AI框架前置准备：Miniconda-Python3.10环境部署完整流程

优质文章学习记录

— 14 min read

AI框架前置准备：Miniconda-Python3.10环境部署完整流程

你是不是也遇到过这种情况：想跑一个最新的AI模型，结果光是配环境就折腾了一整天，各种包版本冲突，错误提示看得人头大。或者，你需要在不同项目间切换，一个项目用PyTorch 1.12，另一个用PyTorch 2.0，来回卸载安装，系统环境被搞得一团糟。

如果你对这些问题感同身受，那么今天这篇文章就是为你准备的。我们将手把手带你完成一个AI开发环境的“标准配置”——使用Miniconda和Python 3.10搭建一个干净、独立、可复现的开发环境。这不仅是学习AI的第一步，更是保证你后续所有实验和项目能顺利进行的关键基石。

Python 3.10是一个在性能和功能上都有显著提升的版本，而Miniconda则是管理Python环境和依赖包的利器。把它们组合起来，你就能拥有一个专属于AI开发的“沙盒”，在这里，你可以随意安装、测试、卸载各种框架和库，而不用担心影响到系统或其他项目。

接下来，我将用一个完整的流程，带你从零开始，一步步搭建这个环境。无论你是刚入门的新手，还是想规范自己工作流的老手，都能从中获得清晰的指引。

1. 为什么你需要Miniconda和Python 3.10？

在直接动手之前，我们先花几分钟搞清楚，为什么这套组合是当前AI开发环境的“黄金标准”。

1.1 告别“依赖地狱”：环境隔离的价值

想象一下你的电脑是一个大厨房。如果你把所有项目的“食材”（也就是各种Python包）都堆在同一个台面上，很快你就会分不清哪个是哪个，做菜时很容易拿错。Miniconda的作用，就是为你的每个项目提供一个独立的“小厨房”（虚拟环境）。在这个小厨房里，你可以为当前项目准备 exactly 它需要的食材和厨具版本，完全不会干扰到其他项目。

这对于AI开发尤其重要，因为不同的模型、不同的框架（如PyTorch, TensorFlow）对底层库的版本要求可能非常苛刻，甚至互不兼容。环境隔离能确保你的实验结果是稳定且可复现的。

1.2 Python 3.10：为什么是它？

Python版本一直在更新，我们选择3.10版本，主要基于以下几个考虑：

  • 性能和特性：Python 3.10引入了结构模式匹配等新特性，并且持续在性能上进行优化，对科学计算和数据处理更友好。
  • 生态兼容性：目前主流的AI框架（PyTorch, TensorFlow, JAX等）都对Python 3.10提供了稳定支持。它是一个在“新特性”和“稳定性”之间取得很好平衡的版本。
  • 长期支持：作为当前的主流版本之一，它有更长的社区维护周期和更丰富的问题解决方案。

1.3 Miniconda vs Anaconda：更轻量，更自主

你可能也听说过Anaconda。Anaconda像一个“全家桶”，安装时就自带了几百个科学计算包。而Miniconda是它的最小化版本，只包含最核心的Conda包管理器和Python。我们选择Miniconda是因为：

  • 节省空间：安装包小，不预装你可能用不上的大量库。
  • 干净可控：从零开始，按需安装，避免不必要的包污染环境。
  • 流程一致：无论是Windows、macOS还是Linux，Miniconda都能提供一致的管理体验。

理解了这些，我们的动手目标就非常明确了：安装Miniconda，然后用它创建一个基于Python 3.10的虚拟环境，作为我们后续所有AI开发工作的起点。

2. 第一步：下载与安装Miniconda

现在，我们开始实际操作。整个过程就像安装一个普通软件一样简单。

2.1 获取Miniconda安装包

首先，你需要访问Miniconda的官方下载页面。这里我建议使用清华大学开源软件镜像站，在国内下载速度会快很多。

  1. 打开浏览器，访问清华镜像站的Miniconda页面。
  2. 页面会列出所有版本的安装文件。你需要根据自己电脑的操作系统（Windows, macOS, Linux）和系统架构（通常是64位）来选择。
    • 对于Windows用户：选择 Miniconda3-latest-Windows-x86_64.exe。
    • 对于macOS用户（Intel芯片）：选择 Miniconda3-latest-MacOSX-x86_64.sh。
    • 对于macOS用户（Apple Silicon, M1/M2芯片）：选择 Miniconda3-latest-MacOSX-arm64.sh。
    • 对于Linux用户：选择 Miniconda3-latest-Linux-x86_64.sh。

