1. 环境准备:Anaconda安装与配置
第一次接触AI开发的朋友,最头疼的往往不是写代码,而是配环境。我见过太多人在环境配置这一步就放弃了,其实只要掌握正确方法,半小时就能搞定全套工具。咱们先从Anaconda开始,这是Python科学计算的瑞士军刀。
Anaconda的安装包建议从官网下载,但国内用户可能会遇到下载速度慢的问题。有个小技巧:可以到清华大学开源软件镜像站下载,速度能快10倍不止。安装时记得勾选"Add Anaconda to my PATH environment variable"选项,虽然官方不建议勾选(怕和其他Python环境冲突),但对新手来说勾选反而更省事。
安装完成后需要验证环境变量是否配置成功。打开命令提示符输入conda --version,如果显示版本号就说明安装成功了。如果报错,可能是环境变量没生效,这时候需要手动添加。具体路径包括:
- Anaconda安装目录(比如D:\Anaconda)
- Anaconda\Scripts
- Anaconda\Library\bin
- Anaconda\Library\mingw-w64\bin
- Anaconda\Library\usr\bin
我遇到过最坑的情况是安装完conda命令能用,但python命令还是指向系统自带的Python。这时候可以试试在Anaconda Prompt里运行conda init,然后重启终端。这个小技巧帮我省去了重装的麻烦。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 虚拟环境管理:隔离不同项目依赖
直接使用base环境就像把所有调料都倒进一个碗里——迟早会串味。创建独立的虚拟环境是Python开发的最佳实践,特别是当你同时做多个项目时。
用conda create -n pytorch_env python=3.8命令创建环境时,python版本的选择很有讲究。Pytorch官方目前推荐使用Python 3.8-3.10,太新的版本可能遇到兼容性问题。我去年用Python 3.11就踩过坑,最后不得不降级重装。
激活环境后,建议先安装一些基础包:
bash复制conda install numpy pandas matplotlib jupyter
这些是数据科学生态系统的基石,几乎每个项目都会用到。安装时如果遇到速度慢的问题,
