Ubuntu + VS Code + Anaconda + PyTorch 深度学习环境配置保姆级教程

写在前面这套流程我前后在不同机器上装过不下十次从双系统到虚拟机都趟过真正让我下定决心写成保姆级教程的原因是每次都有卡在同一个地方的朋友跑来问。要么是 conda 装完 shell 里没反应要么是 VS Code 能打开但 import torch 疯狂飘红要么是明明电脑有 N 卡却只能用 CPU 跑模型。这些坑单拎出来都不算事但叠加在一起足以让一个新手在第一天就放弃环境配置。这篇博文会沿着 Ubuntu VS Code Anaconda PyTorch 这条主线把每一步的“为什么”和“怎么做”一起讲清楚。不管你是做深度学习入门、课程实验还是复现论文代码只要能跟着把这套环境完整跑通后面大部分 Python 相关的开发工作都不会再被环境问题绊住脚。我尽量用平实的话把细节都摊开尽量不让人觉得是在念官方文档。1. 开局先想清楚这套组合到底解决什么问题很多教程上来就是一条命令接一条命令装完拉倒但等你换台电脑或者换个项目立刻又不知道从哪里下手。所以在动手指之前我建议你先花两分钟理解这四个组件各自扮演的角色。1.1 为什么是 Ubuntu 而不是其他系统Ubuntu 在深度学习、服务器部署这类场景里的统治力靠的不是“好看”或者“新鲜”而是它对开源工具链的兼容度极高。PyTorch、CUDA 驱动、Docker 容器这些深度学习常用组件几乎都是优先保证 Linux 平台的稳定性Windows 经常会多出一些莫名其妙的兼容层问题。再加上 Ubuntu 的包管理器apt在安装依赖时非常方便一条命令就能把编译环境、库文件全部拉齐这对后续装各种 Python 扩展包帮助特别大。如果你是在校学生或者只是偶尔跑跑模型用 VMware 或 VirtualBox 开一台 Ubuntu 虚拟机完全够用配置好的环境一样能完成大部分实验。但如果你要认真训练模型、要用 GPU 加速、要跑大规模数据处理那我更建议直接安装双系统让 Ubuntu 吃满全部硬件资源。虚拟机里的 GPU 直通对笔记本用户来说很折腾一般不推荐在这上面浪费时间。1.2 三个工具各自的定位Anaconda 本身就是个 Python 发行版但它真正值钱的地方在于 conda 这个包和环境管理工具。你可以把它理解成“Python 环境的分身术”——同一个系统里既能有一个 Python 3.10 的环境用来跑最新框架又能留一个 Python 3.8 的环境来处理老项目互相之间完全隔离不会出现 A 项目要升级依赖结果把 B 项目搞崩的情况。这个特性在深度学习领域极其重要因为 PyTorch 和 TensorFlow 对依赖版本的要求经常互相打架。VS Code 是一块“万能画布”它本身只负责编辑代码真正的编译、调试、代码补全能力全靠插件。装好 Python 插件之后它会自动识别 Anaconda 里的虚拟环境你在 VS Code 底部状态栏就能直接切换解释器。这样写代码、跑实验、看输出、打断点全部在一个窗口里完成不用来回切换终端和编辑器。PyTorch 是最后的主角也就是你真正想跑的深度学习框架。它提供张量计算、自动求导、神经网络 API 这些核心能力装好了之后你才可以在 GPU 上训练模型。需要注意的是PyTorch 的安装方式和你机器上的显卡驱动、CUDA 版本紧密相关这部分我会在后面单独展开。这三个工具装好之后你的日常开发路径会变得非常顺滑VS Code 里写代码运行时候自动调用 Anaconda 虚拟环境里的 Python 解释器PyTorch 用显卡做计算所有输出直接反馈在编辑器内置终端里。这就是这套组合最理想的工作状态。2. 系统准备把 Ubuntu 的地基打牢不管你是刚装好 Ubuntu还是已经用过一段时间开始折腾开发环境之前都建议先把系统软件源和基础依赖整理一遍。这一步很多人会跳过去结果后面装包时碰到各种缺库、版本不兼容的报错再回头补就浪费时间了。2.1 先换源再更新顺序不能错Ubuntu 默认的软件源服务器在国外国内网络环境下apt 下载速度可能只有几十 KB/s甚至经常连接超时。所以第一件事是换成国内镜像源。Ubuntu 24.04 之后的版本不再用sources.list单文件而是用/etc/apt/sources.list.d/ubuntu.sources下面这段操作对 20.04 到 24.04 都适用。先备份原文件养成好习惯sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak sudo cp /etc/apt/sources.list.d/ubuntu.sources /etc/apt/sources.list.d/ubuntu.sources.bak 2/dev/null然后编辑源文件。如果你用的 Ubuntu 22.04编辑/etc/apt/sources.list把里面的archive.ubuntu.com替换成mirrors.aliyun.com或mirrors.tuna.tsinghua.edu.cn。