Python 深度学习环境配置指南：PyTorch 安装、源配置、GPU 检查及 matplotlib 使用
前言
在 Python 深度学习开发中，常会遇到包下载慢、PyTorch 安装报错、GPU 是否可用验证、可视化库安装等基础问题。本文汇总了实际操作中高频问题的解决方案，涵盖 pip 源配置、PyTorch 安装（含清华源适配）、GPU 可用性检查、matplotlib（plt）安装与使用，适用于新手快速搭建开发环境。
一、pip 默认源更换为清华源（解决下载慢问题）
国内使用默认 pip 源（国外服务器）下载包时速度较慢，将默认源改为清华源可显著提升下载效率，支持永久配置和临时使用两种方式。
1.1 永久配置（推荐）
（1）Linux/macOS 系统
- 打开终端，创建 pip 配置目录（若已存在则跳过）：
mkdir -p ~/.config/pip
- 编辑配置文件（使用 nano 或 vim 编辑器）：
nano ~/.config/pip/pip.conf
- 粘贴以下内容，保存并退出（nano 按 Ctrl+O 保存，Ctrl+X 退出）：
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple # 清华源地址
[install]
trusted-host = pypi.tuna.tsinghua.edu.cn # 信任该源（避免 SSL 验证报错）
（2）Windows 系统
- 打开文件管理器，在地址栏输入%APPDATA%，按回车进入 Roaming 目录；
- 在 Roaming 目录下新建 pip 文件夹（若已存在则跳过）；
- 在 pip 文件夹内新建 pip.ini 文件（注意后缀为.ini，而非.txt）；
- 用记事本打开 pip.ini，粘贴以下内容并保存：
[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host = pypi.tuna.tsinghua.edu.cn
1.2 临时使用（单次生效）
若无需永久修改，可在每次 pip install 时通过-i 参数指定清华源，示例：
pip install 包名 -i https://pypi.tuna.tsinghua.edu.cn/simple
1.3 配置验证
安装任意包（如 numpy），查看终端输出，若显示以下内容则源配置生效：
Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
二、PyTorch 安装（含清华源适配与报错解决）
PyTorch 安装需匹配CUDA 版本（GPU 用户）或选择 CPU 版本，常见问题为'找不到兼容版本'，以下是完整解决方案。
2.1 需求场景：将官方命令改为清华源
原官方安装命令（指定 CUDA 12.8）：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128
适配清华源的安装命令
清华源主要加速 PyPI 通用包，PyTorch 预编译包（含 CUDA 版本）仍需结合官方 whl 源，命令如下：
# 格式：--extra-index-url 指定官方 CUDA 源，-i 指定清华源（加速其他依赖）
pip3 install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu121 -i https://pypi.tuna.tsinghua.edu.cn/simple
注意：需将 cu121 替换为你的显卡支持的 CUDA 版本（如 cu118、cu124），不可直接使用不存在的 cu128（当前 PyTorch 暂不支持）。
2.2 常见报错：Could not find a version that satisfies the requirement torch
报错原因
- Python 版本不兼容（PyTorch 仅支持 3.8~3.11 等稳定版本）；
- CUDA 版本不存在或与显卡驱动不匹配；
- pip 版本过低；
- 源地址不可用。
解决方案
- 检查 Python 版本：
python --version # 若版本不在 3.8~3.11，需升级/降级 Python（推荐用 conda 创建虚拟环境）
- 确认显卡支持的 CUDA 版本：
nvidia-smi # NVIDIA 显卡命令（AMD 用 rocm-smi）
终端输出中'CUDA Version'即为显卡支持的最高 CUDA 版本（如 12.1），需选择不高于该版本的 PyTorch CUDA 版本（如 cu121）。
- 升级 pip：
pip3 install --upgrade pip
- 选择正确的安装命令：
- GPU 用户（如 CUDA 12.1）：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
- CPU 用户（无 GPU）：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
2.3 安装验证
import torch
print(torch.cuda.is_available()) # True=GPU 可用，False=仅 CPU
print(torch.version.cuda) # 输出 CUDA 版本（如 12.1）
print(torch.cuda.get_device_name(0)) # 输出 GPU 型号（如 NVIDIA GeForce RTX 4090）
三、检查 GPU 是否可用（深度学习加速关键）
GPU 是深度学习训练的核心加速硬件，需确认框架（如 PyTorch、TensorFlow）是否识别到 GPU。
