Python+PyCharm+PyTorch CPU版深度学习环境安装指南

1. 先想清楚：为什么是 Python + PyCharm + PyTorch CPU 版

我接触过不少刚入门深度学习的朋友，卡住他们的往往不是反向传播、卷积这些概念，而是最前面这一步——环境搭不起来。今天就围绕深度学习环境完整安装(Python+Pycharm+Pytorch cpu版)这个主题，把我这几年在一台台机器上重复折腾了十几遍的流程，完整地拆开讲一遍。这套组合适合三类人：零基础想入门深度学习的学生、手头只有普通笔记本没有独立显卡的开发者、以及需要在一台干净机器上快速跑起一个验证脚本的工程人员。为什么强调 CPU 版，因为不是每个人都有能用的独立显卡，而 CPU 版 PyTorch 在跑小规模模型、验证代码逻辑、做课程作业这些场景下完全够用，安装过程还省去了显卡驱动、CUDA 工具链这一大堆最容易出问题的环节。

我个人的一个判断是：初学阶段最怕的不是跑得慢，而是根本跑不起来。你拿一块高端显卡去装 GPU 版，光驱动版本和 CUDA 版本对应关系就够你查半天，一个不匹配就是一行报错。而 CPU 版的安装链路短、依赖少、报错信息也干净，特别适合用来把“从写代码到看结果”这个闭环先打通。等这套流程你闭着眼都能走一遍了，再升级到 GPU 版就是水到渠成的事，因为那时候你对虚拟环境、包管理、解释器绑定这些底层概念已经心里有数了。

所以这篇文章的目标很明确：让你在一台全新的机器上，从零把 Python、PyCharm、PyTorch（CPU 版）这条链路完整跑通，并且知道每一步为什么要这么做、坑在哪里、出错了怎么查。下面我会按“选型思路 → 分步实操 → 验证跑通 → 问题排查”的顺序展开，每一步都尽量给出可复制的路径和参数。

1.1 CPU 版和 GPU 版的真实差距在哪里

很多人对 CPU 版有误解，觉得 CPU 版就是“残废版”。这个说法要分场景看。深度学习里绝大部分运算本质上是矩阵乘法和卷积，这类运算在 GPU 上因为几千个并行核心同时开工，确实能比 CPU 快几十倍甚至上百倍。但这里有个前提：只有当模型参数量足够大、数据量足够多、batch size 足够大的时候，GPU 的并行优势才能充分发挥。如果你只是跑一个几百个参数的小网络、或者在做一个手写数字识别的练习，瓶颈往往在数据加载和 Python 解释器本身的开销上，这时候 GPU 和 CPU 的差距会被大幅压缩，有时候甚至感觉不到明显区别。

我在一台普通轻薄本上用 CPU 跑 MNIST 做了一个简单对比，一个两层卷积加两层全连接的小网络，训练 5 个 epoch，全程大概几分钟。这个速度用在学习和验证上完全可以接受，你完全可以边看结果边调参数。真正需要 GPU 的场景是：你要训练稍微像样的模型、要处理图像或文本的较大数据集、要做迁移学习微调预训练模型。这种时候 CPU 版会让你等到怀疑人生。所以我的建议是，先 CPU 版把流程和代码逻辑练熟，等确认真要往深里走了，再考虑添置设备或者用带显卡的机器，不要在还没写几行代码的时候就在硬件上纠结太久。

还有一个容易被忽略的点：CPU 版和 GPU 版的代码在绝大多数情况下是同一套。你写的模型定义、训练循环、数据管道，只要不硬编码.cuda()，换到 GPU 机器上基本就是改一行device变量的事。也就是说，你现在用 CPU 版学的东西，百分之九十以上可以直接迁移到 GPU 环境，不会浪费。

1.2 三个组件各自扮演什么角色

这套组合里三个东西分工很清晰，理解了分工，后面每一步的意图就自然明白了。Python 是语言运行时，负责执行你写的所有代码，它本身只是一个解释器和标准库，不具备任何深度学习能力。PyTorch 是深度学习框架，它是一个安装到 Python 环境里的第三方库，提供了张量运算、自动求导、神经网络层、优化器这一整套工具，你可以理解成“一堆帮你实现数学运算和模型训练的代码集合”。PyCharm 是集成开发环境，它负责让你舒服地写代码、管理项目、运行调试，本质上它是在背后调用 Python 解释器来执行你的脚本，它自己不参与任何计算。

