由于本人属实小白，配置前期装了一堆没什么用的包，导致环境特别混乱，今天也是终于在AI一步一步指导下成功将自己苦心经营数月的虚拟环境彻底搞崩，这里还是写了一个自用版的环境配置博客（主要是python、pytorch、cuda、tensorflow、jupyter、d2l的相关包等等），这里复制粘贴引用了很多优秀作者的博文，非常感谢！

1 pytorch、cuda在GPU上的安装

首先是虚拟环境的建立以及pytorch、cuda的安装，看这位大佬的博客基本上就能解决全部问题了，有N卡的朋友可以在装好anaconda后跳过CPU环境下pytorch的安装，直接进行GPU环境下pytorch的安装，只要在两个不同的虚拟环境中，二者就是不冲突的。（这里查了一些资料，如果要兼容很多深度学习相关的插件目前比较好的选择是python3.10.x，博主这里就选择了3.10版本进行安装，实际版本看了下是3.10.17）

Anaconda安装及配置（CPU/GPU）pytorch深度学习环境（超详细！！！）_anaconda pytorch环境搭建-CSDN博客https://blog.csdn.net/m0_62627216/article/details/135473628?spm=1001.2014.3001.5506

1.1 常用指令

这里把一些在conda程序框终常用的一些指令贴在下面：

创建虚拟环境命令格式（以我自己为例，NNpytorch为环境名，3.10为版本号）：

conda create -n NNpytorch python=3.10

激活虚拟环境（以我自己的为例）：

conda activate NNpytorch

删除虚拟环境（以我自己的为例）：

conda remove -n NNpytorch --all

下面这张图片显示的是conda remove语句的相关后缀，使用时需要注意，这里附上conda官网，指令部分在此处可以进行查看：Commands — conda 25.5.0 documentationhttps://docs.conda.io/projects/conda/en/stable/commands/index.html

conda remove --force-remove XX

conda环境中仅移除XX包，而不移除其他依赖

1.2 GPU上配置

下面是一些与该博主文章中内容相对应的自用内容（防止以后还需要重新装环境）（希望不用）

我的显卡版本是：

根据网站查找，我的显卡算力是7.5：

我的显卡匹配的CUDA SDK：

我的CUDA版本：

综上所述我最终选择的版本是CUDA的11.8版本（因为博主印象中第一次装环境时尝试了很多次，pytorch版本装到了2.3.0）

conda install pytorch==2.3.0 torchvision==0.18.0 torchaudio==2.3.0 pytorch-cuda=11.8 -c pytorch -c nvidia

我的老显卡现在是需要从这里进入官网复制下载指令了：

Previous PyTorch Versionshttps://pytorch.org/get-started/previous-versions/这就说明安装成功了：

2 pycharm环境配置

这样就完成了pycharm环境的配置

3 jupyter notebook环境及插件配置

理论上到此处就可以正常进行运行了，但是由于博主平常学习代码使用jupyter notebook比较多，因此这里还需要重新将jupyter的环境配置一下

3.1 环境配置

因为已经安装了anaconda，因此不需要再另外安装jupyter notebook，可直接在虚拟环境中进行相关操作

jupyter notebook --generate-config

由于博主之前装过jupyter notebook，故将会输出如下所示结果（多了overwrite的覆写操作）：

使用pycharm等等打开路径所指示的文件（注意搜索的内容是Whether to open，不过每个电脑在目标附近的搜索内容可能不太一样，需要对照一下后面的文字内容；实际上要找的是这个notebook_dir，）：

这里需要将注释符去掉，并将后面改为你想要设置的目标jupyter notebook的目录文件夹：

保存并退出后在虚拟环境中运行jupyter notebook：

jupyter notebook

即可成功进行运行：

3.2 插件配置

虽然已经成功运行了jupyter notebook，但是一些常用的插件我们需要通过另一个包来辅助进行安装，这里主要参考的是下面这几位大佬的文章：

3.2.1 插件安装

因为博主是直接在虚拟环境中装的package，而虚拟环境的位置又位于C盘，故直接进行操作即可，这里的操作如大佬文章的方法二（注意都是user 大佬手误方法二的step1打成了users）：

jupyter_nbextensions安装就没有扩展项解决方法_nbextensions 没有功能-CSDN博客https://blog.csdn.net/gnc_xin/article/details/129383105?spm=1001.2014.3001.5506最终得到这样的显示就说明插件安装成功：

3.2.2 目录修改

可以发现安装好插件后的jupyter notebook的目录位置有误，此时需要手动进行修正，方法与3.1一致。（请原谅博主的无知，不知道此处是不是可以省略3.1中修改目录的步骤，直接在3.2.2装完插件后再进行目录位置的修改）

