Anaconda 环境变量 PYTHONPATH 设置：导入自定义 PyTorch 模块

在深度学习项目开发中，一个看似微小的路径问题常常让开发者陷入'明明代码没错，却无法运行'的窘境。比如你在 Jupyter Notebook 里写好了模型结构、数据加载器和训练脚本，结果一执行就弹出 ModuleNotFoundError: No module named 'models'——这种报错几乎每个 PyTorch 使用者都曾经历过。

问题的根源往往不在于代码逻辑，而在于Python 解释器找不到你的自定义模块。尤其是在使用 Anaconda 虚拟环境或容器化镜像（如 PyTorch-CUDA-v2.8）时，如果没有正确配置 PYTHONPATH，即使文件结构清晰、类定义完整，也无法被正常导入。

这背后其实是一个典型的工程实践问题：如何让开发环境'理解'你组织代码的方式？答案就是合理利用 PYTHONPATH 这一机制，在不修改源码的前提下，打通模块搜索路径。

假设我们有一个标准的项目结构：

/my_project
├── models/
│   └── custom_net.py
├── utils/
│   └── data_loader.py
└── train.py

其中 custom_net.py 定义了一个简单的全连接网络：

# models/custom_net.py
import torch.nn as nn

class CustomNet(nn.Module):
    def __init__(self, num_classes=10):
        super(CustomNet, self).__init__()
        self.fc = nn.Linear(784, num_classes)

    def forward(self, x):
        return self.fc(x)

而在 train.py 中尝试直接导入：

# train.py
from models.custom_net import CustomNet
model = CustomNet(num_classes=10)
print(model)

如果此时从根目录之外的位置运行脚本，或者通过 Jupyter 启动内核，就会触发上面提到的模块未找到错误。这是因为 Python 的模块搜索路径遵循一套固定顺序：

当前脚本所在目录；
内置模块（如 os, sys）；
sys.path 列表中的路径，包括标准库、site-packages 以及由 PYTHONPATH 指定的额外路径。

换句话说，除非你把项目根目录加入这个搜索链，否则不会被视为一个可导入的包。