很多刚开始接触深度学习的同学跑来问我最多的问题不是“神经网络怎么搭”而是“我的环境怎么又跑不起来了”。PyTorch 作为当下最主流的深度学习框架之一本身并不难装难的是把 VS Code、Anaconda、CUDA 这些零零碎碎的工具组合到一起还要保证它们彼此之间不打架。这篇文章我就把从零开始在 VS Code 下搭建 PyTorch 环境的完整流程拆开揉碎讲一遍包括每一步的选型逻辑、命令含义、验证方法和常见报错尽量让你照着操作一遍就能跑通。1. 环境方案的整体设计为什么选 VS Code Anaconda PyTorch1.1 生态选型背后的逻辑先说结论这套组合是目前个人开发场景下性价比最高的方案没有之一。PyTorch 负责神经网络模型的构建和训练Anaconda 负责管理 Python 版本和第三方依赖VS Code 负责写代码、调试、跑脚本三者各管一段职责清晰。为什么不用 PyCharm不是说它不好而是 VS Code 在“轻量”和“功能完整”之间拿捏得更好。PyTorch 项目的代码量通常不大训练脚本、数据集预处理脚本、模型定义文件加起来可能也就十几个文件VS Code 打开后启动速度快、内存占用低还内置了终端和 Git 面板写实验代码远比一个重量级 IDE 来得顺手。Anaconda 在里面的角色也很有意思。很多人觉得它只是“一个 Python 环境”其实它的核心价值是环境隔离。你可以同时存在 Python 3.8、3.10、3.11 多个版本不同项目用不同解释器互不干扰。做深度学习的人都知道torch 这个包对 Python 版本和 CUDA 版本都敏感今天这个项目要用 torch 2.0明天那个项目要用 torch 1.12如果用系统 Python 直接装往往装完一个就把另一个搞挂了。Anaconda 的 conda create 命令能一键创建独立环境相当于给每个项目开一个独立的“沙箱”这是它最大的意义。1.2 核心流程梳理先装什么、再装什么、最后验证什么整个搭建过程可以分为四个阶段。第一阶段是准备基础软件也就是 VS Code 和 Anaconda 的安装这两者没有先后依赖先装哪个都行。第二阶段是创建独立的 Python 虚拟环境指定 Python 版本。第三阶段是在虚拟环境里安装 PyTorch这里要决定装 CPU 版还是 GPU 版取决于你的电脑有没有 NVIDIA 显卡。第四阶段是在 VS Code 里把解释器指向这个虚拟环境然后跑一段验证代码确认所有组件都正常工作。这四个阶段里最容易出问题的反而是第一阶段和第四阶段。很多人装完 Anaconda 之后 PowerShell 里输入 conda 提示找不到命令或者在 VS Code 里选的解释器不是虚拟环境里的那个导致 import torch 直接报 ModuleNotFoundError。所以我建议你跟着下面的顺序一步步操作每个阶段做完都做个简单的验证再进入下一阶段。2. 前置准备与核心细节VS Code 与 Anaconda 的安装要点2.1 VS Code 安装与中文界面配置VS Code 的安装过程本身没什么好说的官方网站下载对应系统的安装包一路 Next 就行。但有三个细节值得提一下。第一安装界面的“添加到 PATH”选项建议勾选。虽然现在的 VS Code 安装包默认会自动配置命令行启动但我遇到过几次系统环境变量 PATH 里没有 code 命令的情况导致终端里输 code 打不开编辑器。勾选这个选项能避免后面折腾。第二安装完成之后第一件事不是写代码而是先装两个最核心的插件。打开 VS Code 左侧的扩展商店CtrlShiftX搜“Python”和“Chinese Language Pack for Visual Studio Code”。前者是微软官方出的 Python 扩展装完之后才能支持代码补全、语法检查、调试器这些功能后者是中文语言包装完重启之后整个界面变成中文。对于英文界面不习惯的同学建议第一时间就把这个装掉。第三你可能以后会用到 Jupyter Notebook 的 .ipynb 文件VS Code 打开这类文件也需要 Python 扩展的支持所以把 Python 扩展装好是一举多得的事。2.2 Anaconda 安装与注意事项Anaconda 是环境管理的基础工具安装过程里也有几个坑。官网下载对应操作系统的安装包安装路径建议不要放在 C:\Program Files 之类的系统目录下最好装到一个路径简单的地方比如 D:\Anaconda3 或者 C:\Anaconda3。