1.3 开发环境对照

1.3 开发环境对照

本节摘要：对照实验的前提是两套框架都能在同一台机器上被导入、做一次张量加法、并报告设备列表。原文要求 Python 3.6 或更高，推荐 Conda 管理环境；TensorFlow CPU 用 pip install tensorflow，PyTorch CPU 示例为 pip install torch torchvision torchaudio。GPU 必须按官方 CUDA 对照安装，本教程不编造具体驱动版本。Jupyter 适合逐步对照单元格，Colab 适合没有本地 GPU 时借一块加速卡。先验证安装，再下载 Fashion MNIST。

你能学到什么

阅读完本节，你应当能够：

1. 说明为何对照学习要用独立虚拟环境，而不是往系统 Python 里混装
2. 复述原文给出的 CPU 安装命令，并解释 GPU 安装不能抄命令、要对表
3. 写出两侧最小验证：导入、打印版本字符串、做一次加法、列出物理 GPU
4. 在 Jupyter 与 Colab 之间按「是否需要本地 GPU、是否需要长期保留数据」做选择

环境是对照的第三套「框架」

两套深度学习库会争依赖：NumPy 大版本、CUDA 运行时、甚至某个间接库的编译选项。把它们直接塞进系统 Python，过几周你会得到一种很难复现的状态——「昨天还能 import，今天某一侧报 DLL」。对照教程对这件事零容忍：每一侧一个环境，或者一个环境里同时装但把版本冻结下来。原文推荐 Anaconda 或 Miniconda，不是因为它们神秘，而是因为「建环境、装科学计算栈、删环境」比手动改系统路径更可逆。

Python 下限按原文写：3.6 或更高。这是当时教程的门槛，不是要你去装 3.6。实践里用发行版当前支持的 3.x 即可，但不要在未经验证的超前版本上同时开两套 GPU 包。本教程不写死小版本号，避免三个月后变成错误文档。

Pip 与 Conda 可以混用，但规则要简单：用 Conda 管 Python 与 CUDA 工具链，用 Pip 装框架本体——或反过来，全程 Pip，但不要两套包管理器轮流升级同一个 NumPy。Windows 上 PyTorch 的 DataLoader 多进程在原文里被点名：num_workers 出问题先改回 0。这不是安装节的主线，但你现在就要知道：环境问题有时会伪装成数据管线问题，第 3.2 节会回头钉死。

⚠️ 常见坑：在一个已经装过旧版 TensorFlow 的环境里再 pip install torch，然后用「能 import」当成成功。真正的成功标准是两侧都能完成一次张量加法，并且 tf.config.list_physical_devices 与 torch.cuda.is_available 的输出符合你的预期（没有 GPU 时应当明确打印 CPU，而不是报错）。

安装命令对照：CPU 可抄，GPU 必须对表

原文把 CPU 路径写得很短，这是好事。TensorFlow：pip install tensorflow，默认 CPU。需要可视化时另装绘图库，原文示例是与 matplotlib 一起装。PyTorch：到官方页面按操作系统、包管理器、Python、CUDA 勾选；CPU 示例命令为 pip install torch torchvision torchaudio。torchvision 不是装饰，第 5 章加载 Fashion MNIST 会用到它的数据集接口；TensorFlow 侧则走 keras.datasets.fashion_mnist，不依赖 torchvision。

GPU 路径不能从教程里抄死命令。驱动、CUDA、cuDNN、框架编译版本四者要对齐，官方用一张表维护，本课若写死某一行，过期后会变成大规模装失败。原则只有三条：先看显卡驱动是否被框架支持；再按官方生成器给出的命令装；最后用设备列表验证，而不是用任务管理器里「好像有占用」验证。没有独立显卡的读者，全程 CPU 即可完成对照，第 5 章的 10 个 epoch 在 Fashion MNIST 上可以接受。