更改为指定目录位置

3.2.3 插件选择

接下来可以根据这两位大佬的文章中推荐的插件进行选择

在anaconda中为jupyter安装Nbextensions扩展-CSDN博客https://blog.csdn.net/m0_73645464/article/details/144178082?spm=1001.2014.3001.5506Jupyter Notebook的NBextensions插件安装使用教程_jupyter插件-CSDN博客https://blog.csdn.net/weixin_47036445/article/details/134353694?spm=1001.2014.3001.5506

这里博主最终的选择如下图所示

4 部分常用包的安装（持续更新）

这里做出一点提示，在运行jupyter notebook的同时更新完package后第一时间可能并没有奏效，这时一定要记得及时重启jupyter notebook内核。

注意：下面这些指令均是在conda环境下进行

4.1 d2l库

pip install d2l

4.2 scikit-learn库

conda install scikit-learn -c conda-forge -y

4.3 tensorflow库

4.4 matplotlib库

conda install matplotlib -c conda-forge -y

4.5 seaborn库

conda install seaborn -c conda-forge -y

4.6 tqdm库

conda install tqdm -c conda-forge -y

4.7 transformers库

conda install transformers -c conda-forge -y

4.8 tensorboard库

conda install -c conda-forge tensorboard

4.9 opencv库

conda install -c conda-forge opencv

4.10 pyforest库

pip install pyforest

conda环境下应尽量用conda方法进行安装，但我试了conda中没有这个库，只能用pip安装

这里需要注意的是，博主在安装pyforest库后jupyter notebook会时有出现如下这种情况：

即很多的<IPython.core.display.Javascript object>

这时参考了这位大佬的文章，选择将对应部分注释掉以解决问题

Ipython 和 jupyter 通过pyforest自动导入包_ -CSDN博客 https://blog.csdn.net/Defiler_Lee/article/details/115604778?spm=1001.2014.3001.5506打开如下路径所示文件，注释掉图片对应代码：

~\Lib\site-packages\pyforest\_importable.py

这里附上GitCode上项目的相关介绍，绝大多数问题都能够在这当中得到解决：

项目首页 - pyforest - GitCodehttps://gitcode.com/gh_mirrors/py/pyforest/?utm_source=artical_gitcode&index=bottom&type=card&webUrl=#%E5%B8%B8%E8%A7%81%E9%97%AE%E9%A2%98%E8%A7%A3%E7%AD%94注意：

在进行自定义补充快捷引用package的过程中，user_imports.py文件中尽量不要添加中文，否则将可能使用过程中出现各种报错

user_imports.py的来源是：

4.11 pytorchcv库

pytorchcv未提供Conda官方包，只好使用pip进行安装

pip install pytorchcv

4.12 snntorch库

conda install -c conda-forge snntorch

4.13 惊蜇(SpikingJelly)库

SpikingJelly同样没有Conda官方包，需要使用pip进行安装

pip install spikingjelly

4.14 cupy库

这里附上cupy官方在Github上的链接：

cupy/cupy: NumPy & SciPy for GPUhttps://github.com/cupy/cupy

可通过如下代码查看cuda版本：

nvidia-smi

我的cuda版本是12.6，可以直接进行这样的安装，具体的cupy与cuda应该也有对应关系：

但是我的torch.cuda版本是11.8，这里具体参考哪个还有待考究

我应该是按照11.8版本进行安装的，这里对应使用语句：

pip install cupy-cuda11x

这里在使用cupy进行加速运行时还产生了numpy包相关的报错问题：

AttributeError: module numpy has no attribute int

这里的解决方案主要参考了这位大佬的文章，将numpy库完全卸载后，重新指定安装1.22版本，这样可以在满足条件的情况下尽可能不与其他包产生冲突：AttributeError: module numpy has no attribute int.出现报错。_attributeerror: module 'numpy' has no attribute 'i-CSDN博客https://blog.csdn.net/Huui_/article/details/134480835?ops_request_misc=%257B%2522request%255Fid%2522%253A%252273b5095ef36a3022902ab74ba0febfab%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fall.%2522%257D&request_id=73b5095ef36a3022902ab74ba0febfab&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_ecpm_v1~rank_v31_ecpm-6-134480835-null-null.142^v102^pc_search_result_base1&utm_term=AttributeError%3A%20module%20numpy%20has%20no%20attribute%20int.&spm=1018.2226.3001.4187安装时使用：

conda install numpy=1.22.0

5 conda环境下其他操作

对于conda环境中的一些操作，这里也将会进行部分记录

5.1 conda环境判断是否已安装XX包

conda list XX（包名）

安装好后会出现如下类似结果：