Anaconda 安装

Anaconda 是一个集成了 Python、常用科学计算库以及包管理工具的数据科学平台。它内置了 conda 包管理器，能极大简化环境配置流程。

Windows 安装步骤

1. 访问 Anaconda 官网 下载 Windows 安装包
2. 双击运行安装程序，选择 "Add Anaconda3 to my PATH environment variable"（建议勾选）
3. 完成安装后，打开 Anaconda Prompt 或 CMD

Mac 安装步骤

1. 下载 macOS 图形安装包（Intel 芯片选 x86，Apple Silicon 选 arm64）
2. 双击 .pkg 文件按向导安装，或下载命令行版本使用以下命令安装：

bash Anaconda3-2024.XX-MacOSX-arm64.sh

Linux 安装步骤

1. 下载 Linux 版本的 sh 安装脚本
2. 在终端中执行以下命令：

wget https://repo.anaconda.com/archive/Anaconda3-2024.XX-Linux-x86_64.sh
bash Anaconda3-2024.XX-Linux-x86_64.sh
source ~/.bashrc

验证安装

conda --version
python --version

Python 虚拟环境

虚拟环境是 Python 开发中的核心实践，它能让你在同一台机器上维护多个相互隔离的 Python 环境。

conda 环境管理常用命令

# 创建新环境（指定 Python 版本）
conda create -n ai-env python=3.10

# 激活环境
conda activate ai-env

# 退出当前环境
conda deactivate

# 查看所有环境
conda env list

# 删除环境
conda remove -n ai-env --all

# 导出环境配置
conda env export > environment.yml

# 从配置文件创建环境
conda env create -f environment.yml

PyTorch 安装

PyTorch 是目前最流行的深度学习框架之一。根据你的硬件条件，选择 CPU 版本或 GPU 版本进行安装。

CPU 版本安装

适用于没有 NVIDIA 显卡或仅需学习基础概念的场景：

conda activate ai-env
conda install pytorch torchvision torchaudio cpuonly -c pytorch

GPU 版本安装（CUDA）

适用于配备 NVIDIA 显卡且希望利用 GPU 加速训练的场景：

# CUDA 12.1 版本（推荐）
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

# 或 CUDA 11.8 版本（旧显卡兼容）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

验证安装

import torch

# 检查 PyTorch 版本
print(f"PyTorch version: {torch.__version__}")

# 检查是否可以使用 GPU
print(f"CUDA available: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"CUDA version: {torch.version.cuda}")
    print(f"GPU name: {torch.cuda.get_device_name(0)}")
    print(f"GPU count: {torch.cuda.device_count()}")

Jupyter Notebook

Jupyter Notebook 是一个交互式编程环境，非常适合数据分析、模型调试和学习记录。

安装 Jupyter

conda install jupyter

启动 Jupyter Notebook

# 在指定目录启动（会自动打开浏览器）
jupyter notebook

# 指定端口启动
jupyter notebook --port 8888

# 不自动打开浏览器
jupyter notebook --no-browser

基本操作

• 新建单元格：点击工具栏 "+" 按钮或使用快捷键 B（下方插入）/ A（上方插入）
• 运行单元格：Shift + Enter
• 切换模式：Esc 进入命令模式，Enter 进入编辑模式
• 单元格类型：Y（代码）、M（Markdown）、R（原始文本）
• 保存：Ctrl + S
• 重启内核：Kernel > Restart Kernel（可清除所有变量）

在 VS Code 中使用 Jupyter

1. 安装 VS Code 扩展：Jupyter 和 Python
2. 打开任意 .ipynb 文件，或新建文件并保存为 .ipynb 格式
3. 点击右上角选择 Python 内核（选择你创建的 conda 环境）
4. 即可在 VS Code 中直接运行 Notebook 单元格

常用库安装

以下列出了 AI 开发中最常用的 Python 库及其安装命令：

# 科学计算与数据处理
conda install numpy pandas matplotlib scikit-learn

# 或使用 pip 安装
pip install numpy pandas matplotlib scikit-learn

# 深度学习框架（PyTorch 已在前文安装）
pip install torch torchvision torchaudio

# Hugging Face 生态（预训练模型与数据集）
pip install transformers datasets accelerate

# 大模型应用开发
pip install langchain langchain-openai

# 其他常用工具
pip install tqdm tensorboard jupyterlab seaborn

GPU 环境检查

在进行深度学习训练前，确认 GPU 环境是否正常工作是至关重要的一步。

检查 NVIDIA 驱动与 CUDA

# 查看 GPU 信息
nvidia-smi

# 查看 CUDA 编译器版本
nvcc --version

PyTorch GPU 验证代码

import torch

# 1. 检查 CUDA 是否可用
print(f"CUDA available: {torch.cuda.is_available()}")

# 2. 获取 GPU 数量
print(f"GPU count: {torch.cuda.device_count()}")

# 3. 获取当前 GPU 名称
if torch.cuda.is_available():
    print(f"Current GPU: {torch.cuda.get_device_name(0)}")

# 4. 测试张量是否能放到 GPU 上
if torch.cuda.is_available():
    x = torch.rand(3, 3).cuda()
    print(f"Tensor device: {x.device}")
    print("GPU 测试通过！")
else:
    print("CUDA 不可用，将使用 CPU 运行。")

第一个 AI 程序

让我们用 PyTorch 创建一个最简单的神经网络——一个单隐藏层的全连接网络，用于解决经典的 XOR 问题。

import torch
import torch.nn as nn
import torch.optim as optim

# 设置随机种子，保证结果可复现
torch.manual_seed(42)

# 定义神经网络模型
class SimpleNet(nn.Module):
    def __init__(self):
        super(SimpleNet, self).__init__()
        self.layer1 = nn.Linear(2, 4)   # 输入层 -> 隐藏层
        self.activation = nn.ReLU()      # 激活函数
        self.layer2 = nn.Linear(4, 1)   # 隐藏层 -> 输出层
        self.sigmoid = nn.Sigmoid()      # 输出层激活

    def forward(self, x):
        x = self.layer1(x)
        x = self.activation(x)
        x = self.layer2(x)
        x = self.sigmoid(x)
        return x

# 准备 XOR 数据集
X = torch.tensor([[0., 0.], [0., 1.], [1., 0.], [1., 1.]])
y = torch.tensor([[0.], [1.], [1.], [0.]])

# 创建模型实例
model = SimpleNet()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.1)

# 训练模型
print("开始训练...")
for epoch in range(1000):
    # 前向传播
    outputs = model(X)
    loss = criterion(outputs, y)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch + 1) % 200 == 0:
        print(f"Epoch [{epoch+1}/1000], Loss: {loss.item():.6f}")

# 测试模型
print("\n预测结果：")
with torch.no_grad():
    predictions = model(X)
    for i in range(4):
        input_vals = X[i].tolist()
        pred = predictions[i].item()
        actual = y[i].item()
        print(f"输入: {input_vals} -> 预测: {pred:.4f}, 实际: {actual}")

print("\n恭喜你，成功运行了第一个神经网络！")