这里最容易让人困惑的是 PyCharm 和 Python 的关系。很多新手以为装了 PyCharm 就等于有了 Python，其实不是。PyCharm 只负责“管理和调用”，真正执行代码的始终是那个独立的 Python 解释器。所以你会看到后面有一个关键步骤叫“给项目绑定解释器”，本质就是告诉 PyCharm：“去用这个路径下的 Python 来跑我的代码。”没绑定对，就会出现你明明装了某个库，PyCharm 里却提示找不到的诡异情况——因为 PyCharm 用错了 Python，你装的库在另一个 Python 里。

提示：不要把 Python、PyCharm、PyTorch 三个东西的安装顺序搞混。正确顺序是 Python → PyCharm → PyTorch。PyTorch 必须装在 Python 环境里，PyCharm 只是最后用来指挥它们干活的。

2. Python 安装：版本选择和 PATH 这一步千万别踩坑

Python 是整条链路的地基，这一步没搞好，后面全白搭。我见过太多问题最后追根溯源都是 Python 装得不干净导致的：装了多个版本互相打架、PATH 没配上导致命令行里敲 python 没反应、或者用了一个太新的版本结果某些库还没适配。

2.1 到底该选哪个 Python 版本

先说结论：不要盲目追最新版，选一个当前主流、生态适配完善的稳定版本。深度学习的各个库对 Python 版本的跟进是有延迟的，某个新版本刚发布时，一些科学计算相关的包可能还没有对应的预编译 wheel，你装的时候就得现场编译，那过程能让你崩溃。我一般会选发布一年左右、社区反馈稳定的版本，这个时间点上主流库的适配基本都跟上了。

对 Windows 用户来说，安装包从 Python 官网下载即可，注意勾选那个“Add Python to PATH”的复选框，这是安装向导里最重要的一步。很多人安装时一路下一步，把这个勾选漏了，结果命令行里敲python提示“不是内部或外部命令”，然后又得手动去配环境变量，平白多走一段弯路。如果你是 macOS 用户，系统自带的是 Python 2 的老版本或者根本没有，建议用官方安装包装一个新的，别去动系统自带的那个，系统有些工具依赖它，乱动容易出问题。Linux 用户相对来说简单，大多数发行版自带 Python，但同样建议装一个独立的版本用于开发，把系统自带的和开发用的分开。

2.2 安装过程和验证方法

下载好安装包之后，Windows 上的操作流程大概是：双击运行，第一屏务必勾选“Add Python to PATH”，然后选择“Install Now”或者自定义安装路径。自定义路径的话我建议路径里不要有中文和空格，比如放在D:\Python\这种简单路径下，因为空格和中文在后续某些工具处理路径时容易出幺蛾子，这是个说不清道不明但真实存在的坑。

安装完成后，必须验证。打开命令行（Windows 上按 Win+R 输入 cmd，macOS 和 Linux 打开终端），输入两个命令来确认：

python --version pip --version

如果第一条命令能输出你安装的版本号，第二条能输出 pip 的版本号，说明 Python 装好并且 PATH 配对了。如果提示找不到命令，先别急着重装，大概率是 PATH 的问题。Windows 上可以在“系统属性 → 高级 → 环境变量”里检查用户变量和系统变量里的 Path，看有没有 Python 的安装目录和它下面的 Scripts 目录。这两个都要有，缺一个就会出现python能用但pip不能用的怪问题。

macOS 和 Linux 上如果系统里存在多个 Python，可能需要用python3和pip3来区分，这个要看你安装的时候有没有建立 python 这个软链接。我的习惯是每次都明确用python还是python3，避免歧义。

注意：如果你之前装过 Python 但卸载过，重装前建议去安装目录和用户目录下清理一下残留的pip缓存和旧的环境变量，残留是导致各种奇怪问题的常见原因。

2.3 一个小验证：确认 pip 能正常装包

Python 装好之后，顺手验证一下 pip 能不能真正装包，这样能把网络和权限问题提前暴露出来。随便装一个小而干净的包试试，比如：

pip install requests

如果进度条正常跑完、最后显示Successfully installed，说明 pip 和网络都没问题。如果卡住不动或者报连接超时，那就是网络访问源的问题，这时候可以配置一下镜像源来加速。国内常用的镜像源配置方式是在 pip 配置文件里指定，或者在命令里临时加参数：

pip install requests -i https://pypi.tuna.tsinghua.edu.cn/simple

这个镜像源的原理很简单：pip 默认去国外的官方仓库拉包，跨境访问不稳定，换成国内镜像就是把下载地址指到一个国内同步的仓库上，速度和成功率都会好很多。这个配置对后面的 PyTorch 安装尤其重要，因为 PyTorch 的安装包体积不小，用默认源下载经常中途断掉。

