全栈攻城狮

Appearance

Python AI 开发环境 ​

搭建一套稳定高效的 Python AI 开发环境是 AI 学习的第一步。

环境管理工具对比 ​

Conda（推荐） ​

  • 最全的 AI 生态支持
  • Miniconda（精简版）/ Anaconda（全家桶）
  • 核心命令：
    • conda create -n env_name python=3.10
    • conda activate env_name
    • conda install pytorch torchvision cudatoolkit=11.8 -c pytorch
    • conda env export > environment.yml

Poetry ​

  • 现代 Python 依赖管理 + 打包工具
  • pyproject.toml 管理依赖
  • poetry new project_name / poetry add numpy

Pipenv ​

  • 结合 Pipfile 和 Pipfile.lock
  • 自动管理虚拟环境和依赖

Jupyter Notebook & Jupyter Lab ​

安装启动 ​

  • pip install jupyterlab
  • jupyter lab 启动

常用技巧 ​

  • 魔术命令：%run、%timeit、%%writefile、%matplotlib inline
  • Markdown + 代码混合
  • 内核管理：conda install ipykernel → python -m ipykernel install --user --name env_name

Jupyter Lab 扩展 ​

  • 资源管理器、Git 集成、代码格式化

CUDA & cuDNN 安装 ​

CUDA（NVIDIA 并行计算平台） ​

  • 检查显卡：nvidia-smi
  • CUDA 版本选择：与 PyTorch/TensorFlow 版本匹配
  • 安装方式：从 NVIDIA 官网下载 runfile 或通过 Conda

cuDNN（CUDA Deep Neural Network） ​

  • 深度神经网络加速库
  • 需要 NVIDIA Developer 账号下载
  • 解压后复制到 CUDA 安装目录

验证安装 ​

bash
# 验证 CUDA
nvidia-smi
nvcc --version

# 验证 cuDNN
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

# 验证 PyTorch 是否可用 GPU
python -c "import torch; print(torch.cuda.is_available())"
python -c "import torch; print(torch.cuda.get_device_name(0))"

Docker + GPU 环境 ​

nvidia-docker ​

  • docker run --gpus all nvidia/cuda:11.8.0-runtime-ubuntu22.04 nvidia-smi
  • Dockerfile 中配置 CUDA 基础镜像

常用 AI 库安装 ​

bash
# 核心 ML 栈
pip install numpy pandas matplotlib seaborn scikit-learn

# 深度学习
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
pip install tensorflow
pip install transformers datasets accelerate

# 可视化
pip install plotly bokeh

# AutoML
pip install optuna hyperopt

IDE 选择 ​

  • VS Code：Python 扩展 + Jupyter 扩展
  • PyCharm Professional / DataSpell

推荐学习环境 ​

  • 本地：VS Code + Conda env + Jupyter Lab
  • 云：Google Colab（免费 GPU）、Kaggle Notebooks