原因很现实Anaconda 自带大量可执行文件系统目录权限限制多后续 conda install 或者 pip install 的时候可能因为权限问题报错。安装过程中会有一步询问是否将 Anaconda 添加到 PATH 环境变量。老版本一般不推荐勾选避免和系统 Python 冲突。但到了 Anaconda 2023 之后的版本不勾选的话 PowerShell 里输 conda 很可能直接提示“conda 不是内部或外部命令”非常影响体验。我的建议是如果你电脑上之前没有装过 Python那这一步直接勾选省事如果你已经装了系统 Python那可以考虑不勾选后面用 Anaconda Prompt 来操作环境。当然安装完成之后如果发现 conda 命令用不了手动把 Anaconda 的三个路径根目录、Scripts 目录、condabin 目录加到系统环境变量的 PATH 里也能解决。安装完成后打开一个终端输入 conda --version如果能正常输出版本号说明环境管理器已经可用了。2.3 解释器关联与虚拟环境的核心原理我见过很多初学者把“解释器”和“Python 环境”搞混。简单说解释器就是某个具体 Python 版本对应的可执行文件在 Windows 上通常是 python.exe。Anaconda 的作用是帮你管理多个 python.exe它们分别位于不同的目录下互相独立。当你在 VS Code 里运行代码时它调用的就是当前选中的解释器。虚拟环境的核心原理用一句话概括改变 PYTHONPATH 环境变量让 import 语句查找包的时候只在当前虚拟环境的 site-packages 目录里找而不是全局目录。这样你在这个环境里装的 torch不会污染其他环境的配置。理解这一点之后你就明白为什么“import torch 报错”这件事90% 的原因是 VS Code 选错了解释器而不一定是你没装 PyTorch。3. 核心实操创建虚拟环境、安装 PyTorch、通过 VS Code 验证3.1 第一步创建并激活 Python 虚拟环境这里我用 Anaconda 来创建虚拟环境。打开 VS Code 的终端快捷键 Ctrl如果你之前安装了终端插件也可以直接在 PowerShell 里操作。建议后续所有操作都在 VS Code 内置终端里完成因为和编辑器保持同一个终端方便调试。创建虚拟环境的命令如下conda create -n pytorch python3.10 -y这里我解释一下参数的含义。-n指定环境名名字这里定为 pytorch方便辨认python3.10指定该环境使用 Python 3.10 版本这是截至 PyTorch 2.x 时代兼容性比较好的版本尽量不要选最新的 Python 3.12 或 3.13因为部分依赖包可能还没有预编译的 whl 包-y表示遇到提示自动确认不用交互式输入 y。创建过程会联网下载基础包速度取决于网络环境。装完之后激活环境conda activate pytorch激活成功之后终端命令行的最前面会出现一个(pytorch)前缀这个前缀是环境激活成功的标志。没有这个前缀后面所有的 pip install 指令都会装到 base 环境里而不是你新建的环境里这是一个特别容易踩的坑。3.2 第二步安装 PyTorchCPU 版与 GPU 版怎么选PyTorch 的安装方式主要分 CPU 版和 GPU 版两种。先说结论如果你的电脑有 NVIDIA 显卡并且你真的打算训练神经网络模型强烈建议装 GPU 版如果只是做作业、跑代码演示、或者电脑没有独显那么 CPU 版也完全够用。两者最大的差异是训练速度GPU 做矩阵运算是 CPU 的几十倍甚至上百倍。CPU 版的安装非常简单激活环境后执行pip install torch torchvision torchaudio这三件套是默认的 PyTorch 全家桶。torch 是核心框架torchvision 是视觉模型库里面有各种预训练的卷积神经网络比如 ResNet、VGGtorchaudio 是音频处理库。如果你的项目只做经典的图像识别和自然语言处理这三件套基本够用。GPU 版的安装稍微麻烦一点。因为要装匹配的 CUDA 版本所以建议直接访问 PyTorch 官网它会根据你的操作系统和包管理器生成对应的安装命令。官网首页选择 Stable 版本、你的系统Windows/Linux/Mac、包管理器Pip/Conda、CUDA 版本然后复制它给出的那行命令到终端执行即可。安装过程中注意看终端日志。下载速度慢是最常见的问题因为 PyTorch 的安装包挺大的几个 GB 的包可能要下载很久。