如果这一步验证通过了，Python 这块就基本稳了，可以进入下一步。

3. PyCharm 安装与解释器绑定：新手最容易败在这里

PyCharm 是 JetBrains 出品的 Python 集成开发环境，社区版免费，专业版功能更多但需要授权。对深度学习入门来说，社区版完全够用，我一直在用社区版，从来没觉得缺什么关键功能。

3.1 社区版够不够用，怎么选

先回答那个每个人都想知道的问题：社区版和专业版到底差在哪，入门要不要上专业版。简单说，专业版主要在远程开发、数据库工具、Web 框架支持、科学计算工具的深度集成这些方面多一些能力，而这些对纯写深度学习脚本的初学者来说，基本用不上。社区版支持完整的编辑、调试、运行、版本控制、虚拟环境管理功能，你要写模型、跑训练、看输出，社区版一点不虚。

所以我的建议很直接：入门就用社区版，免费、安装包小、启动也快。等你以后真的需要在远程服务器上开发、或者需要那几个专业功能了再考虑。安装过程也很简单，官网下载对应系统的安装包，双击运行，一路下一步即可。中间有一个选项问你要不要关联.py文件、要不要添加到右键菜单，建议都勾上，方便后续直接右键打开文件。

Windows 上安装路径同样建议避开中文和空格，跟 Python 一个道理。macOS 上就是拖进应用程序目录，Linux 上通常从官网下 tar.gz 解压后运行启动脚本，或者用 snap 安装。装完之后第一次启动会让你选主题、设置快捷键方案，这些按自己喜好来就行，不影响后面。

3.2 PyCharm 和 Python 的绑定，是整个环节的关键

这是我见过新手翻车最多的地方。你把项目在 PyCharm 里打开，写了一段代码，点了运行，结果报错说找不到某个库，但你刚才明明在命令行里用 pip 装过了。这种情况九成九是因为PyCharm 用的 Python 和你命令行里的 Python 不是同一个。

PyCharm 在创建项目的时候会问你要用哪个解释器，这时候一定要注意看清楚路径。我的建议是先在命令行里用下面的命令确认一下当前用的 Python 在哪：

python -c "import sys; print(sys.executable)"

这个命令会打印出当前 Python 解释器的完整路径，把这个路径记住。然后在 PyCharm 里创建项目时，选择“已存在的解释器”，手动指定到这个路径。这样就能保证命令行装好的包，PyCharm 里能直接用。

绑定好之后，PyCharm 右下角会显示当前解释器的名字和版本，你可以点开它查看已经安装的包列表。如果能看到你之前用 pip 装的那些包，就说明绑定对了。这个习惯我建议一直保持：装完任何包，先到 PyCharm 的解释器设置里看看能不能看到它，比反复试运行要高效。

3.3 第一次配置的几个顺手设置

PyCharm 装好之后有几个设置我每次都会调，调完体验会顺畅很多。第一是字体和字号，看代码看得舒服比什么都重要；第二是自动导入，把 Python 相关的自动导入提示开上，写torch.的时候能自动补全模块；第三是把代码检查的黄绿波浪线提示调到一个合理的级别，新手容易被满屏的警告吓到，其实很多是无害的提示。

还有一个实用功能是“运行配置”。第一次运行脚本时，PyCharm 会问你要不要保存运行配置，保存之后以后点那个绿色三角就是按固定配置跑，包括工作目录、环境变量这些。工作目录这个参数有讲究：如果你的代码里用了相对路径读取数据文件，而工作目录不对，就会报文件找不到。所以养成习惯，把工作目录设成项目根目录，数据和代码都基于这个根目录来引用，能避免很多路径问题。

到这一步，你已经有了一个能写能跑 Python 的编辑器环境，接下来就是把最重要的深度学习库装进去。

4. PyTorch CPU 版安装：虚拟环境是必须的

PyTorch 的安装，我强烈建议不要直接装在全局 Python 环境里，而是给每个项目单独建一个虚拟环境。虚拟环境这个概念听起来吓人，其实就是给项目划一块独立的、只有它自己能用的库空间。这样不同项目之间用到的库版本互相隔离，不会打架。

