个人CNN学习记录之python环境下搭建

---

---

前言

本文主要介绍CNN学习过程中针对python和pytorch的环境搭建，正好最近也在同步研究claude code，于是决定将这个活交给大模型，看他干的咋样。claude code的搭建参考我之前写的博客。https://blog.csdn.net/zskyone/article/details/159246710?spm=1001.2014.3001.5502

---

一、提需求

给claude code发布需求：
我想在当前的wsl搭建pytorch的环境，跑的demo在xxxx路径下，请帮我安装好环境，并把整个的安装步骤整理成markdown文件给我。并告诉我怎么运行demo，举个例子。

整个过程花费了3毛钱，让我们来看看3毛钱的成果

二、生成结果

PyTorch 环境搭建指南

系统环境

• 操作系统: WSL2 (Windows Subsystem for Linux)
• GPU: NVIDIA GeForce RTX 4060
• CUDA 版本: 12.7 (驱动支持)
• Python: 3.10.9 (Miniconda3)

---

一、环境安装步骤

1. 安装 Miniconda（如果尚未安装）

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

# 安装
bash Miniconda3-latest-Linux-x86_64.sh

# 重新加载配置
source ~/.bashrc

2. 创建 PyTorch 虚拟环境

# 创建新环境 (Python 3.10)
conda create -n pytorch_env python=3.10 -y

# 激活环境
conda activate pytorch_env

3. 安装 PyTorch（GPU 版本）

说明: nvidia-smi 显示的 CUDA 12.7 是驱动支持的最高版本，驱动向下兼容。
PyTorch 官方目前提供 CUDA 11.8 和 12.1 版本，选择 ≤ 驱动版本 的即可。

# 推荐：CUDA 12.1 版本（兼容 CUDA 12.7 驱动）
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

# 或者 CUDA 11.8 版本（更广泛的兼容性）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

# 或者使用 pip 安装
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

4. 安装其他依赖

pip install matplotlib tqdm pillow opencv-python

5. 验证安装

python -c "import torch; print(f'PyTorch: {torch.__version__}'); print(f'CUDA available: {torch.cuda.is_available()}')"

---

二、当前环境状态

你已经有可用的 PyTorch 环境：

项目	版本
环境名称	pytorch_1.12.1
PyTorch	1.12.1
CUDA	11.3
GPU	RTX 4060 (8GB)

---

三、运行 Demo 示例

示例 1: LeNet 官方 Demo (CIFAR10)

# 进入项目目录
cd /mnt/d/deep-learning/deep-learning-for-image-processing-master/deep-learning-for-image-processing-master/pytorch_classification/Test1_official_demo

# 激活环境
conda activate pytorch_1.12.1

# 首次运行需要下载数据集，将 train.py 中的 download=False 改为 download=True
# 或者手动下载后放入 ./data 目录

# 运行训练
python train.py

# 运行预测
python predict.py

示例 2: ResNet 花分类模型

# 进入 ResNet 目录
cd /mnt/d/deep-learning/deep-learning-for-image-processing-master/deep-learning-for-image-processing-master/pytorch_classification/Test5_resnet

# 激活环境
conda activate pytorch_1.12.1

# 需要先下载花分类数据集
# 数据集下载说明: ../data_set/README.md

# 训练模型
python train.py

# 预测
python predict.py

---

四、常用命令速查

# 查看所有 conda 环境
conda env list

# 激活环境
conda activate pytorch_1.12.1

# 退出环境
conda deactivate

# 查看 GPU 状态
nvidia-smi

# 实时监控 GPU
watch -n 1 nvidia-smi

---

五、项目目录结构

pytorch_classification/
├── Test1_official_demo/    # LeNet 官方 Demo (CIFAR10)
├── Test2_alexnet/          # AlexNet
├── Test3_vggnet/           # VGGNet
├── Test4_googlenet/        # GoogLeNet
├── Test5_resnet/           # ResNet
├── Test6_mobilenet/        # MobileNet
├── Test7_shufflenet/       # ShuffleNet
├── Test8_densenet/         # DenseNet
├── Test9_efficientNet/     # EfficientNet
├── Test10_regnet/          # RegNet
├── Test11_efficientnetV2/  # EfficientNetV2
├── swin_transformer/       # Swin Transformer
├── vision_transformer/     # Vision Transformer
├── MobileViT/              # MobileViT
├── ConvNeXt/               # ConvNeXt
└── ...

每个子目录通常包含：

• model.py - 模型定义
• train.py - 训练脚本
• predict.py - 预测脚本

---

六、快速开始（一行命令）

cd /mnt/d/deep-learning/deep-learning-for-image-processing-master/deep-learning-for-image-processing-master/pytorch_classification/Test1_official_demo && source ~/miniconda3/etc/profile.d/conda.sh && conda activate pytorch_1.12.1 && python train.py

---

七、注意事项

1. 数据集下载: 首次运行需要下载对应数据集（如 CIFAR10、花分类数据集）
2. GPU 内存: RTX 4060 有 8GB 显存，可根据情况调整 batch_size
3. 路径问题: Windows D 盘在 WSL 中挂载为 /mnt/d/

---

---

八、常见问题解决

1. NumPy 版本兼容性问题

如果遇到 RuntimeError: Numpy is not available 错误：

conda activate pytorch_1.12.1
pip install "numpy<2.0"

2. CUDA 相关问题

如果遇到 CUDA 内存不足，可以减小 batch_size：

# 在 train.py 中修改
train_loader = torch.utils.data.DataLoader(train_set, batch_size=16, ...)  # 原来是 36

---

九、运行示例截图

训练输出

[1,   500] train_loss: 1.713  test_accuracy: 0.446
[1,  1000] train_loss: 1.420  test_accuracy: 0.513
[2,   500] train_loss: 1.195  test_accuracy: 0.594
...
[5,  1000] train_loss: 0.818  test_accuracy: 0.697
Finished Training

预测使用

# 准备一张测试图片，命名为 1.jpg 放到目录下
python predict.py
# 输出: cat, dog, plane 等类别

---

三、生成过程分析

全程监测了AI的运行过程中，AI查看了我的wsl操作系统版本，wsl下的python、conda版本，GPU的CUDA版本，并根据环境下载了对应的conda版本，pytorch版本，还进行了训练推理测试，严谨。简单的工作完全可以胜任。

四、运行测试

按照测试方法运行训练没问题

网上下载猫咪图像进行预测没问题

五、windows环境测试

教学视频中推荐使用pycharm，但我用的不是Professional版本，没办法直接配置wsl编译运行环境，因此在windows环境下也安装了python环境，用于和pycharm搭配使用。
环境搭建：

1. 下载并安装 Miniconda

  打开浏览器访问：

  https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe

	
  下载后双击安装，一路 Next 即可。

2. 打开 Anaconda Prompt

  安装完成后，从开始菜单打开 Anaconda Prompt

3. 创建 PyTorch 环境

  # 创建虚拟环境
  
  conda create -n pytorch_env python=3.10 -y

  # 激活环境
  conda activate pytorch_env

4. 安装 PyTorch (GPU 版本)

  conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

5. 验证安装

  python -c "import torch; print(f'PyTorch: {torch.__version__}'); print(f'CUDA: {torch.cuda.is_available()}')"

  #### 6. 安装其他依赖

  pip install matplotlib tqdm pillow opencv-python

  ---
  PyCharm 配置（安装完成后）

---

总结

OK，good。AI什么时候淘汰我呢？让子弹飞一会~