这时候可以给 pip 换一个国内镜像源来加速常见的清华源命令如下pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple换源之后下载速度通常能有很大提升。装完之后在终端里输入python -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果输出了版本号说明 PyTorch 安装成功。torch.cuda.is_available()的返回值很关键GPU 版执行后如果返回 False多半是 CUDA 和显卡驱动不匹配后面排查。3.3 第三步在 VS Code 中关联虚拟环境PyTorch 装好了环境也激活了但 VS Code 编辑器本身还不知道要使用哪个解释器。很多新手在这里卡住终端里 import torch 没问题一在 VS Code 里点运行就报 ModuleNotFoundError。正确做法是打开任意一个 .py 文件然后在编辑器右下角或者按 CtrlShiftP 打开命令面板输入“Python: Select Interpreter”。这时会列出所有可用的解释器你需要找到那个带pytorch标识的项它的路径通常是~/anaconda3/envs/pytorch/python.exe。选中之后VS Code 底部状态栏会显示当前解释器名称。这一步做完你再运行代码它就会用这个虚拟环境里的 Python 来执行能 import 到刚才装的 torch 了。我强烈建议你把这个选择解释器的操作养成习惯每次新建项目都检查一下右下角的解释器名称这能避开后面一堆莫名其妙的报错。3.4 第四步运行验证代码确认全链路连通环境搭好之后别急着写复杂的神经网络先跑一个最简单的验证脚本。创建一个文件随便起个名字比如 test_env.py内容如下import torch from torch import nn print(PyTorch 版本:, torch.__version__) print(CUDA 是否可用:, torch.cuda.is_available()) # 定义一个最简单的神经网络层 layer nn.Linear(4, 2) x torch.randn(3, 4) y layer(x) print(输入张量形状:, x.shape) print(输出张量形状:, y.shape)点击 VS Code 右上角的三角形运行按钮如果能在输出面板里看到 PyTorch 版本号、CUDA 可用性并且输出形状是torch.Size([3, 2])说明你的环境已经完全打通了。这段代码里用到了 torch.randn 生成随机张量以及 nn.Linear 定义线性层它们是最基本的张量操作和网络层定义跑通这一步后续学神经网络就有了基础。4. 常见问题与排查技巧实录4.1 十个高频报错与解决方案速查现象原因解决办法conda 命令找不到Anaconda 未添加 PATH手动把 Anaconda 的 condabin 目录加到系统 PATH激活环境提示“系统找不到指定的路径”终端速度跟不上 conda 初始化关闭终端重新打开或重启 VS Codepip install torch 下载太慢默认源在国外加-i https://pypi.tuna.tsinghua.edu.cn/simple参数import torch 报 ModuleNotFoundError解释器选错环境用 Python: Select Interpreter 选带 pytorch 的解释器torch.cuda.is_available() 返回 FalseCUDA 版本不匹配到官网重新生成匹配的安装命令或升级显卡驱动提示 Python 版本不兼容虚拟环境用了过新的 Python重新创建环境指定 python3.10Kernel 崩溃 / 内核一直重启可能内存不足关闭其他大型程序或者换小一点的模型试跑代码里用中文注释乱码文件编码不是 UTF-8在 VS Code 设置里把 files.encoding 设为 utf-8运行训练代码时很卡CPU 版跑大模型考虑装 GPU 版或减少 batch size找不到 torchvision 依赖只装了 torch 没装配套包执行pip install torchvision torchaudio这里最想强调的是第三行和第四行这两个问题占了环境搭建求助帖里的半壁江山。记住一个原则凡是出现“某某包找不到”的报错第一反应不是重新执行安装命令而是确认当前代码用的解释器是不是你创建的那个环境。