如果用的 24.04则编辑ubuntu.sources把http://archive.ubuntu.com/ubuntu/修改成国内镜像对应的地址。修改完之后执行更新和升级sudo apt update sudo apt upgrade -y这里解释一下为什么要upgrade新装的系统里部分底层库可能不是最新版本特别是编译工具链和内核模块提前升级能避免后面安装 PyTorch、CUDA 时出现“GLIBC 版本过旧”这类经典报错。执行完upgrade之后建议重启一次系统让内核和驱动相关更新生效。2.2 安装编译环境和基础工具虽然 Anaconda 自带的 Python 已经能直接运行 PyTorch但很多依赖包在 Linux 上是需要本地编译的比如dlib、opencv-python、faiss-gpu这些它们对 gcc、make、cmake 有硬性要求。提前把编译环境装齐能让后续少掉很多 deprecation 警告和编译失败。sudo apt install -y build-essential make cmake git curl wget sudo apt install -y libgl1-mesa-glx libglib2.0-0 libsm6 libxext6 libxrender-dev第一行里的build-essential包含 gcc 和 g 编译器这是 C/C 扩展包编译的基础。第二行是 OpenCV 和部分图像处理库的运行时依赖如果后面跑图像相关的深度学习项目几乎一定会用到。有朋友经常遇到ImportError: libGL.so.1: cannot open shared object file就是缺了libgl1-mesa-glx这个包的典型表现。2.3 虚拟机和双系统需要区别对待的地方如果你用的是虚拟机那么在上面的操作之外还要额外注意两件事第一建议把虚拟机的磁盘容量设置到 60GB 以上因为 Anaconda 加 PyTorch 加 CUDA 工具链再加上后续各种 Python 包轻轻松松就能吃掉 20 到 30GB第二虚拟机内存建议分配 8GB 以上否则跑起 PyTorch 的数据加载时会明显感觉到卡顿尤其是使用 DataLoader 做多进程数据读取的时候。双系统用户就没这么多限制但要注意分区时给根目录/留足至少 100GB 空间因为后续安装 CUDA 工具包、缓存提示包、数据集都会占用大量磁盘空间。我见过不少人只给根目录分配了 30GB装完系统再装完 Anaconda 和 PyTorch磁盘直接见红后面又要做系统盘的扩容相当折腾。我装的是和 Windows 并存的方案把 Ubuntu 挂载到了电脑没分配的部分实际体验已经稳定用了半年多没遇到任何依赖冲突的问题。3. Anaconda 安装与虚拟环境管理实战Anaconda 的安装步骤本身并不复杂真正让新手迷惑的是“装完之后 conda 命令怎么不见了”“base 环境到底要不要动”“虚拟环境概念到底是什么”这些问题。我按实际操作的顺序拆开讲。3.1 下载安装包官网直下还是脚本快Anaconda 官网下载页面会给出最新版本的安装脚本比如Anaconda3-2024.10-1-Linux-x86_64.sh这种格式。这里有个小建议不要追求最新版本选择上一个稳定大版本往往兼容性更好。因为 Conda 默认的 Python 版本会随新版本刷新而你的某些项目依赖可能还没来得及适配最新的 Python。下载方式有两种一是直接用浏览器去官网下载二是用命令行wget https://repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh如果官网下载速度慢可以换成清华镜像wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2024.10-1-Linux-x86_64.sh下载完成后执行安装一路回车确认协议注意在“Do you wish the installer to initialize Anaconda3 by running conda init?”这一步一定要输入yes。这一步的作用是往你的.bashrc里写入 conda 初始化代码如果选了 no后面就会出现“conda 命令找不到”的情况。bash Anaconda3-2024.10-1-Linux-x86_64.sh安装完成后关闭当前终端重新打开或者执行source ~/.bashrc如果命令行前面出现了(base)字样说明安装成功了。3.2 一定要创建独立环境别直接在 base 里装 PyTorch很多教程在装 PyTorch 时会直接conda install pytorch装到 base 环境里。这样做短期没问题但长期看隐患很大。base 环境里装的包特别多版本冲突的风险也是最高的一旦某个依赖需要降级或升级很容易牵连出一堆连锁反应。