点击对应的链接即可开始下载。

2.2 执行安装程序

下载完成后，运行安装程序。

  • 在Windows上：双击下载的 .exe 文件。安装过程中，请注意一个关键选项：“Add Miniconda3 to my PATH environment variable”。虽然安装程序不推荐勾选（因为它说可能会影响其他软件），但对于我们后续在命令行中方便地使用Conda，我强烈建议你勾选此项。如果安装时没勾选，后续需要手动配置环境变量，会比较麻烦。其他选项保持默认，一路点击“Next”即可。
  • 在macOS或Linux上：打开终端（Terminal），进入到下载文件所在的目录，然后执行以下命令进行安装。你需要将 文件名 替换为你实际下载的.sh文件名称。
bash 文件名.sh

在安装过程中，你会看到一些提示信息，基本上一直按回车（Enter）或输入 yes 同意即可。安装程序会询问安装路径，通常直接使用默认路径就好。

2.3 验证安装是否成功

安装完成后，我们需要验证一下。

  1. 打开你的命令行工具：
    • Windows：按下 Win + R，输入 cmd 或 powershell，回车。
    • macOS：打开“终端”（Terminal）。
    • Linux：打开终端。
  2. 在命令行中输入以下命令，然后回车：
conda --version

如果安装成功，你会看到类似 conda 24.x.x 的版本号信息。这就意味着Miniconda已经正确安装到你的系统上了。

如果提示“conda不是内部或外部命令”，说明环境变量没有配置好。对于Windows用户，可以尝试重新运行安装程序并确保勾选了添加PATH的选项，或者搜索“如何手动添加conda到环境变量”。macOS/Linux用户通常不会遇到此问题。

3. 第二步：创建你的第一个Python 3.10环境

Conda安装好了，现在我们来创建专属的AI开发环境。这里我假设你要创建一个名为 ai_env 的环境。

  1. 在刚才打开的命令行中，输入以下命令：
conda create -n ai_env python=3.10

这个命令的意思是：创建一个名为 ai_env 的新环境（-n 是 name 的缩写），并且指定这个环境中安装的Python版本是3.10。

  1. 命令执行后，Conda会解析依赖关系，并列出将要安装的包（主要是Python 3.10及其核心依赖）。它会询问你是否继续，输入 y 然后回车。
  2. Conda会自动下载并安装所需的包。这个过程取决于你的网速，通常一两分钟就能完成。
  3. 环境创建成功后，你需要“激活”它才能使用。激活环境就像从大厅走进你专属的“小厨房”。
conda activate ai_env

激活后，你会发现命令行的提示符前面多了 (ai_env) 的字样。这非常直观地告诉你，你现在正工作在 ai_env 这个环境中。在这个环境下安装的任何包，都只属于这个环境。

  1. 让我们验证一下环境里的Python版本：
python --version

你应该会看到输出：Python 3.10.x。恭喜，你的Python 3.10专属环境已经准备就绪！

4. 第三步：在环境中安装AI开发必备工具

环境有了，但它现在还是个“毛坯房”。我们需要为它添置“家具”——也就是AI开发常用的工具和框架。最核心的两个是包管理工具 pip 和交互式笔记本 Jupyter。

4.1 更新pip到最新版本

pip 是Python的包安装工具，虽然Conda环境已经自带了一个pip，但为了获得最好的兼容性和性能，我们首先更新它到最新版。

确保你已经在 (ai_env) 环境下，然后运行：

python -m pip install --upgrade pip

4.2 安装Jupyter Lab

Jupyter Lab是一个强大的交互式开发环境，特别适合做数据分析、机器学习和教学演示。它比经典的Jupyter Notebook功能更强大，界面也更现代。

在激活的环境下，使用pip安装：

pip install jupyterlab

这个命令会安装Jupyter Lab及其依赖。安装完成后，你可以通过一个简单的命令启动它：

jupyter lab

执行后，你的默认浏览器会自动打开一个标签页，显示Jupyter Lab的界面。在这里，你可以创建新的Python笔记本（.ipynb文件）、编写代码、运行代码并即时看到结果，还能管理文件、安装扩展等。这对于学习和实验AI模型来说是不可或缺的工具。