4.2 几个能明显提升效率的 VS Code 配置环境通了之后建议再做三个小配置能让你在写 PyTorch 代码时舒服很多。第一是配置代码格式化工具。在 VS Code 扩展里装好 Python 之后进入设置搜索“Format On Save”把这个选项打开。再用 pip 给当前环境装一个代码格式化工具比如 blackpip install black这样每次 CtrlS 保存代码时VS Code 会自动帮你把代码格式化成 PEP 8 规范省去大量调整缩进和空格的琐碎步骤。第二是开启 Jupyter Notebook 支持。VS Code 可以直接打开 .ipynb 文件而且它会自动关联当前选中的解释器。这意味着你可以在单元格里逐步执行代码、查看中间张量的 shape对神经网络调试非常友好。第三是配置调试功能。点击左侧“运行和调试”图标创建 launch.json 文件选择 Python 配置。这样你就可以在代码里打断点逐行查看 tensor 的数值变化排查反向传播过程中的梯度异常。对于复杂的模型训练这个能力很重要。5. 跑通环境之后新手入门的第一个神经网络实验5.1 用 PyTorch 实现一个最简单的线性回归环境搭建好了理论知识也补了一点现在该上手了。我建议新手不要一上来就搞卷积神经网络或循环神经网络而是先完成一个最简单的线性回归任务体会 PyTorch 的完整训练流程定义模型、定义损失函数、定义优化器、跑 forward、算 loss、反向传播、更新参数。这里给出一段可以直接跑的代码示例import torch from torch import nn, optim # 1. 准备数据y 2x 1 加上一点噪声 x torch.linspace(0, 1, 100).reshape(-1, 1) y 2 * x 1 0.1 * torch.randn(x.size()) # 2. 定义模型单层线性层 model nn.Linear(1, 1) # 3. 定义损失函数和优化器 criterion nn.MSELoss() optimizer optim.SGD(model.parameters(), lr0.01) # 4. 训练循环 for epoch in range(200): pred model(x) loss criterion(pred, y) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch 1) % 20 0: print(fEpoch {epoch1}, Loss: {loss.item():.4f}) # 5. 查看最终学到的参数 print(学到的权重:, model.weight.item(), 偏置:, model.bias.item())这段代码跑了之后你会看到 loss 的值随着迭代次数增加而下降然后学到的权重接近 2偏置接近 1。这背后就是神经网络的梯度下降更新参数的过程把整个过程走一遍等于把深度学习的核心机制过了一遍。后面你再去接触卷积神经网络、前馈神经网络、图神经网络这些概念就不会觉得它们悬在空中了它们的本质都是在做这种“根据损失函数调整参数”的迭代。5.2 后续扩展路径从环境搭建到模型实战环境搭好只是第一步后续怎么深入取决于你的方向。如果你做计算机视觉可以去 torchvision 里加载一个预训练的 ResNet 模型对 CIFAR-10 数据集做图像分类改造成本很低。如果你做自然语言处理可以去 HuggingFace 上下载一个小型的 BERT 模型用 PyTorch 做文本情感分类和序列标注。如果你的方向更偏算法理论比如参加数学建模竞赛、复现论文里的模型那 PyTorch 的动态图机制就是你的利器它允许你用标准的 Python 语法定义网络结构在调试的时候能直接看到中间运算结果理解模型每个 tensor 的变化非常直观。这就是为什么现在越来越多的人在竞赛、科研里把 PyTorch 作为第一选择而 VS Code 作为前端编辑器能让你在同一个窗口里完成代码编写、环境管理、调试运行整体体验相当顺滑。根据我个人的实际经验第一次搭环境时遇到报错是非常正常的千万别因此怀疑自己。我见过很多同学卡在某个报错一两个小时最后发现只是解释器选错了或者镜像源没配好。环境这东西本质上是个熟能生巧的工程问题你亲手从头到尾搭过一次之后后面再遇到任何类似的开发环境问题心态都会稳很多。跑完上面那几段代码你已经拥有了一个能训练神经网络的基础环境接下来就可以放心地往模型和算法里钻了。 
长河君 · 2026/10/4 4:17:34 · 阅读 1.2k VS Code+Anaconda+PyTorch环境搭建全攻略：从零到跑通第一个神经网络
