前言
想在本地电脑上运行神经网络模型？无论是学习人工智能还是进行小规模实验，搭建一个稳定的深度学习开发环境是第一步。本文将基于 Windows 11 系统，介绍如何配置硬件、安装 Python 环境及 PyTorch 框架，帮助你快速上手。
一、硬件准备
深度学习对算力有一定要求，核心关注 CPU、内存和显卡（GPU）三项指标。
1. 处理器 (CPU)
CPU 负责数据预处理和模型加载。对于入门及中级学习，Intel Core i7/i9 系列或 AMD Ryzen 7/9 系列即可满足需求。若涉及大规模训练，建议考虑企业级 CPU（如 Intel Xeon 或 AMD EPYC），但成本较高。
2. 内存 (RAM)
深度学习任务对内存容量敏感。建议最低不低于 16GB，32GB 或 64GB 更为稳妥，可流畅处理较大规模数据集。
3. 显卡 (GPU)
强烈推荐 NVIDIA 显卡。其 CUDA 生态在深度学习领域支持最完善。
- 显存：建议起步 RTX 3060（8GB/12GB）或更高，显存不足会限制模型大小。
- 驱动：确保已安装最新的 NVIDIA 驱动程序。
注意：尽管部分 CPU 可运行简单示例，但不建议使用纯 CPU 跑深度学习项目。Mac 用户需注意 M 系列芯片主要依赖 Metal 加速，与 CUDA 环境有所不同。
二、操作系统选择
主流操作系统包括 Windows、Linux 和 macOS。
- Windows：适合初学者，工具链完善，推荐 Windows 10 或 11。
- Linux：服务器端首选，稳定性高，社区支持好。
- macOS：适合前端开发或轻量级实验，但 GPU 加速需特殊配置。
建议优先使用近 3 年的新版本系统，避免使用老旧版本（如 Windows 7）。
三、开发环境搭建
我们采用 Anaconda 管理环境，PyCharm 编写代码，Python 作为语言，PyTorch 为框架。
1. Anaconda 环境管理
Anaconda 集成了 Python 和常用科学计算库，支持虚拟环境隔离。
常用命令：
# 查看 conda 版本
conda --version
# 更新 conda
conda update conda
# 创建虚拟环境（例如 Python 3.10）
conda create --name jupyter_venv python=3.10
# 激活环境
conda activate jupyter_venv
# 退出环境
conda deactivate
# 安装包
conda install numpy
# 清理缓存
conda clean -y--all
2. PyCharm 编辑器
PyCharm 提供智能提示、调试和项目管理功能。社区版免费，专业版支持 Web 开发。
常用快捷键：
- 格式化代码：
