结论是必须用conda create创建指定Python小版本的独立环境（如python=3.10），再按CUDA兼容性装PyTorch或TensorFlow；严禁在(base)中安装，避免混用pip/conda，导出environment.yml确保可复现。
直接说结论：用 conda create 创建独立环境，再按需装 pytorch 或 tensorflow，别碰系统 Python，也别在 (base) 里硬装。
创建带指定 Python 版本的干净环境
深度学习框架对 Python 小版本敏感，比如 PyTorch 2.4 官方只明确支持 python=3.9 到 python=3.12，但某些 CUDA 组合在 3.12 下可能缺预编译 wheel。稳妥起见，推荐用 3.10 或 3.11。
- 运行
conda create -n dl python=3.10（dl是环境名，可自定义） - 执行
conda activate dl进入环境，提示符应变为(dl) - 别跳过这步——直接在
(base)装包，后续换项目时大概率要重装系统
装 PyTorch：CPU 版和 GPU 版命令完全不同
装错版本是新手最常卡住的地方：明明有显卡，却装了 cpuonly；或者显卡只支持 CUDA 11.8，却硬装 pytorch-cuda=12.1，结果 torch.cuda.is_available() 死活返回 False。
- CPU 版（无显卡或仅测试用）：
conda install pytorch torchvision torchaudio cpuonly -c pytorch - NVIDIA GPU 版：先查驱动支持的 CUDA 最高版本——在终端运行
nvidia-smi，看右上角 “CUDA Version: 12.1” 这类字样，再对应安装：conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia - 装完立刻验证：
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"，输出应类似2.4.0 True
装 TensorFlow：优先用 conda-forge，别 pip 强装
TensorFlow 的 CUDA 依赖比 PyTorch 更隐蔽，尤其在 Windows 上，pip 安装的 tensorflow 包默认不含 GPU 支持（除非你手动装 tensorflow-gpu，但该包已弃用）。conda-forge 渠道能自动拉取匹配的 cudnn 和 cuda-toolkit。
- GPU 版（CUDA 11.8+）：
conda install tensorflow -c conda-forge - CPU 版：
conda install tensorflow-cpu -c conda-forge - 验证命令：
python -c "import tensorflow as tf; print(tf.__version__, tf.config.list_physical_devices('GPU'))"，GPU 版应返回非空列表 - 注意：TensorFlow 2.16+ 已不支持 Python 3.8，若你环境是
python=3.8，必须降级到tensorflow=2.15
环境导出与复现：别只靠截图和记忆
团队协作或换机器时，光记“我装了 PyTorch 2.4 + CUDA 12.1”没用。不同时间点 conda 安装的依赖子版本可能不同，导致行为不一致。
- 导出当前环境完整快照：
conda env export > environment.yml - 别人复现只需：
conda env create -f environment.yml - 导出文件里会包含
cuda-toolkit=12.1.1、cudnn=8.9.7等细节，这才是真正可复现的关键 - 如果导出文件太大（含二进制路径），可删掉
prefix:行，保留dependencies:下的内容即可
真正麻烦的不是命令敲不对，而是环境混用后错误信息藏得深——比如 ImportError: DLL load failed 看似是 PyTorch 问题，实际是 numpy 被另一个环境污染了。每次新建项目前，先 conda activate 切到干净环境，这个动作比调参重要得多。