很多刚开始接触深度学习的同学跑来问我最多的问题不是“神经网络怎么搭”而是“我的环境怎么又跑不起来了”。PyTorch 作为当下最主流的深度学习框架之一本身并不难装难的是把 VS Code、Anaconda、CUDA 这些零零碎碎的工具组合到一起还要保证它们彼此之间不打架。这篇文章我就把从零开始在 VS Code 下搭建 PyTorch 环境的完整流程拆开揉碎讲一遍包括每一步的选型逻辑、命令含义、验证方法和常见报错尽量让你照着操作一遍就能跑通。1. 环境方案的整体设计为什么选 VS Code Anaconda PyTorch1.1 生态选型背后的逻辑先说结论这套组合是目前个人开发场景下性价比最高的方案没有之一。PyTorch 负责神经网络模型的构建和训练Anaconda 负责管理 Python 版本和第三方依赖VS Code 负责写代码、调试、跑脚本三者各管一段职责清晰。为什么不用 PyCharm不是说它不好而是 VS Code 在“轻量”和“功能完整”之间拿捏得更好。PyTorch 项目的代码量通常不大训练脚本、数据集预处理脚本、模型定义文件加起来可能也就十几个文件VS Code 打开后启动速度快、内存占用低还内置了终端和 Git 面板写实验代码远比一个重量级 IDE 来得顺手。Anaconda 在里面的角色也很有意思。很多人觉得它只是“一个 Python 环境”其实它的核心价值是环境隔离。你可以同时存在 Python 3.8、3.10、3.11 多个版本不同项目用不同解释器互不干扰。做深度学习的人都知道torch 这个包对 Python 版本和 CUDA 版本都敏感今天这个项目要用 torch 2.0明天那个项目要用 torch 1.12如果用系统 Python 直接装往往装完一个就把另一个搞挂了。Anaconda 的 conda create 命令能一键创建独立环境相当于给每个项目开一个独立的“沙箱”这是它最大的意义。1.2 核心流程梳理先装什么、再装什么、最后验证什么整个搭建过程可以分为四个阶段。第一阶段是准备基础软件也就是 VS Code 和 Anaconda 的安装这两者没有先后依赖先装哪个都行。第二阶段是创建独立的 Python 虚拟环境指定 Python 版本。第三阶段是在虚拟环境里安装 PyTorch这里要决定装 CPU 版还是 GPU 版取决于你的电脑有没有 NVIDIA 显卡。第四阶段是在 VS Code 里把解释器指向这个虚拟环境然后跑一段验证代码确认所有组件都正常工作。这四个阶段里最容易出问题的反而是第一阶段和第四阶段。很多人装完 Anaconda 之后 PowerShell 里输入 conda 提示找不到命令或者在 VS Code 里选的解释器不是虚拟环境里的那个导致 import torch 直接报 ModuleNotFoundError。所以我建议你跟着下面的顺序一步步操作每个阶段做完都做个简单的验证再进入下一阶段。2. 前置准备与核心细节VS Code 与 Anaconda 的安装要点2.1 VS Code 安装与中文界面配置VS Code 的安装过程本身没什么好说的官方网站下载对应系统的安装包一路 Next 就行。但有三个细节值得提一下。第一安装界面的“添加到 PATH”选项建议勾选。虽然现在的 VS Code 安装包默认会自动配置命令行启动但我遇到过几次系统环境变量 PATH 里没有 code 命令的情况导致终端里输 code 打不开编辑器。勾选这个选项能避免后面折腾。第二安装完成之后第一件事不是写代码而是先装两个最核心的插件。打开 VS Code 左侧的扩展商店CtrlShiftX搜“Python”和“Chinese Language Pack for Visual Studio Code”。前者是微软官方出的 Python 扩展装完之后才能支持代码补全、语法检查、调试器这些功能后者是中文语言包装完重启之后整个界面变成中文。对于英文界面不习惯的同学建议第一时间就把这个装掉。第三你可能以后会用到 Jupyter Notebook 的 .ipynb 文件VS Code 打开这类文件也需要 Python 扩展的支持所以把 Python 扩展装好是一举多得的事。2.2 Anaconda 安装与注意事项Anaconda 是环境管理的基础工具安装过程里也有几个坑。官网下载对应操作系统的安装包安装路径建议不要放在 C:\Program Files 之类的系统目录下最好装到一个路径简单的地方比如 D:\Anaconda3 或者 C:\Anaconda3。