我的习惯是给每个项目建一个独立环境名字就用项目名或者框架名这样即使某个环境后来被玩坏了删掉重来也不影响其他环境conda create -n pytorch python3.10 -y conda activate pytorch-n后面跟的是环境名我习惯命名为pytorchpython3.10指定解释器版本。PyTorch 最新版本对 Python 3.9 到 3.12 都支持得不错但稳妥起见推荐使用 3.10 或 3.11这两个版本在兼容性和性能之间平衡最好。进入虚拟环境后再用python -V检查一下版本确认无误后再开始装包。这里有个容易忽略的细节虚拟环境创建后在 VS Code 里并不会自动出现需要手动刷新或者重启 VS Code让解释器列表重新扫描。3.3 conda 和 pip 换源下载速度翻倍装了那么多环境如果每次都用官方源在 PyPI 拉包那速度真的会让你怀疑人生。国内场景下给 conda 和 pip 换源是最值得做的一步。配置 conda 的清华镜像源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 --set show_channel_urls yes配置 pip 的清华镜像源pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple这里我再多提一句很多朋友会忽略一个细节在虚拟环境里执行pip用的是该环境对应的 pip所以上面的全局配置只对当前用户生效换环境后依然有效。但如果某次你用sudo pip安装那是有可能绕过 conda 环境的结果就会装到一个你想不到的地方去注意别安装错了环境。4. VS Code 安装与关键配置VS Code 的安装本身很简单但装完之后怎么让它和 Anaconda 无缝衔接才是大家容易卡住的地方。4.1 通过软件商店或命令行完成安装Ubuntu 软件中心里直接搜 “Visual Studio Code” 就能安装这种方法最省事。如果你更喜欢命令行也可以使用微软官方源wget -qO- https://packages.microsoft.com/keys/microsoft.asc | gpg --dearmor packages.microsoft.gpg sudo install -o root -g root -m 644 packages.microsoft.gpg /etc/apt/trusted.gpg.d/ sudo sh -c echo deb [archamd64,arm64,armhf signed-by/etc/apt/trusted.gpg.d/packages.microsoft.gpg] https://packages.microsoft.com/repos/code stable main /etc/apt/sources.list.d/vscode.list sudo apt update sudo apt install code当你运行code后它会读取全局的 PATH 并识别 Anaconda 环境这一步通常不需要额外配置。但如果你发现 VS Code 终端里找不到conda或python可以在.bashrc里加一行路径导出前提是 conda 已初始化export PATH/home/你的用户名/anaconda3/bin:$PATH4.2 必装插件清单VS Code 装完之后只是空壳真正让它变得好用的是插件。以下三个插件属于必装Python微软官方出品提供代码补全、智能提示、调试、环境识别核心功能。Python Environment Manager方便切换和管理 conda 环境启动速度也不错。Jupyter如果需要在编辑器里直接运行 .ipynb 文件这个插件至关重要。其他像 GitLens、Chinese Language Pack、Material Icon Theme 这些属于个性化选项装不装看个人喜好不影响环境配置的核心流程。4.3 选择解释器把虚拟环境告诉 VS Code这一步是很多人出现问题的地方。打开 VS Code按CtrlShiftP打开命令面板输入Python: Select Interpreter回车VS Code 会自动扫描系统里所有 Python 解释器包括 conda 创建的虚拟环境。你会看到类似下面这种列表pytorch: /home/用户名/anaconda3/envs/pytorch/bin/python选择它就行了。选对后VS Code 右下角状态栏会显示当前使用的解释器路径这是判断环境是否切换成功最直观的位置。如果列表里没有出现你的环境可以在 VS Code 设置里把 conda 环境目录加入搜索路径或者干脆重启 VS Code 重新扫描。手动输入解释器路径的做法也可以但我不推荐因为路径太长容易敲错。4.4 配置 .vscode 的 launch 文件VS Code 运行 Python 文件的方式很灵活可以直接点右上角的三角形运行按钮也可以用调试模式。