从零开始：为 PyTorch 项目配置专属 Jupyter Notebook 环境

在深度学习项目中一个干净、独立且可复现的开发环境是成功的第一步。本文将详细记录我为“上机练习6 - Transformer”作业从零搭建 PyTorch 环境的全过程希望能帮助大家避开常见的坑。第一步创建专属的 Conda 环境为了避免污染全局 Python 环境base或与其他项目产生依赖冲突我首先创建了一个名为pytorch_env的新环境并指定了 Python 3.11 版本。bash# 在 Anaconda Prompt 中执行 conda create -n pytorch_env python3.11这一步至关重要它为我们后续的所有操作提供了一个干净的“沙盒”。第二步激活环境并安装 PyTorch 全家桶环境创建成功后立即激活它确保所有后续安装都发生在这个隔离的空间内。bashconda activate pytorch_env接着通过官方推荐的命令一次性安装 PyTorch、torchvision、torchaudio 以及本次作业必需的torchtext并指定 CUDA 12.1 以支持我的 RTX 4060 显卡。bashconda install pytorch torchvision torchaudio torchtext pytorch-cuda12.1 -c pytorch -c nvidia此时pytorch_env环境已经具备了运行 Transformer 模型所需的一切。第三步解决 Jupyter Notebook 的“内核迷雾”到这里一切看似顺利。但当我打开 Jupyter Notebook 时却陷入了困惑。菜单里有一个名为Python (RTX 4060 GPU)的内核选项但它在我创建pytorch_env之前就已经存在了。这是一个典型的陷阱这个旧内核指向的是另一个可能是base环境里面根本没有安装torchtext。如果直接使用它代码必然会因找不到包而报错。第四步注册我们的专属内核为了彻底解决混淆问题并让 Jupyter 能够直接使用我们刚刚配置好的pytorch_env我们必须手动将其注册为一个新的 Jupyter 内核。首先确保ipykernel包已安装它是 Jupyter 与 Conda 环境通信的桥梁bashconda install ipykernel -y然后执行注册命令并赋予它一个清晰、无歧义的显示名称bashpython -m ipykernel install --user --name pytorch_env --display-name Python (pytorch_env - HW6)这里的--display-name参数是点睛之笔。一个包含项目信息如- HW6的名字能让我们在未来管理多个项目时一目了然。第五步验证与使用完成注册后重启 Jupyter Notebook 服务。再次打开笔记本文件时在 “Kernel - Change kernel” 菜单中就能看到我们新注册的Python (pytorch_env - HW6)选项。选择它并运行以下验证代码pythonimport torch, torchtext print(fPyTorch: {torch.__version__}, torchtext: {torchtext.__version__}) print(fCUDA available: {torch.cuda.is_available()})当看到正确的版本号和CUDA available: True时就标志着我们的环境配置大功告成总结这次配置经历让我深刻体会到两点环境隔离是王道永远不要在base环境中直接安装项目依赖。内核注册不可少Conda 环境不会自动出现在 Jupyter 中必须手动注册才能无缝使用。通过以上五个步骤我们不仅成功配置了作业所需的环境还建立了一套可复用的最佳实践。希望这篇记录能对你有所帮助