原因很现实Anaconda 自带大量可执行文件系统目录权限限制多后续 conda install 或者 pip install 的时候可能因为权限问题报错。安装过程中会有一步询问是否将 Anaconda 添加到 PATH 环境变量。老版本一般不推荐勾选避免和系统 Python 冲突。但到了 Anaconda 2023 之后的版本不勾选的话 PowerShell 里输 conda 很可能直接提示“conda 不是内部或外部命令”非常影响体验。我的建议是如果你电脑上之前没有装过 Python那这一步直接勾选省事如果你已经装了系统 Python那可以考虑不勾选后面用 Anaconda Prompt 来操作环境。当然安装完成之后如果发现 conda 命令用不了手动把 Anaconda 的三个路径根目录、Scripts 目录、condabin 目录加到系统环境变量的 PATH 里也能解决。安装完成后打开一个终端输入 conda --version如果能正常输出版本号说明环境管理器已经可用了。2.3 解释器关联与虚拟环境的核心原理我见过很多初学者把“解释器”和“Python 环境”搞混。简单说解释器就是某个具体 Python 版本对应的可执行文件在 Windows 上通常是 python.exe。Anaconda 的作用是帮你管理多个 python.exe它们分别位于不同的目录下互相独立。当你在 VS Code 里运行代码时它调用的就是当前选中的解释器。虚拟环境的核心原理用一句话概括改变 PYTHONPATH 环境变量让 import 语句查找包的时候只在当前虚拟环境的 site-packages 目录里找而不是全局目录。这样你在这个环境里装的 torch不会污染其他环境的配置。理解这一点之后你就明白为什么“import torch 报错”这件事90% 的原因是 VS Code 选错了解释器而不一定是你没装 PyTorch。3. 核心实操创建虚拟环境、安装 PyTorch、通过 VS Code 验证3.1 第一步创建并激活 Python 虚拟环境这里我用 Anaconda 来创建虚拟环境。打开 VS Code 的终端快捷键 Ctrl如果你之前安装了终端插件也可以直接在 PowerShell 里操作。建议后续所有操作都在 VS Code 内置终端里完成因为和编辑器保持同一个终端方便调试。创建虚拟环境的命令如下conda create -n pytorch python3.10 -y这里我解释一下参数的含义。-n指定环境名名字这里定为 pytorch方便辨认python3.10指定该环境使用 Python 3.10 版本这是截至 PyTorch 2.x 时代兼容性比较好的版本尽量不要选最新的 Python 3.12 或 3.13因为部分依赖包可能还没有预编译的 whl 包-y表示遇到提示自动确认不用交互式输入 y。创建过程会联网下载基础包速度取决于网络环境。装完之后激活环境conda activate pytorch激活成功之后终端命令行的最前面会出现一个(pytorch)前缀这个前缀是环境激活成功的标志。没有这个前缀后面所有的 pip install 指令都会装到 base 环境里而不是你新建的环境里这是一个特别容易踩的坑。3.2 第二步安装 PyTorchCPU 版与 GPU 版怎么选PyTorch 的安装方式主要分 CPU 版和 GPU 版两种。先说结论如果你的电脑有 NVIDIA 显卡并且你真的打算训练神经网络模型强烈建议装 GPU 版如果只是做作业、跑代码演示、或者电脑没有独显那么 CPU 版也完全够用。两者最大的差异是训练速度GPU 做矩阵运算是 CPU 的几十倍甚至上百倍。CPU 版的安装非常简单激活环境后执行pip install torch torchvision torchaudio这三件套是默认的 PyTorch 全家桶。torch 是核心框架torchvision 是视觉模型库里面有各种预训练的卷积神经网络比如 ResNet、VGGtorchaudio 是音频处理库。如果你的项目只做经典的图像识别和自然语言处理这三件套基本够用。GPU 版的安装稍微麻烦一点。因为要装匹配的 CUDA 版本所以建议直接访问 PyTorch 官网它会根据你的操作系统和包管理器生成对应的安装命令。官网首页选择 Stable 版本、你的系统Windows/Linux/Mac、包管理器Pip/Conda、CUDA 版本然后复制它给出的那行命令到终端执行即可。安装过程中注意看终端日志。