。

7.1 环境信息检查

运行以下脚本，打印依赖版本和计算设备信息：

import platform import torch print("Python 版本:", platform.python_version()) print("PyTorch 版本:", torch.__version__) print("能否使用 CUDA:", torch.cuda.is_available()) if torch.cuda.is_available(): print("显卡名称:", torch.cuda.get_device_name(0)) print("显存总量:", torch.cuda.get_device_properties(0).total_memory / 1024**3, "GB")

输出中，CPU 环境下能否使用 CUDA应为False，GPU 环境下应为True。如果反了，说明解释器选择错误或安装版本不对。

7.2 GPU 计算验证

在 GPU 环境中执行：

import torch x = torch.randn(10000, 10000, device="cuda") y = torch.matmul(x, x) print("GPU 矩阵乘法完成，结果形状：", y.shape)

这个脚本会在 GPU 上创建 1 万个 10000×10000 的随机矩阵并进行乘法。能顺利执行且不报显存错误，说明 CUDA 计算链路可用。

显存占用观察方式取决于操作系统。Windows 可以使用任务管理器中的“性能”标签查看 GPU 专用显存使用情况，也可以使用：

nvidia-smi

命令观察进程占用的显存。显存占用受批次大小、输入尺寸影响，具体数值以实际运行脚本为准。此时观察 GPU 的利用率，如果从 0% 跳到较高值，说明确实在调用显卡计算。

7.3 简单模型训练测试

验证完整训练流程，可以写一个极简线性回归样例：

import torch import torch.nn as nn import torch.optim as optim model = nn.Linear(10, 1) loss_fn = nn.MSELoss() optimizer = optim.SGD(model.parameters(), lr=0.01) x = torch.randn(64, 10) y = torch.randn(64, 1) for step in range(100): optimizer.zero_grad() pred = model(x) loss = loss_fn(pred, y) loss.backward() optimizer.step() if step % 20 == 0: print(f"step {step}, loss: {loss.item():.6f}")

能看到 loss 数值且能持续打印，说明“前向传播—反向传播—参数更新”这条链路没问题。

7.4 批量任务验证思路

实际训练时，我们需要对大量数据分批处理。PyTorch 用DataLoader实现批量加载：

from torch.utils.data import TensorDataset, DataLoader dataset = TensorDataset(torch.randn(1000, 10), torch.randn(1000, 1)) dataloader = DataLoader(dataset, batch_size=32, shuffle=True) for batch_idx, (data, target) in enumerate(dataloader): print(f"batch {batch_idx}: data shape {data.shape}, target shape {target.shape}")

这段代码说明环境支持批量数据读取。后续接入自己的数据集时，只需要把TensorDataset替换为自定义 Dataset。

7.5 接口服务扩展

深度学习环境本身是一套 Python 运行空间，可以承载 Web 服务。比如使用 FastAPI 封装一个简单的推理接口：

from fastapi import FastAPI import torch app = FastAPI() model = torch.nn.Linear(10, 1) @app.post("/predict") def predict(data: list[float]): tensor = torch.tensor(data).reshape(1, -1) result = model(tensor).item() return {"prediction": result}

这是一个示例，体现“环境搭好之后可以继续接 API 服务”的思路。实际项目中需要加载训练好的权重文件，并设计请求字段与异常处理。

8. 资源占用与性能观察

环境安装完毕后，系统会产生多种资源占用。了解它们能帮助你判断问题出在哪一层。

Anaconda 本身会常驻少量后台进程，但它不会一直占用大量 CPU。真正占用资源的是 Python 解释器和 PyTorch 计算。CPU 环境跑模型时，CPU 使用率会上升；GPU 环境跑模型时，显存和 GPU 利用率上升，CPU 使用率相对不高。

PyTorch 中影响性能的关键参数包括：batch_size、num_workers、输入分辨率和训练步数。num_workers控制 DataLoader 使用的子进程数量，加大它可以加快数据读取，但也会提升内存占用。显存不足时优先降低batch_size，而不是换显卡。

CPU 与 GPU 的差异主要体现在大规模矩阵计算上。CPU 版适合小批量测试和代码逻辑验证，GPU 版适合真正的训练任务。同一个模型，在 GPU 上训练一轮的速度通常远快于 CPU，但小模型、小数据量时差异不明显。

优化建议：

• 设置torch.set_num_threads(4)限制 CPU 环境线程数，避免资源争抢。
• 在 GPU 环境中，优先使用torch.cuda.amp混合精度训练。
• 使用pin_memory=True与non_blocking=True优化数据搬运。
• 训练结束后及时调用del variable并回收显存，必要时执行torch.cuda.empty_cache()。

显存不够时，也可以考虑使用 CPU 环境完成数据预处理，再切换到 GPU 环境训练模型。

9. 常见问题与排查方法

下面是这套环境搭建中最容易踩的坑，按“现象—原因—排查—解决”列出。

针对unavailableinvalidchannel: http 404 not found for channel anaconda/pkgs/msys这类问题，直接删除引起异常的频道配置：

conda config --remove-key channels conda clean -i

然后重新添加可靠的镜像地址。

10. 最佳实践与使用建议

这套环境配置要长期好用，有几个工程化习惯建议尽早养成。

第一，环境名精确对应项目。创建环境时建议使用能够描述用途的名称，比如torch-cpu、torch-gpu、nlp-transformers、cv-yolov8，方便多个项目之间区分。不要所有项目共用一个环境，否则依赖冲突迟早会出现。

第二，每次安装新包前先确认当前环境。在终端中输入：

conda env list

可以快速看到当前激活的环境。也可以观察命令行的提示符，环境名通常显示在最前面。不确认环境直接pip install，很容易把包装到错误的 Python 空间里。

第三，项目文件按目录分离。建议将代码、数据、模型分别放在src、data、models目录中，不要把所有文件都塞在环境目录下。环境目录是运行时组件，不应该混入项目文档。

第四，批量任务要留日志。PyTorch 训练不会因为日志缺失而出错，但排查问题时会非常困难。建议在训练脚本中加入 checkpoint 保存机制，每 N 轮保存一次模型权重。如果训练中断，可以从最近一次保存的权重继续。

torch.save(model.state_dict(), f"model_epoch_{step}.pth")

第五，接口服务要注意访问权限。将 FastAPI、Flask 等服务绑定到127.0.0.1而不是0.0.0.0，可以避免局域网内其他设备直接访问。如果确需远程访问，也要加上 token 或鉴权机制。

第六，注意合规授权。使用开源数据集时确认许可证类型；使用人脸、声音、版权图像进行训练或生成时，必须确保已获得相应授权。本地训练和推理应当在测试环境内验证效果，发布或商用前需要做二次复核。

最后，第一次跑通时建议只跑一个最小示例。不要一上来就挂一个大规模模型训练任务，先验证环境、验证数据加载、验证梯度能够正确传播，再逐步放大任务规模。这样即使后面出问题，也能快速定位是环境问题还是代码问题。

这篇教程最值得留下的核心内容其实只有三句话：用 Anaconda 创建独立环境，CPU 环境和 GPU 环境分开安装，编辑器选中对应解释器就能直接跑。剩下的事情，无非是在这个基础上不断扩展项目。建议把上面这些命令保存下来，下次重装系统或换电脑时，能省下大量查资料的时间。