本地深度学习环境搭建指南
一、硬件准备
1.1 核心组件
深度学习对硬件有一定要求，主要关注处理器（CPU）、内存（RAM）和显卡（GPU）。
处理器 (CPU) 建议选择多核心、高主频型号。Intel Core i7/i9 或 AMD Ryzen 7/9 系列通常能满足入门及中级需求。对于单卡工作站，i5 级别通常已足够；若使用多卡，建议 i9 或同级别以避免瓶颈。
内存 (RAM) 建议不低于 16GB，32GB 或 64GB 更稳妥，以处理大规模数据集和模型。
显卡 (GPU) 强烈推荐 NVIDIA 显卡，因其 CUDA 生态支持最佳。建议显存不低于 8GB（如 RTX 3060）。AMD 和 Intel 显卡也可用，但配置相对复杂。国产 GPU 正在发展中，兼容性需具体评估。
二、操作系统
主流系统包括 Windows、Linux 和 macOS。
- Windows: 推荐 Windows 10 或 11，软件兼容性好。
- Linux: 稳定性高，适合服务器环境，发行版众多（如 Ubuntu, CentOS）。
- macOS: 基于 Unix，适合开发，但部分深度学习工具支持不如 Linux 完善。
建议使用近 3 年的新版本系统。
三、开发环境与工具
3.1 Anaconda
用于 Python 包管理和虚拟环境隔离。
常用命令：
# 查询版本
conda --version
# 创建虚拟环境
conda create --name my_env python=3.10
# 激活环境
conda activate my_env
# 安装包
conda install numpy
# 导出环境配置
conda env export > environment.yml
3.2 PyCharm
Python 集成开发环境（IDE），提供代码编辑、调试、项目管理等功能。社区版免费，专业版付费。
常用快捷键：
- 格式化代码：
Ctrl + Alt + L - 注释：
Ctrl + / - 运行程序：
Shift + F10
3.3 Python
Python 是深度学习的主要编程语言。推荐使用 Python 3.x 版本。
3.4 PyTorch
开源深度学习框架，由 Facebook 发布，支持动态计算图。 学习资源：
3.5 CUDA 与 cuDNN
NVIDIA 提供的 GPU 加速库，用于优化神经网络计算。需安装对应显卡驱动。
四、驱动安装示例
- 检查显卡型号：设备管理器 -> 显示适配器。
- 下载驱动：访问 NVIDIA 官网，选择对应型号和系统。
- 验证安装： 若显示显卡信息列表，则安装成功。