下载速度慢是最常见的问题因为 PyTorch 的安装包挺大的几个 GB 的包可能要下载很久。这时候可以给 pip 换一个国内镜像源来加速常见的清华源命令如下pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple换源之后下载速度通常能有很大提升。装完之后在终端里输入python -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果输出了版本号说明 PyTorch 安装成功。torch.cuda.is_available()的返回值很关键GPU 版执行后如果返回 False多半是 CUDA 和显卡驱动不匹配后面排查。3.3 第三步在 VS Code 中关联虚拟环境PyTorch 装好了环境也激活了但 VS Code 编辑器本身还不知道要使用哪个解释器。很多新手在这里卡住终端里 import torch 没问题一在 VS Code 里点运行就报 ModuleNotFoundError。正确做法是打开任意一个 .py 文件然后在编辑器右下角或者按 CtrlShiftP 打开命令面板输入“Python: Select Interpreter”。这时会列出所有可用的解释器你需要找到那个带pytorch标识的项它的路径通常是~/anaconda3/envs/pytorch/python.exe。选中之后VS Code 底部状态栏会显示当前解释器名称。这一步做完你再运行代码它就会用这个虚拟环境里的 Python 来执行能 import 到刚才装的 torch 了。我强烈建议你把这个选择解释器的操作养成习惯每次新建项目都检查一下右下角的解释器名称这能避开后面一堆莫名其妙的报错。3.4 第四步运行验证代码确认全链路连通环境搭好之后别急着写复杂的神经网络先跑一个最简单的验证脚本。创建一个文件随便起个名字比如 test_env.py内容如下import torch from torch import nn print(PyTorch 版本:, torch.__version__) print(CUDA 是否可用:, torch.cuda.is_available()) # 定义一个最简单的神经网络层 layer nn.Linear(4, 2) x torch.randn(3, 4) y layer(x) print(输入张量形状:, x.shape) print(输出张量形状:, y.shape)点击 VS Code 右上角的三角形运行按钮如果能在输出面板里看到 PyTorch 版本号、CUDA 可用性并且输出形状是torch.Size([3, 2])说明你的环境已经完全打通了。这段代码里用到了 torch.randn 生成随机张量以及 nn.Linear 定义线性层它们是最基本的张量操作和网络层定义跑通这一步后续学神经网络就有了基础。4. 常见问题与排查技巧实录4.1 十个高频报错与解决方案速查现象原因解决办法conda 命令找不到Anaconda 未添加 PATH手动把 Anaconda 的 condabin 目录加到系统 PATH激活环境提示“系统找不到指定的路径”终端速度跟不上 conda 初始化关闭终端重新打开或重启 VS Codepip install torch 下载太慢默认源在国外加-i https://pypi.tuna.tsinghua.edu.cn/simple参数import torch 报 ModuleNotFoundError解释器选错环境用 Python: Select Interpreter 选带 pytorch 的解释器torch.cuda.is_available() 返回 FalseCUDA 版本不匹配到官网重新生成匹配的安装命令或升级显卡驱动提示 Python 版本不兼容虚拟环境用了过新的 Python重新创建环境指定 python3.10Kernel 崩溃 / 内核一直重启可能内存不足关闭其他大型程序或者换小一点的模型试跑代码里用中文注释乱码文件编码不是 UTF-8在 VS Code 设置里把 files.encoding 设为 utf-8运行训练代码时很卡CPU 版跑大模型考虑装 GPU 版或减少 batch size找不到 torchvision 依赖只装了 torch 没装配套包执行pip install torchvision torchaudio这里最想强调的是第三行和第四行这两个问题占了环境搭建求助帖里的半壁江山。记住一个原则凡是出现“某某包找不到”的报错第一反应不是重新执行安装命令而是确认当前代码用的解释器是不是你创建的那个环境。