如果你希望每次运行都使用当前虚拟环境并带上一堆参数建议在项目根目录建.vscode/launch.json{ version: 0.2.0, configurations: [ { name: Python: 当前文件, type: python, request: launch, program: ${file}, console: integratedTerminal, justMyCode: true } ] }这样配置之后按F5调试时用的是集成终端里当前激活的环境输出会直接显示在下方终端窗口里调试体验比弹出一个独立命令行窗口舒服得多。5. PyTorch 安装先判断 CPU 还是 GPU 再动手PyTorch 是这套环境里的重头戏也是版本讲究最多的一环。很多人一头扎进去直接pip install torch结果要么装的 CPU 版本白等了半天要么装了 GPU 版本但 CUDA 不匹配运行时报一堆红色错误。花两分钟把硬件情况确认清楚后面就顺利了。5.1 三分钟检查硬件与驱动程序先确认有没有 NVIDIA 显卡lspci | grep -i nvidia如果没有任何输出说明机器是纯核显或者 AMD 显卡这种情况装 CPU 版 PyTorch 就完事了。如果有 NVIDIA 显卡接着查驱动是否已装好nvidia-smi如果命令不存在先安装驱动sudo apt install nvidia-driver-545装完驱动之后重启再执行nvidia-smi应该能看到类似下面的输出----------------------------------------------------------------------------- | NVIDIA-SMI 545.23.08 Driver Version: 545.23.08 CUDA Version: 12.3 | -----------------------------------------------------------------------------注意看右上角显示的CUDA Version这个数值代表当前驱动支持的最高 CUDA 版本也就是你后续安装 PyTorch 时的硬上限。比如驱动显示 CUDA 12.3那你就不能装 CUDA 13.0 版本对应的 PyTorch会有兼容问题。5.2 CPU 版本的安装命令如果你不需要 GPU 加速比如只是写写简单的分类模型、跑跑课程作业那 CPU 版本就够了安装也极其省心conda activate pytorch pip install torch torchvision torchaudio默认情况下pip install torch拉取的就是 CPU 版本的 Linux wheel 包大小约 200MB 左右。装完之后在 Python 终端里尝试torch.cuda.is_available()返回False是正常的因为 CPU 版本没带 CUDA 支持。5.3 GPU 版本的安装命令和版本对应GPU 版本的安装要特别留意 CUDA 版本的选择。PyTorch 官方安装页面给出了多种组合比如pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121cu121表示 CUDA 12.1cu118表示 CUDA 11.8。选择原则是仓库里的 CUDA 版本必须 ≤ 驱动显示的 CUDA Version。比如驱动支持 CUDA 12.3那你安装 cu118 或者 cu121 都行如果驱动只支持 CUDA 11.8那就只能装 cu118不能装 cu121。这里有个很多人不明白的点为什么安装 PyTorch 时说要“选择 CUDA 版本”却不让你单独安装 CUDA Toolkit因为 PyTorch 自带的 CUDA 运行时是独立封装的它自己在site-packages/torch/lib下带了需要的 CUDA 库文件不需要和系统级的 CUDA 冲突。所以你即使没装系统级 CUDA Toolkit也完全可以跑 GPU 版 PyTorch。只有当你需要编译自定义 CUDA 扩展时才需要额外安装 NVIDIA 官方的 CUDA Toolkit。安装完成后验证 GPU 是否正常工作import torch print(torch.__version__) print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))如果第一行输出版本号、第二行输出True、第三行输出了你的显卡型号说明 GPU 版本安装成功。如果is_available()返回False多半是驱动和 PyTorch 的 CUDA 版本不匹配或者默认装的还是 CPU 版。