验证代码保持概念性，不要在安装节引入模型。TensorFlow 侧用常量张量相加，并列出物理设备；PyTorch 侧构造两个张量相加，打印 torch.cuda.is_available()。版本字符串用库自带的版本属性打印即可，用来做实验记录，不要在口头交流里把它说成「必须是这个版本才能学本课」。

Colab 的价值是把 GPU 安装从你的电脑上拿走。适合「今晚想看第 5 章两侧曲线、家里没有显卡」的场景。代价是会话结束数据与环境会重置，长期对照笔记更适合本地 Jupyter。Jupyter 的单元格很适合左右对照：一个笔记本里用章节分隔 TF 与 PT，避免在同一单元格混用两套张量对象。混用不是语法禁止，而是心智负担——numpy() 与 .numpy()、.cuda() 与 tf.device 会在疲劳时写错。

图 安装验收门，而不是安装仪式

对照实验的工作习惯

同一台机器上同时保留两套环境时，命名要能看懂：按框架而不是按日期。笔记本文件也不要叫「新建 12」。第 5 章会同时出现 Keras 的像素除以 255.0 与 PyTorch 的 Normalize((0.5,), (0.5,))，预处理不一致会导致你以为「框架准确率差了两个点」，其实只是输入分布不同。环境节就要立规矩：对照实验必须把预处理差异写进笔记第一行。

依赖范围按原文：TensorFlow 侧另需绘图库才能画曲线；PyTorch 侧另需 torchvision 才能用内置 Fashion MNIST。不要提前安装一长串「也许用得到」的扩展，以免对照被无关升级打断。科学计算基础（NumPy）两边都会用到，张量与 NumPy 的互转留到 2.1 节。

# 概念性验证：只确认导入与一次加法，不在这里训练
import tensorflow as tf
a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
print(a + b)
print(tf.config.list_physical_devices())

import torch
x = torch.tensor([1.0, 2.0])
y = torch.tensor([3.0, 4.0])
print(x + y)
print(torch.cuda.is_available())
​

若加法能打印而 GPU 列表为空，对 CPU 读者这是正常验收通过；对「我以为装了 GPU 版」的读者，这是失败，回到官方对照表，不要用训练速度自我安慰。Colab 里切换加速卡后必须重新运行导入单元格，旧的 CPU 会话不会自动变 GPU。

💡 关键直觉：安装成功的定义是「最小运算 + 设备列表符合预期」，不是「pip 退出码为 0」。退出码为 0 只说明包解压完了。

磁盘与网络也要预算。首次加载 Fashion MNIST，Keras 与 torchvision 可能各下一份缓存，对照学习等于准备两份副本。把下载放到验证安装之后，是为了把「证书 / 镜像 / 代理」问题从「框架损坏」里拆出去。公司网络拦截时，先解决数据获取，再怀疑框架。

最后谈 Jupyter 内核。每个环境对应一个内核，笔记本右上角要能看出当前是哪一侧。在 TF 内核里 import torch 失败不一定是 PyTorch 没装，可能只是你选错了内核。对照课把这种「像框架 bug、其实是环境指错」的事件当成基本功，而不是丢脸。

对照实验的环境纪律再加几条

版本打印不只是为了好看。把两侧版本字符串贴进实验卡片，过几个月你才知道「当时那次 128 隐层的成绩」是在哪套二进制上跑出来的。本课不要求锁定小版本，但要求记录。升级某一侧之后，先重跑张量加法，再重跑第 5 章基线，不要假设「小版本不会改默认学习率或随机算法」。

混合精度、XLA、编译模式都不要在安装周打开。它们改变数值与速度，会让对照实验多出第三变量。CPU 读者更不必为了「专业」去装一堆加速插件。等 MLP 基线稳定、你怀疑瓶颈在计算而不是数据时，再按官方文档开这些开关，并且一次只开一个。

权限与公司代理：download=True 的数据集获取失败时，错误栈很长，末行才是连接问题。先用浏览器或系统工具确认外网，再怀疑 pip 源。镜像源能加快装包，但 GPU 轮子必须仍与 CUDA 对照表一致，不要从来路不明的地方捡编译好的包。安全上，权重文件接近可执行代码，安装节就要形成「不乱加载来历不明检查点」的习惯，4.4 会再强调。