4.1 为什么要用虚拟环境

我刚开始学的时候也觉得虚拟环境是多此一举，直接全局装多省事。结果就是：A 项目需要一个库的 1.0 版本，B 项目需要 2.0 版本，全局只有一个位置，你装了 A 的版本，B 就跑不了，来回重装能把自己折腾疯。更严重的是，当你把某个核心库升级后，可能会连带影响其他库的依赖，导致本来好好的项目突然跑不动了，而你还想不起来自己动过什么。

虚拟环境解决的正是这个问题。你为每个项目创建独立环境，项目 A 的环境里装 1.0，项目 B 的环境里装 2.0，互不干扰。删掉项目直接把环境文件夹删了就行，干净利落。对深度学习这种依赖链复杂、版本要求又比较敏感的领域来说，虚拟环境几乎算是标配。Python 自带的venv模块就够用，不需要额外装工具。

创建和激活虚拟环境的命令大概是这样：

# 在项目目录下创建虚拟环境，名字叫 venv python -m venv venv # Windows 激活 venv\Scripts\activate # macOS / Linux 激活 source venv/bin/activate

激活之后，命令行的开头会出现(venv)这样的标记，表示当前所有 pip 操作都只在这个环境里生效。这一步确认好了，后面装 PyTorch 才不会污染全局。在 PyCharm 里新建项目时也可以直接选择“新建虚拟环境”，这样编辑器会自动帮你创建并绑定，省去手动命令行的步骤，两种方式都可以，手动一遍能帮助你理解背后的机制。

4.2 安装 PyTorch 的正确姿势

现在是重头戏。PyTorch 的官网有一个安装命令生成器，你选好系统、包管理方式、Python 版本、计算平台（选 CPU），它就会给你一条现成的命令。我强烈建议从官网生成命令，不要凭记忆手写，因为它的包名和索引地址是特定格式，写错了会装到奇怪的东西或者报错。

CPU 版的安装命令大致是这个形态（具体版本号以官网当前生成为准）：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

这里解释一下这三个包的分工。torch是核心库，张量、自动求导、神经网络都在里面；torchvision是计算机视觉相关的工具包，包含常用数据集、预训练模型和图像变换工具；torchaudio是音频处理相关。入门阶段你至少需要前两个，第三个顺手一起装也不占多少事。命令最后的--index-url参数就是把安装源指向 PyTorch 官方的 CPU 包仓库，确保装的是纯 CPU 版本而不是带 CUDA 的版本。

安装过程会很慢，因为包体积不小。这时候前面配置的镜像源思路就能帮上忙，但要注意 PyTorch 的包不一定在所有国内镜像上都有 CPU 版的最新同步，所以如果镜像源里找不到或者版本对不上，就老老实实用官方源慢慢等。我个人的经验是：这种大包安装，找一个网络稳定的时间一次装完，别装一半断了再重来，中断的安装有时会留下损坏的缓存，反而更麻烦。

提示：安装完成后，用pip list看一眼，确认 torch、torchvision、torchaudio 三个都在列表里，且版本号符合预期。如果只有 torch 没有另外两个，说明命令没执行完整，补装即可。

4.3 安装后的验证，三步确认

装完不能光看命令成功就完事，一定要做验证。我习惯用三段式验证，能层层确认装的东西是否真的可用。

第一段，确认能导入并且看版本：

import torch print(torch.__version__) print(torch.cuda.is_available())

第二行会输出False，这是正常的，因为装的是 CPU 版，没有 CUDA 支持。如果这里报错说没有 cuda 模块，也别慌，CPU 版本本来就不依赖它，能正常打印版本号就说明导入成功了。

第二段，确认张量运算正常：

import torch x = torch.tensor([[1.0, 2.0], [3.0, 4.0]]) y = torch.tensor([[5.0, 6.0], [7.0, 8.0]]) print(x + y) print(torch.matmul(x, y))

能看到正确的矩阵加法和乘法结果，就说明核心运算没问题。

第三段，确认能定义一个最简单的网络并跑一次前向：

import torch import torch.nn as nn model = nn.Sequential( nn.Linear(10, 20), nn.ReLU(), nn.Linear(20, 1) ) out = model(torch.randn(4, 10)) print(out.shape)

输出形状应该是(4, 1)。这三步都通过，你的 PyTorch 环境就是真正可用的了，而不是“装上了但用不了”的状态。

5. 环境跑通验证：从张量到第一个能训练的小网络

装完只是开始，要让这套环境真正为你所用，得跑一个完整的训练流程。我一般用经典的 MNIST 手写数字识别来做这个验收，原因很实在：数据小、内置在 torchvision 里自动下载、几分钟就能跑完、还能完整覆盖数据加载、模型定义、训练、评估这条链路。