3.1 PyTorch 框架（常用）
import torch
# 1. 检查 GPU 是否可用
print("GPU 是否可用：", torch.cuda.is_available()) # 返回 True/False
# 2. 查看可用 GPU 数量
print("可用 GPU 数量：", torch.cuda.device_count())
# 3. 查看当前使用的 GPU 编号（默认 0）
print("当前 GPU 编号：", torch.cuda.current_device())
# 4. 查看 GPU 型号
print("GPU 型号：", torch.cuda.get_device_name(0)) # 0 为 GPU 编号，多 GPU 可改 1、2 等
# 5. 验证 GPU 能否创建张量（避免'驱动不兼容'等隐性问题）
if torch.cuda.is_available():
x = torch.tensor([1.0, 2.0], device="cuda") # 在 GPU 上创建张量
print("GPU 张量：", x)
else:
print("无可用 GPU，使用 CPU")
3.2 TensorFlow 框架
import tensorflow as tf
# 1. 查看 GPU 设备列表
print("GPU 设备列表：", tf.config.list_physical_devices("GPU"))
# 2. 旧版本兼容（TensorFlow 2.x 中 tf.test.is_gpu_available() 已弃用，建议用上面的命令）
# print("GPU 是否可用（旧 API）：", tf.test.is_gpu_available())
3.3 命令行直接检查（不依赖框架）
- NVIDIA 显卡：终端输入 nvidia-smi，查看'GPU'列是否有设备信息（如型号、内存）；
- AMD 显卡：终端输入 rocm-smi，查看显卡状态。
3.4 常见 GPU 识别问题
- 驱动未安装：需安装与 CUDA 版本匹配的显卡驱动（NVIDIA 官网下载）；
- CUDA 版本不兼容：框架 CUDA 版本（如 PyTorch 的 cu121）需≤显卡支持的 CUDA 版本（nvidia-smi 查看）；
- 框架未装 GPU 版本：需重新安装带 CUDA 后缀的框架版本（如 cu121 而非 cpu）。
四、matplotlib（plt）安装与使用（数据可视化）
plt 是 matplotlib.pyplot 的常用别名，用于绘制折线图、柱状图等，是数据分析和深度学习结果展示的核心工具。
4.1 安装命令
pip install matplotlib # 已配置清华源则自动从清华源下载
4.2 基础使用示例
（1）普通 Python 脚本
import matplotlib.pyplot as plt
# 1. 准备数据
x = [1, 2, 3, 4, 5] # x 轴数据
y = [1, 4, 9, 16, 25] # y 轴数据（x 的平方）
# 2. 绘制折线图
plt.plot(x, y, color="red", linewidth=2, label="y = x²") # 设置颜色、线宽、标签
# 3. 添加图表元素
plt.title("Square Function Plot") # 标题
plt.xlabel("X Axis") # x 轴标签
plt.ylabel("Y Axis") # y 轴标签
plt.legend() # 显示图例
plt.grid(alpha=0.3) # 显示网格（透明度 0.3）
# 4. 显示图像
plt.show()
（2）Jupyter Notebook
需额外添加魔法命令（确保图像内嵌显示）：
%matplotlib inline # 魔法命令，仅 Jupyter 需添加
import matplotlib.pyplot as plt
# 后续代码与普通脚本一致
x = [1, 2, 3, 4]
y = [2, 4, 6, 8]
plt.plot(x, y)
plt.show()
4.3 额外说明
- 3D 绘图：matplotlib 自带 mpl_toolkits.mplot3d 模块，无需额外安装；
- 高级可视化：可搭配 seaborn 库（pip install seaborn），基于 matplotlib 封装更美观的统计图表；
- 依赖问题：若安装失败，先升级 pip（pip install --upgrade pip）再重试。
五、常见问题汇总
| 问题描述 | 解决方案 |
|---|---|
| pip 下载包慢 | 按'第一章'配置清华源 |
| PyTorch 安装报'找不到版本' | 1. 检查 Python 版本（3.8~3.11）；2. 确认 CUDA 版本存在；3. 升级 pip |
| GPU 显示不可用（torch.cuda.is_available ()=False） | 1. 检查显卡驱动是否安装；2. 确认 PyTorch 是 GPU 版本；3. 验证 CUDA 版本兼容 |
| matplotlib 绘图不显示 | 1. 普通脚本加 plt.show()；2. Jupyter 加%matplotlib inline |
六、总结
本文覆盖了 Python 深度学习环境搭建的核心操作：从 pip 源配置解决下载效率问题，到 PyTorch 安装的版本适配与报错处理，再到 GPU 可用性验证和 matplotlib 可视化工具的使用，形成了完整的'环境配置→工具安装→问题排查'流程。若遇到其他问题，可根据'常见问题汇总'定位原因，或补充系统版本、Python 版本、显卡型号等信息进一步排查。