4.2 几个能明显提升效率的 VS Code 配置环境通了之后建议再做三个小配置能让你在写 PyTorch 代码时舒服很多。第一是配置代码格式化工具。在 VS Code 扩展里装好 Python 之后进入设置搜索“Format On Save”把这个选项打开。再用 pip 给当前环境装一个代码格式化工具比如 blackpip install black这样每次 CtrlS 保存代码时VS Code 会自动帮你把代码格式化成 PEP 8 规范省去大量调整缩进和空格的琐碎步骤。第二是开启 Jupyter Notebook 支持。VS Code 可以直接打开 .ipynb 文件而且它会自动关联当前选中的解释器。这意味着你可以在单元格里逐步执行代码、查看中间张量的 shape对神经网络调试非常友好。第三是配置调试功能。点击左侧“运行和调试”图标创建 launch.json 文件选择 Python 配置。这样你就可以在代码里打断点逐行查看 tensor 的数值变化排查反向传播过程中的梯度异常。对于复杂的模型训练这个能力很重要。5. 跑通环境之后新手入门的第一个神经网络实验5.1 用 PyTorch 实现一个最简单的线性回归环境搭建好了理论知识也补了一点现在该上手了。我建议新手不要一上来就搞卷积神经网络或循环神经网络而是先完成一个最简单的线性回归任务体会 PyTorch 的完整训练流程定义模型、定义损失函数、定义优化器、跑 forward、算 loss、反向传播、更新参数。这里给出一段可以直接跑的代码示例import torch from torch import nn, optim # 1. 准备数据y 2x 1 加上一点噪声 x torch.linspace(0, 1, 100).reshape(-1, 1) y 2 * x 1 0.1 * torch.randn(x.size()) # 2. 定义模型单层线性层 model nn.Linear(1, 1) # 3. 定义损失函数和优化器 criterion nn.MSELoss() optimizer optim.SGD(model.parameters(), lr0.01) # 4. 训练循环 for epoch in range(200): pred model(x) loss criterion(pred, y) optimizer.zero_grad() loss.backward() optimizer.step() if (epoch 1) % 20 0: print(fEpoch {epoch1}, Loss: {loss.item():.4f}) # 5. 查看最终学到的参数 print(学到的权重:, model.weight.item(), 偏置:, model.bias.item())这段代码跑了之后你会看到 loss 的值随着迭代次数增加而下降然后学到的权重接近 2偏置接近 1。这背后就是神经网络的梯度下降更新参数的过程把整个过程走一遍等于把深度学习的核心机制过了一遍。后面你再去接触卷积神经网络、前馈神经网络、图神经网络这些概念就不会觉得它们悬在空中了它们的本质都是在做这种“根据损失函数调整参数”的迭代。5.2 后续扩展路径从环境搭建到模型实战环境搭好只是第一步后续怎么深入取决于你的方向。如果你做计算机视觉可以去 torchvision 里加载一个预训练的 ResNet 模型对 CIFAR-10 数据集做图像分类改造成本很低。如果你做自然语言处理可以去 HuggingFace 上下载一个小型的 BERT 模型用 PyTorch 做文本情感分类和序列标注。如果你的方向更偏算法理论比如参加数学建模竞赛、复现论文里的模型那 PyTorch 的动态图机制就是你的利器它允许你用标准的 Python 语法定义网络结构在调试的时候能直接看到中间运算结果理解模型每个 tensor 的变化非常直观。这就是为什么现在越来越多的人在竞赛、科研里把 PyTorch 作为第一选择而 VS Code 作为前端编辑器能让你在同一个窗口里完成代码编写、环境管理、调试运行整体体验相当顺滑。根据我个人的实际经验第一次搭环境时遇到报错是非常正常的千万别因此怀疑自己。我见过很多同学卡在某个报错一两个小时最后发现只是解释器选错了或者镜像源没配好。环境这东西本质上是个熟能生巧的工程问题你亲手从头到尾搭过一次之后后面再遇到任何类似的开发环境问题心态都会稳很多。跑完上面那几段代码你已经拥有了一个能训练神经网络的基础环境接下来就可以放心地往模型和算法里钻了。