5. 第四步：安装主流AI框架（PyTorch/TensorFlow）

“厨房”和“基础厨具”都齐了，现在可以请出我们的“主厨”——AI框架了。这里以安装PyTorch为例，TensorFlow的流程也类似。

非常重要：请务必在激活的 (ai_env) 环境下执行以下操作！

5.1 安装PyTorch（CPU版本）

如果你只是学习，或者你的电脑没有NVIDIA独立显卡（GPU），安装CPU版本就足够了。

访问 PyTorch官网，你会看到一个类似下图的选择器：

图片描述

按照你的情况选择（例如：Stable, Linux, Conda, Python, CPU），官网会生成对应的安装命令。对于我们的Miniconda环境，通常可以直接使用pip安装：

pip install torch torchvision torchaudio

5.2 安装PyTorch（GPU版本 - 可选）

如果你的电脑有NVIDIA显卡，并且想利用GPU来加速模型训练（速度可能提升几倍到几十倍），则需要安装GPU版本。这需要一些前置条件：

  1. 确认显卡支持CUDA：确保你的NVIDIA显卡不是太老（通常需要计算能力3.5以上）。
  2. 安装NVIDIA显卡驱动：去NVIDIA官网下载并安装最新版的显卡驱动。
  3. 安装CUDA Toolkit：PyTorch GPU版本需要CUDA支持。同样在PyTorch官网的选择器上，选择对应的CUDA版本（如11.8），它会给出包含CUDA版本的安装命令，例如：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

注意：安装GPU版本相对复杂，如果遇到问题，初期可以先使用CPU版本学习，不影响大部分基础操作。

5.3 验证安装

安装完成后，我们写一个简单的Python脚本来验证PyTorch是否安装成功，以及是否能识别GPU。

在Jupyter Lab中新建一个Notebook，或者直接在命令行中启动Python交互界面（输入 python），然后输入以下代码：

import torch # 打印PyTorch版本 print(f"PyTorch版本: {torch.__version__}") # 检查CUDA（GPU）是否可用 print(f"CUDA（GPU）是否可用: {torch.cuda.is_available()}") # 如果可用，打印GPU设备名称 if torch.cuda.is_available(): print(f"GPU设备: {torch.cuda.get_device_name(0)}") else: print("当前使用CPU进行计算。")

运行这段代码，如果成功输出版本号，并且 torch.cuda.is_available() 返回 True（对于GPU安装），说明一切配置正确！

6. 环境管理与常用命令

环境搭建好了，你还需要知道如何管理它。下面是一些最常用的Conda命令，记住它们会让你的工作非常高效。

命令作用示例
conda create -n 环境名 python=x.x创建指定Python版本的新环境conda create -n tf_env python=3.9
conda activate 环境名激活进入某个环境conda activate ai_env
conda deactivate退出当前环境conda deactivate
conda env list 或 conda info -e列出所有已创建的环境conda env list
conda remove -n 环境名 --all删除某个环境（及其所有包）conda remove -n old_env --all
conda list列出当前环境中所有已安装的包conda list
conda install 包名在当前环境中安装包（优先从Conda源）conda install numpy
pip install 包名使用pip安装包（优先从PyPI源）pip install transformers
conda env export > environment.yml导出当前环境的精确配置（包及版本）conda env export > ai_project.yml
conda env create -f environment.yml根据yml文件复现一个完全相同的环境conda env create -f ai_project.yml

最后两个命令 export 和 create -f 是团队协作和项目复现的神器。当你完成一个项目时，导出 environment.yml 文件。其他人拿到这个文件，就可以一键创建出和你一模一样的环境，彻底解决“在我机器上能跑”的问题。

7. 总结与后续步骤

至此，我们已经完成了一个标准、独立的AI开发环境搭建。让我们简单回顾一下核心步骤：

  1. 安装Miniconda：获得了环境管理的能力。
  2. 创建虚拟环境：用 conda create -n ai_env python=3.10 建立了专属的“沙盒”。
  3. 激活与验证：使用 conda activate ai_env 进入环境，并确认Python版本。
  4. 安装核心工具：更新 pip，安装 jupyterlab 作为开发界面。
  5. 安装AI框架：根据需求，使用 pip install 安装PyTorch或TensorFlow等框架。
  6. 学习管理命令：掌握激活、退出、列出、导出环境等常用操作。