5.4 清华源安装 GPU 版 PyTorch 的补充做法如果上面的官方源下载速度不理想还可以用清华源的 conda 镜像conda install pytorch torchvision torchaudio pytorch-cuda11.8 -c pytorch -c nvidia用这条命令时PyTorch 官方源会强制将cuda和nvidiachannel 拉下来速度通常也能接受。如果 conda 解析依赖花的时间过长建议直接切换回 pip 方式大多数情况下 pip 更省事。6. 联调测试从空项目到跑通一段简单代码环境都装好之后最后一步是把它们串起来跑一个端到端的验证程序。这能帮你确认四个组件之间是不是真的互通也能提前暴露一些配置文件里的隐形问题。6.1 创建测试工程先在本地建一个测试文件夹我习惯叫pytorch_test在 VS Code 里打开这个文件夹。然后按CtrlShiftP选择前面创建的pytorch虚拟环境把解释器切换过去。接着新建一个测试脚本test_torch.pyimport torch import torch.nn as nn import torch.nn.functional as F class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc1 nn.Linear(28 * 28, 128) self.fc2 nn.Linear(128, 10) def forward(self, x): x torch.flatten(x, 1) x F.relu(self.fc1(x)) x self.fc2(x) return x model SimpleNet() print(模型参数数量:, sum(p.numel() for p in model.parameters())) print(是否支持 CUDA:, torch.cuda.is_available()) print(PyTorch 版本:, torch.__version__) if torch.cuda.is_available(): model model.cuda() print(模型已迁移到 GPU:, torch.cuda.get_device_name(0))这段代码虽然简单但覆盖了三个关键点验证 torch 正常导入、验证模型可以实例化、验证 GPU 可以接收模型。如果你能完整运行它而不报错说明环境已经满足大部分深度学习项目的运行条件了。6.2 运行结果怎么判断如果你用的是 CPU 版本上面输出里是否支持 CUDA会是False这没问题模型依然可以运行只是速度会慢一些。如果你的是 GPU 版本那么三个指标都应该显示正常特别是最后一行会输出显卡型号。有一点值得提醒torch.cuda.is_available()返回True只能说明 PyTorch 检测到了 CUDA 驱动但不代表实际计算一定跑在 GPU 上。想确认一次具体的前向传播是否占用 GPU更直观的办法是在模型训练过程中用nvidia-smi实时监控显存占用。如果看到显存数值明显上升基本可以断定 GPU 计算链路是通的。6.3 VS Code 里还应该顺手做的设置跑完测试程序之后有几个 VS Code 的细节设置我建议顺手做掉。第一设置默认终端为集成 bash 终端这样每次打开 VS Code 内置终端时它会直接读取.bashrc里的 conda 初始化配置省得手动激活环境。第二如果终端里 conda 激活命令不生效可以在 VS Code 设置里搜索 “Python: Terminal.Execute In File Dir” 并开启这样终端启动时的工作目录就是当前文件所在目录再配合conda activate pytorch就能直接运行。第三建议开启 Python 插件的类型检查CtrlShiftP搜索Python: Enable Linting然后选择 pylint 或 mypy这样代码里的低级类型错误在写的时候就能被标红提示不用等到运行时才报错。7. 常见报错与排查记录配置过程里我踩过不少坑一位朋友在我这个教程的测试阶段也贡献了几个真实案例。我把它们汇总成速查表式的清单遇到问题时对号入座就行。现象可能原因解决办法conda: command not foundconda 初始化没写进.bashrc执行source ~/anaconda3/bin/activate临时激活再运行conda init bash永久修复VS Code 终端里激活虚拟环境失败VS Code 打开前没有重新加载 shell 配置重启 VS Code或者执行source ~/.bashrc后再试import torch红色波浪线VS Code 选择了全局 Python 解释器而非 conda 环境CtrlShiftP选择正确的虚拟环境ModuleNotFoundError: No module named torch当前激活的虚拟环境里没有安装 PyTorch确认终端提示符前缀是(pytorch)再执行pip install torchtorch.cuda.is_available()返回 