零基础深度学习环境搭建：基于百度云盘的Python3.10+CUDA12.1全攻略

刚接触深度学习的新手往往会被环境配置劝退——复杂的命令行操作、网络下载速度限制、版本兼容性问题，每一个环节都可能成为拦路虎。本文将提供一种 完全基于百度云盘资源 的解决方案，即使在没有稳定外网的环境下，也能顺利完成从Python解释器到CUDA驱动再到PyTorch库的完整配置。整个过程无需复杂命令输入，所有操作均通过图形界面完成，特别适合Windows平台下的零基础用户。

1. 环境准备与资源获取

1.1 下载必备安装包

首先需要准备以下三个核心组件（所有资源均已上传至百度云，提取码统一为Coco）：

• Python 3.10.11安装包
  链接：https://pan.baidu.com/s/1Hbu4xgJAXw52MEgppMJvHA
  文件大小：约25MB

• CUDA 12.1 + PyTorch整合包
  链接：https://pan.baidu.com/s/1IeDuP5C2KqWtwitj3NcPJw
  文件大小：约1.8GB（压缩包）

提示：建议将所有下载内容存放在同一目录下，例如 F:\DL_Setups\ ，方便后续管理。

1.2 创建专用安装目录

为避免系统权限问题，推荐在非系统盘（如D盘、E盘、F盘）创建专用文件夹：

F:\
├── python3.10/
│   └── 0/          # Python主安装目录
└── cuda_packages/  # 临时存放解压文件

2. Python解释器安装详解

2.1 标准安装流程

1. 运行下载的 python-3.10.11-amd64.exe 安装程序
2. 勾选 Add Python 3.10 to PATH （关键步骤！）
3. 选择自定义安装路径： F:\python3.10\0\
4. 等待安装完成（约2-3分钟）

2.2 验证安装成功

打开命令提示符（Win+R输入cmd），执行以下命令：

python --version
# 应返回：Python 3.10.11

pip list
# 应显示已安装的基础包列表

3. CUDA与PyTorch集成方案

3.1 解压整合包的特殊处理

1. 将下载的 python3.10.rar 解压到 F:\cuda_packages\
2. 解压后会得到以下目录结构：

F:\cuda_packages\
└── python3.10/
    ├── Lib/        # 预装PyTorch及其依赖
    ├── Scripts/
    └── ...         # 其他Python运行时文件

3. 关键操作 ：将解压得到的 python3.10 文件夹整体剪切到 F:\ ，覆盖原有目录

3.2 CUDA 12.1安装要点

1. 进入 F:\python3.10\cuda\ 目录
2. 右键以管理员身份运行 cuda_12.1.0_531.14_windows.exe
3. 安装过程中注意：
   • 选择 自定义安装
   • 取消勾选 NVIDIA GeForce Experience （非必要组件）
   • 保持默认安装路径： C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\

3.3 cuDNN配置步骤

1. 进入 F:\python3.10\cudnn\ 目录
2. 复制以下文件到CUDA安装目录：
   • bin\cudnn64_8.dll
   • include\cudnn*.h
   • lib\x64\cudnn*.lib

目标路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\

4. 环境验证与问题排查

4.1 CUDA功能测试

打开命令提示符（管理员权限），依次执行：

cd "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite\"
bandwidthTest.exe
deviceQuery.exe

正常情况应看到两个测试均显示 Result = PASS 。

4.2 PyTorch GPU支持验证

新建Python脚本或直接在IDLE中输入：

import torch
print(f"PyTorch版本：{torch.__version__}")
print(f"CUDA可用：{torch.cuda.is_available()}")
print(f"当前设备：{torch.cuda.get_device_name(0)}")

预期输出示例：

PyTorch版本：2.0.1+cu121
CUDA可用：True
当前设备：NVIDIA GeForce RTX 3060

4.3 常见问题解决方案

问题现象	可能原因	解决方法
torch.cuda.is_available() 返回False	1. 驱动版本不匹配 2. 环境变量未生效	1. 更新显卡驱动 2. 重启系统
运行时报 DLL load failed	cuDNN配置错误	检查cudnn64_8.dll是否在CUDA的bin目录
Python无法识别	PATH未正确设置	重新安装Python并勾选Add to PATH

5. 开发环境配置建议

5.1 PyCharm专业版配置

1. 新建项目时选择 Existing interpreter
2. 指定解释器路径： F:\python3.10\0\python.exe
3. 创建测试文件运行GPU验证代码

5.2 Jupyter Notebook集成

安装Jupyter并创建快捷启动方式：

pip install jupyter
python -m notebook --generate-config

在开始菜单创建快捷方式，目标位置填写：

"F:\python3.10\0\python.exe" -m notebook

6. 性能优化与进阶设置

6.1 环境变量优化配置

在系统环境变量中添加以下路径（控制面板→系统→高级系统设置）：

CUDA_PATH = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1
PATH中添加：
- %CUDA_PATH%\bin
- %CUDA_PATH%\libnvvp
- F:\python3.10\0\
- F:\python3.10\0\Scripts\

6.2 多版本Python共存方案

如需同时维护多个Python版本，推荐使用 py 启动器：

# 列出所有已安装版本
py -0

# 使用特定版本运行脚本
py -3.10 your_script.py

6.3 虚拟环境管理

虽然本方案已包含完整环境，但仍建议为不同项目创建独立环境：

python -m venv F:\projects\env1
F:\projects\env1\Scripts\activate

7. 深度学习入门验证

最后通过一个简单的张量运算验证环境完整性：

import torch

# 创建GPU张量
x = torch.rand(5, 3).cuda()
print(x)

# 矩阵乘法运算
y = torch.rand(3, 5).cuda()
z = torch.mm(x, y)
print(f"矩阵乘法结果（GPU加速）：\n{z}")