003 开发环境搭建：Python、CUDA、PyTorch与Hugging Face全家桶安装指南

从一次“显卡不干活”的惨案说起

上周帮同事调试一个LLaMA微调脚本，他报错说“显存占用为0但程序跑不动”。我远程一看，nvidia-smi显示显卡驱动正常，torch.cuda.is_available()却返回False。折腾半小时，发现他装PyTorch时用了pip install torch——默认装了CPU版本。这种坑我踩过三次，每次都是因为没仔细看PyTorch官网那行小字：“Select your CUDA version”。

所以这篇笔记，咱们就从最底层的CUDA版本对齐开始，一步步把环境搭成“铁桶阵”。

Python版本：别追新，追稳

大模型开发目前最稳的是Python 3.10。3.11以上有些算子库还没完全适配，3.9以下又缺一些类型注解特性。我习惯用pyenv管理多版本，但如果你刚入门，直接去python.org下载3.10.11安装包就行。

踩坑记录：千万别用系统自带的Python（比如macOS的/usr/bin/python3），版本太老且权限混乱。Windows用户注意安装时勾选“Add Python to PATH”，否则后面pip会找不到。

验证安装：

python3--version# 输出：Python 3.10.11

CUDA与cuDNN：显卡的“方言”必须对齐

先查你的NVIDIA显卡算力。RTX 30系列（安培架构）用CUDA 11.8最稳，RTX 40系列（Ada Lovelace）建议CUDA 12.1。老卡如GTX 10系列用CUDA 11.0也行。

别这样写：直接去NVIDIA官网下载最新CUDA 12.4。我试过，PyTorch当时还没出对应版本，装完torch直接报“CUDA driver version is insufficient”。

我的做法：

1. 打开NVIDIA控制面板 -> 系统信息 -> 组件，看“NVCUDA.DLL”版本号
2. 去PyTorch官网看“Compute Platform”下拉菜单里支持哪些CUDA版本
3. 选一个PyTorch和显卡驱动都支持的版本，比如CUDA 11.8

下载CUDA Toolkit时选“exe(local)”安装包，别选网络安装——国内网络你懂的。安装时取消勾选“Visual Studio Integration”，除非你要写CUDA C代码。

cuDNN更简单：去NVIDIA开发者网站注册后下载对应CUDA版本的cuDNN压缩包，解压后把bin、include、lib文件夹里的文件复制到CUDA安装目录（默认C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8）对应文件夹下。

验证CUDA：

nvcc--version# 输出：Cuda compilation tools, release 11.8, V11.8.89

PyTorch安装：pip还是conda？我选pip

conda虽然能自动处理依赖，但大模型项目经常需要特定版本的torchvision、torchaudio，conda源更新慢。我改用pip后没再遇到版本冲突。

这里踩过坑：直接pip install torch torchvision torchaudio会装CPU版。正确姿势是去PyTorch官网复制带CUDA版本的命令：

# CUDA 11.8版本pipinstalltorch==2.1.0torchvision==0.16.0torchaudio==2.1.0 --index-url https://download.pytorch.org/whl/cu118

注意版本号要对应。我习惯用2.1.0而不是最新的2.2.x，因为很多第三方库（比如bitsandbytes）还没适配新版本。

验证PyTorch：

importtorchprint(torch.__version__)# 2.1.0print(torch.cuda.is_available())# Trueprint(torch.cuda.get_device_name(0))# NVIDIA GeForce RTX 3090

如果torch.cuda.is_available()返回False，检查：

• 显卡驱动版本是否够新（nvidia-smi看Driver Version）
• CUDA版本是否与PyTorch匹配
• 是否装了CPU版（pip list | grep torch看有没有+cpu后缀）

Hugging Face全家桶：transformers + datasets + accelerate + peft

这四个库是大模型开发的标配。我习惯一次性装好，避免后面缺依赖：

pipinstalltransformers datasets accelerate peft

别这样写：pip install transformers后跑代码报错“No module named ‘accelerate’”，又回来补装。一次性装完省心。

transformers是模型加载和推理的核心，datasets处理数据，accelerate负责多卡训练和混合精度，peft做LoRA微调。

验证安装：

fromtransformersimportAutoModel,AutoTokenizerfromdatasetsimportload_datasetfromaccelerateimportAcceleratorfrompeftimportLoraConfig,get_peft_modelprint("All imports successful!")

额外工具：bitsandbytes与flash-attn

如果你要微调大模型（比如LLaMA-7B），这两个库能救命。bitsandbytes做4bit量化，flash-attn加速注意力计算。

这里踩过坑：bitsandbytes在Windows上安装需要编译，直接pip大概率失败。解决方案：

1. 去GitHub Releases下载预编译的whl文件
2. 或者用WSL2（Windows Subsystem for Linux）开发

我目前在Windows上直接用WSL2 + Ubuntu 22.04，所有工具都能原生安装：

# 在WSL2中pipinstallbitsandbytes pipinstallflash-attn --no-build-isolation

flash-attn安装需要CUDA编译器，确保nvcc在PATH中。

环境隔离：虚拟环境是保命符

大模型项目依赖复杂，不同项目可能要求不同版本的PyTorch或transformers。我每个项目都建独立虚拟环境：

python-mvenv llm_envsourcellm_env/bin/activate# Linux/Mac# 或 llm_env\Scripts\activate # Windows

个人经验：虚拟环境名用项目名缩写，比如llama_finetune、chatglm_deploy。别用venv这种通用名，时间长了根本分不清哪个环境对应哪个项目。

最终验证脚本

写一个简单的测试脚本，确保所有组件能协同工作：

importtorchfromtransformersimportAutoModelForCausalLM,AutoTokenizer# 这里踩过坑：第一次跑时忘了加device_map="auto"，模型加载到CPU导致OOMmodel_name="gpt2"# 小模型，适合测试tokenizer=AutoTokenizer.from_pretrained(model_name)model=AutoModelForCausalLM.from_pretrained(model_name,device_map="auto",# 自动分配到GPUtorch_dtype=torch.float16# 半精度节省显存)inputs=tokenizer("Hello, I'm",return_tensors="pt").to("cuda")outputs=model.generate(**inputs,max_length=50)print(tokenizer.decode(outputs[0]))

如果输出一段连贯的英文文本，恭喜你，环境搭建成功。

个人经验性建议

1. 别在系统Python里装任何大模型库。我见过有人直接在/usr/lib/python3里装torch，结果系统包管理器升级时把依赖搞崩了。虚拟环境是底线。

2. CUDA版本宁旧勿新。PyTorch官方支持列表里最老的版本往往最稳定。我现在主力机还是CUDA 11.8，虽然驱动支持12.4，但没必要追新。

3. Windows用户建议装WSL2。虽然PyTorch官方支持Windows，但bitsandbytes、flash-attn这些底层库在Windows上编译困难。WSL2里装Ubuntu，所有问题迎刃而解。

4. 记录每次安装的版本号。我习惯在项目根目录放一个requirements.txt，用pip freeze > requirements.txt生成。下次重装环境直接pip install -r requirements.txt，省去排查版本冲突的时间。

5. 遇到报错先看PyTorch官网的“Installation Troubleshooting”。很多问题（比如CUDA版本不匹配、缺少Visual C++ Redistributable）都有官方解决方案，比搜CSDN效率高。

环境搭建是门手艺活，踩过的坑越多，后面越顺。下一篇咱们用这个环境跑通第一个大模型推理示例，看看GPT-2是怎么生成文本的。