Jupyter 里 %pip install 有时装到了错误的内核。验收时在「即将跑实验的那个笔记本」里执行导入，而不是在系统终端里导入成功就宣布胜利。终端与笔记本不是同一解释器的故事，对照课里每周至少发生一次。把内核名称显示在界面上，比写一长段环境变量教程更有效。

问题：必须同时装两套吗？

不是必须同一环境同时装。可以两个 Conda 环境，笔记本选不同内核。同时装的好处是对照单元格切换快，坏处是依赖冲突概率上升。磁盘与耐心都够就分环境；只做周末速成、只在 Colab 里，可以用两个笔记本文件分别装，不要在同一运行时里反复卸载重装。无论哪种，验收门不变：导入、加法、设备列表。

GPU 版安装失败最常见的原因不是 pip 退出码，而是驱动与轮子不匹配：能 import，加法在 CPU 上能跑，list_physical_devices 或 cuda.is_available 为假。这时不要开始训练还自我安慰「CPU 也一样」。若你的计划包含第 5 章在分钟级看完 CNN，没有 GPU 就要接受墙钟更长，而不是反复重装。有 GPU 却显示不可用，回到官方对照表，检查是否装成了 CPU 轮子。不要同时用 Conda 装一套 CUDA、Pip 再装一套，两套抢。选一条链走到底。

Jupyter 与脚本的差异：脚本里 if __name__ 保护对 PT workers 重要；笔记本里每个单元格的顺序即状态，重启内核后必须重跑导入与模型定义。对照实验在笔记本里最容易出现「我改了类定义但实例还是旧的」。养成改 Module 类之后重新实例化、重新 to(device)、必要时重新创建优化器（优化器持有旧参数引用）。Keras 重新 compile 有类似必要。这是环境纪律在交互式环境里的延伸。

核心回顾

• 环境可逆：用 Conda 或 venv 隔离；系统 Python 混装是对照实验的第一杀手
• CPU 命令可抄：原文 pip install tensorflow 与 pip install torch torchvision torchaudio；GPU 必须对官方表
• 三道验收门：能导入、能加法、设备列表符合预期；pip 成功不等于装好
• 笔记本选择：本地 Jupyter 利于长期对照；Colab 利于临时借 GPU，会话结束会丢环境
• 预处理笔记：两侧输入规范化可能不同，必须写在实验第一行，否则准确率不可比
• Windows 伏笔：DataLoader 的 num_workers 出问题先改 0，别在安装节误判为 PyTorch 损坏

下一章进入张量对照：同一份像素，在 tf.Tensor 与 torch.Tensor 里形状、dtype、设备如何表达，以及为什么 NumPy 不够用。

安装对照还有一条容易忽略：绘图库与 torchvision 不是同一侧的对称依赖。Keras 路径画曲线常另装绘图库；PyTorch 路径加载 Fashion MNIST 需要 torchvision，画曲线同样可能要绘图库。缺 torchvision 时，torch 能 import，数据集类却没有，错误看起来像「PyTorch 没装好」。分流：能加法说明核心包在，缺数据集类说明视觉附属包不在。不要为此重装 torch。Colab 预装情况随镜像变化，仍以当前会话里能否 import 为准，不要凭上周的记忆跳过验收门。

三道验收门再执行一遍：导入、加法、设备列表符合预期。pip 退出码为 0 不是第三道门。附属包缺了当附属包问题。GPU 不可用而计划用 CNN 分钟级看完，要接受 CPU 墙钟。内核与终端不是同一解释器。改 Module 后重新实例化并在 to 之后重建优化器。两套环境可以分开。记录版本字符串。混合精度本周关闭。这些是环境纪律，后面所有对照都假设纪律已执行。未执行而出现的 DLL 错误，不要写进框架对比结论。