这个环境就像为你量身定做的AI工作台。接下来，你可以：

  • 在这个环境中，放心地安装任何AI相关的库，如 scikit-learn, pandas, matplotlib, transformers 等。
  • 使用Jupyter Lab开始你的第一个AI项目，比如训练一个图像分类模型，或者跑通一个大语言模型的对话示例。
  • 当你开始新项目时，重复步骤2，创建另一个干净的环境（如 nlp_env），实现项目间的完全隔离。

环境配置是AI工程实践中至关重要的一环。一个好的开始是成功的一半。现在，你的“厨房”已经收拾妥当，食材和厨具一应俱全，是时候开始烹饪你的第一道“AI大餐”了。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 ZEEKLOG星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

Read more

Vivado 2019.2安装破解教程：零基础手把手指南

从零搭建Vivado 2019.2开发环境：不只是“破解”，更是理解FPGA工具链的开始 你是否曾在尝试启动 Vivado 的时候，被一个弹窗拦住去路：“License required for synthesis”？ 或者刚下载完庞大的安装包，面对一堆补丁文件却不知从何下手？ 这并不是你技术能力的问题。事实上， 每一个 FPGA 开发者都曾经历过这个阶段 ——在官方授权门槛和学习成本之间挣扎。而 Vivado 2019.2，作为 Xilinx 工具链中最后一个稳定、功能完整且社区支持广泛的经典版本，至今仍是高校实验、个人项目甚至部分企业原型验证的首选。 但它的安装与授权配置过程，远比点几下“下一步”复杂得多。本文不打算教你如何“绕过法律”，而是带你 真正搞懂整个系统是怎么运作的 ：为什么需要许可证？补丁到底改了什么？Xilinx License Manager 背后又是怎样的机制？ 更重要的是，我会手把手带你走完一条清晰、可复现、稳定性高的部署路径，
专访越擎科技，为什么选择iRobotCAM机器人离线编程软件作为机器人激光加工首选方案

专访越擎科技，为什么选择iRobotCAM机器人离线编程软件作为机器人激光加工首选方案

摘要：激光具备高精度的特性，而激光设备如何实现高精度的应用，不仅涉及设备的硬件精度，也涉及到软件的适配精度。本文通过对话越擎科技CEO，从行业洞察角度，越擎科技研发的iRobotCAM机器人离线编程软件背后的技术架构优势，如何确保实现激光高精度加工适配。 由于激光工艺的高精度的特性，各类激光加工设备应运而生，不断的满足各类的应用场景的需求。而对于设备的精度控制，除了激光器等相关硬件的调试外，软件也是其关键的一环。以机器人激光加工为例，iRobotCAM提供了全面的激光加工工艺模块，可以适配各类不同的机器人，通过其高精度的技术架构的优势，满足各类高精尖或复杂的产品加工需求。 而更具体的讲，作为跨平台架构的iRobotCAM，从全国产的角度来看，选择iRobotCAM作为机器人激光工艺应用软件有哪些明显的优势。 技术层面 * 高精度轨迹算法：基于国产中望3D平台开发的iRobotCAM版本，能够利用中望3D的各类2轴到5轴的轨迹算法，使机器人在激光加工过程中拥有类似CAM软件的精确轨迹算法，可将激光束准确地聚焦在加工部位，实现高精度的激光切割、焊接、雕刻等工艺，确保加工质量和一致性

FPGA千兆以太网SGMII接口配置实战

一：背景环境         物理环境：外部为标准千兆网络RJ45接口，经过PHY芯片后，转化为SGMII接口连接在XILINX芯片的GTX上，需要正确对网络数据进行获取。         采用1G/2.5G Ethernet PCS/PMA or SGMII（PG047）和Tri-Mode Ethernet MAC（PG051）的IP核。 二：1G/2.5G Ethernet PCS/PMA 配置和说明 本次选择的MAC IP核，如果和PS连接可以选择ZYNQ PS ； 本次选择SGMII，如果电口可以选择1000BASEX，则为SFP端口。 本次选择MDIO不勾选，勾选配置有问题。 GTX一个bank共用一组差分时钟，如果多个SGMII端口，则一个选择包含，其它选择不包含。        多个SGMII端口的共享一个core的连接图示：         IP核其它端口说明配置： // input ports .independent_clock_bufg (clk_