Python保姆级安装教程(CPU+GPU)（python保姆级安装教程）

以下是为您整理的 2024年 Python 保姆级安装教程（CPU+GPU详细版），涵盖 Windows、macOS 和 Linux 系统，并详细说明 GPU 环境的配置（如 CUDA、cuDNN 等）。

一、准备工作

1. 确认系统要求

O 操作系统: Windows 10/11、macOS 10.15+ 或 Ubuntu 20.04+/CentOS 7+

O 硬件要求:

CPU: 支持 64 位的多核处理器（推荐 Intel i5 或更高）。

GPU（可选）: 如需使用 GPU 加速（如 PyTorch/TensorFlow），需 NVIDIA 显卡（支持 CUDA，如 RTX 2060/3090 等），并确保安装最新驱动。

2.下载安装工具

O Python 安装包: 推荐使用 Miniconda 或 Anaconda（包含 Python 和包管理工具）。

O GPU 相关（可选）:

CUDA Toolkit: NVIDIA CUDA 官网（版本需与深度学习框架匹配，如 CUDA 12.x）。

cuDNN: NVIDIA cuDNN 官网（需注册账号下载）。

二、安装 Python（CPU 基础版）

Windows 系统

1. 安装 Miniconda/Anaconda

O 下载 Miniconda3 Windows 64-bit.exe，双击安装。

O 勾选 “Add Miniconda to PATH”（将 Conda 加入环境变量）。

2. 验证安装

bash

conda --version # 查看 Conda 版本

python --version # 查看 Python 版本

macOS/Linux 系统

1. 终端安装 Miniconda

bash

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-MacOSX-x86_64.sh # macOS

# 或

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh # Linux

bash Miniconda3-latest-*.sh

2. 激活 Conda

bash

source ~/.bashrc # 或 source ~/.zshrc

三、配置 GPU 环境（NVIDIA 显卡专用）

步骤 1：安装 NVIDIA 驱动

• Windows:
• 下载驱动：访问 NVIDIA 官网，选择显卡型号下载驱动。
• 双击安装，重启电脑。
• 验证：打开 CMD，输入 nvidia-smi，看到 GPU 信息即成功。
• Linux:

bash

sudo apt install nvidia-driver-535 # Ubuntu/CentOS 根据版本调整驱动号

sudo reboot

nvidia-smi # 验证

• macOS: 仅部分型号支持 CUDA，建议使用云服务器或 Windows/Linux。

步骤 2：安装 CUDA Toolkit

• 访问 CUDA Toolkit 官网，选择与深度学习框架兼容的版本（如 PyTorch 2.x 推荐 CUDA 12.x）。
• Windows:

O 下载 .exe 文件，双击安装（默认路径为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x）。

• Linux:

bash

wget https://developer.download.nvidia.com/compute/cuda/12.x.x/local_installers/cuda_12.x.x_535.86.10_linux.run

sudo sh cuda_12.x.x_*.run

• 添加环境变量（所有系统）:

bash

# Windows: 添加到系统环境变量 PATH

# Linux/macOS: 添加到 ~/.bashrc 或 ~/.zshrc

export PATH=/usr/local/cuda-12.x/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda-12.x/lib64:$LD_LIBRARY_PATH

步骤 3：安装 cuDNN

1. 下载 cuDNN（需与 CUDA 版本匹配）。
2. Windows:

O 解压 cuDNN 压缩包，将 bin、include、lib 文件夹内容复制到 CUDA 安装目录（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x）。

3. Linux/macOS:

bash

tar -xzvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz

sudo cp cuda/include/* /usr/local/cuda-12.x/include/

sudo cp cuda/lib64/* /usr/local/cuda-12.x/lib64/

四、创建 Python 虚拟环境

1. 使用 Conda 创建环境

bash

conda create -n py39 python=3.9 # 创建名为 py39 的 Python 3.9 环境

conda activate py39 # 激活环境

2. 安装深度学习框架（GPU 版）

O PyTorch（访问 官网 获取最新命令）:

bash

conda install pytorch torchvision torchaudio pytorch-cuda=12 -c pytorch -c nvidia

O TensorFlow:

bash

conda install -c conda-forge tensorflow-gpu=2.13 # 根据 CUDA 版本调整

3. 验证 GPU 是否可用

python

import torch

print(torch.cuda.is_available()) # 输出 True 即成功

import tensorflow as tf

print(
tf.config.list_physical_devices('GPU')) # 显示 GPU 信息

五、常见问题解决

1. CUDA 版本不兼容:

O 检查深度学习框架支持的 CUDA 版本，重新安装匹配的 CUDA 和 cuDNN。

2. 环境变量未生效:

O 重启终端或运行 source ~/.bashrc（Linux/macOS）。

3. GPU 驱动问题:

O 更新驱动或使用 conda install cudatoolkit=11.8（通过 Conda 管理 CUDA）。

六、总结

• CPU 环境：适合轻量级计算，安装简单。
• GPU 环境：需额外配置 CUDA/cuDNN，适合深度学习训练。
• 建议使用虚拟环境隔离不同项目依赖。

提示: 2024 年软件版本可能更新，请以 PyTorch 和 TensorFlow 官网为准。