5.1 数据准备和加载器的写法

MNIST 通过 torchvision 可以一行代码加载，关键是理解DataLoader是干什么的。它负责把整个数据集按 batch 分批、随机打乱顺序、后台并行读取，让训练循环每次只处理一小批数据。对 CPU 环境来说，num_workers这个参数设置要谨慎，Windows 上设成大于 0 有时会因为多进程机制出问题，我建议先用 0，稳定了再试着调。batch size 设成 64 或者 128 都可以，CPU 上别设太大，内存和速度都吃不消。

数据下载那一步如果卡住，多半是网络问题，可以从网上找现成的数据集文件手动放到指定目录，torchvision 检测到文件已存在就不会重复下载。这个技巧在数据量大、网络不稳的时候特别有用。

5.2 一个最小可用的卷积网络

我写一个极简的 CNN，两层卷积两层全连接，结构上足够说明问题，又不会太复杂。核心要点是搞清楚每一层的输入输出维度怎么衔接：卷积层输出的是多通道的特征图，进入全连接层之前要先用flatten展平成一维向量，而展平后的维度要和全连接层的输入维度对上，这是新手最容易算错、也最容易报错的地方。如果报维度不匹配的错误，八成就是这里没对上。

训练循环里有几个固定动作：清零梯度、前向传播、计算损失、反向传播、更新参数。这五步是 PyTorch 训练的标准骨架，我从入门到现在写的大部分训练代码都是这个结构。损失函数用交叉熵，优化器用 Adam，学习率从 0.001 起步，这些都是分类任务的常规配置。

5.3 在 CPU 上的实际表现和观察

跑起来之后，你会看到每个 epoch 的耗时和 loss 变化。CPU 上第一个 epoch 会慢一些，因为要加载数据、初始化各种东西，后面会稳定下来。观察 loss 是不是在下降、准确率是不是在上升，这是判断代码写没写对的最简单标准。如果 loss 一直不动或者变成 NaN，那就要回头检查学习率是不是太大、数据处理是不是有问题。

我这里想强调一个心态问题：CPU 上训练慢，不要急着换设备，先确认你的代码逻辑是对的。环境搭建和代码正确性，跟硬件快慢是两码事。你能用 CPU 把一个小网络正确训练到收敛，就说明整条链路你都掌握了，剩下的只是速度差异。这个阶段积累的信心和方法，比省下来的那点训练时间值钱得多。

6. 常见问题排查与踩坑经验

讲完了流程，最后这部分是我觉得最有价值的地方，因为这些坑不是教程里会写的，都是我自己一次次撞出来的。

6.1 高频问题速查表

表格里每一条我都亲身遇到过，其中解释器不一致和维度不匹配这两条，新手撞上的频率最高。解释器那条尤其隐蔽，因为你明明在命令行验证过库能用，到了编辑器里就不行，很容易怀疑人生。

6.2 几条教程不会写的经验

第一条经验关于虚拟环境。我现在的习惯是每个项目一个独立虚拟环境，绝不偷懒。早期图省事全局装，后来环境一乱，排查问题的时间比建十个虚拟环境加起来还多。建环境的成本很低，命令行一行命令，或者 PyCharm 里点几下，但这个习惯能帮你省下大量“这库怎么突然用不了了”的困惑时间。

第二条经验关于版本记录。装完环境之后，我会导出一份依赖清单：

pip freeze > requirements.txt

这个文件记录了当前环境所有包的精确版本。好处是，当你换了机器、或者把项目分享给别人，直接pip install -r requirements.txt就能复刻一个完全一样的环境，不会出现“在我这能跑在你那报错”的经典问题。养成这个习惯，对以后协同开发帮助极大。

第三条经验关于报错信息。新手看到红色报错容易慌，其实大部分报错的最后一行才是真正的关键。看报错要倒着看，先看最后一行的错误类型和信息，再往上追溯是哪一行代码触发的。把这个习惯建立起来，你自己就能解决绝大多数问题，而不是遇到报错就到处问人。

第四条经验关于学习路径。环境搭好之后，不要一头扎进复杂的项目，先找几个小的、能跑通的例子，把数据加载、模型定义、训练循环、评估这个流程反复走几遍，走到你不用查资料就能写出来的程度。深度学习这门东西，动手跑通的收益远大于看视频看教程。我见过太多人收藏了一堆教程却从没真正跑起过一个模型，而真正拉开差距的，就是那条从“环境搭好”到“亲手跑通第一个网络”的路。环境这一关你过了，后面才是真正有趣的部分。