False装的 CPU 版或驱动版本过旧卸载重装 GPU 版nvidia-smi查看驱动支持的 CUDA 版本并与 PyTorch 对应libGL.so.1: cannot open shared object file缺少 OpenCV 运行时依赖sudo apt install libgl1-mesa-glx libglib2.0-0pip 下载速度极慢或超时使用官方源按上文配置 pip 清华源conda 安装时卡在 Solving environmentconda 默认 solver 速度慢可以先切换回 pip 安装或尝试conda config --set solver libmamba新版 conda 解锁后速度提升明显VS Code 无法保存中文输入法问题Ubuntu 输入法框架与 Electron 应用不完全兼容可以在系统设置里调整为“IBus 智能拼音”或切换到“Fcitx5 搜狗输入法”的路径个人体会是后者在 VS Code 里更稳定7.1 conda 命令失效的完整修复路径这一条单独拿出来是因为太常见了。如果你装完 Anaconda 之后新开终端输入conda提示找不到命令多半是两种原因一是安装时没有选择conda init二是.bashrc文件被其他软件修改过把 conda 的初始化代码覆盖掉了。修复方式很直接先用全路径激活 condasource /home/你的用户名/anaconda3/bin/activate然后执行conda init bash它会自动把初始化代码追加到.bashrc的合适位置。之后重新打开终端conda命令就应该正常了。这个过程对所有 shell 都适用Zsh 用户把最后的bash换成zsh即可。7.2 明明装了 GPU 版却检测不到 CUDA这个问题排查起来有些绕因为它在torch.__version__上完全看不出端倪你看到的是2.4.0cu121输出版本似乎装得没错但就是is_available()一直是 False。我遇到过的一种典型情况是用户在默认的 base 环境里跑验证脚本而 GPU 版 PyTorch 装在自定义的pytorch环境里。因为虚拟环境隔离base 环境根本没 torch或者装了 CPU 版所以一检测就直接返回 False。另一种情况是 driver 版本太老。比如驱动只支持 CUDA 11.4但你装的 PyTorch 是cu121驱动不满足 PyTorch 运行时的最低要求就会静默降级为 CPU 模式。解决方法是把驱动升级到支持 CUDA 12.x 的版本或者装一个cu118对应的的 PyTorch。7.3 VS Code 里测试正常但终端运行却报错这类问题通常是因为 VS Code 的 Python 解释器选择和集成终端里的激活状态不一致导致的。比如 VS Code 右下角显示的解释器是/home/user/anaconda3/envs/pytorch/bin/python但集成的 bash 终端里你压根没执行conda activate pytorch于是终端里的 Python 是 base 环境版本而插件运行文件用的却是虚拟环境版本两个环境相互冲突。要解决这种问题最简单的方式是在 VS Code 里先打开集成终端手动执行conda activate pytorch激活环境再运行脚本。如果你希望每次打开终端都默认进入pytorch环境可以在.bashrc末尾加上一行conda activate pytorch这样终端一旦打开就直接进入目标环境省去每次手动激活的麻烦。不过这种方式会让所有新终端都默认进这个环境如果项目环境切换频繁也会造成干扰是否配置看个人习惯。8. 最后说几句踩过坑之后的真心话整套流程走下来回头看最耗时间的往往不是安装本身而是安装之后的各类隐性坑。根据我自己的体会有三条建议给到正在折腾环境的朋友第一条环境隔离是从一开始就该养成的习惯不要等玩坏了再后悔。我早期装环境时图省事什么都往 base 里塞跑到后边某个项目的依赖要求 sklearn 降级结果把另一个项目的代码搞到没法跑排查了半天才想明白是环境问题。自打开始用独立虚拟环境这种坑就再没踩过。第二条换源不是小题大做是节省生命的基本操作。不要觉得配置镜像源是一件很麻烦的事花五分钟配好后面每次下载包都能快好几倍。尤其是 PyTorch 这种动辄几百 MB 的大包官方源从国内下载很可能直接超时。第三条验证要尽量模拟真实的使用场景。我前面给的测试脚本是比较轻量的你可以在跑通之后再试着用 PyTorch 官方教程里的 MNIST 训练示例跑一个 epoch涉及数据加载、模型前向、反向传播、优化器更新这些全流程。这个验证完成之后你的环境才算是真正可靠后面写任何深度学习代码都可以放心。如果你按这篇教程配的过程中遇到了这里没有列出来的报错欢迎在评论区把完整报错信息贴出来我会按经验帮你定位方向。我的感受是环境配置本来就是深度学习和 AI 开发路上的第一道坎跨过去之后后面的学习曲线就平缓多了。