ubuntu24.04上使用pycharm中搭建深度学习环境？-CLOUD云枢

在 Ubuntu 24.04 上使用 PyCharm 搭建深度学习环境，最推荐的方式是结合 Conda（或 venv）与 NVIDIA CUDA 驱动。Ubuntu 24.04 默认使用较新的 Python 版本和系统库，因此需要特别注意依赖兼容性。

以下是完整的操作流程：

1. 前置准备：安装系统级依赖

在配置 IDE 之前，必须确保操作系统层面已安装好显卡驱动和编译工具。

安装 NVIDIA 驱动：
Ubuntu 24.04 通常会自动检测并推荐专有驱动。打开“软件和更新” -> “附加驱动”，选择推荐的 nvidia-driver-535 或更高版本，重启电脑。
```
# 验证驱动是否安装成功
nvidia-smi
```
如果显示 GPU 信息，说明驱动正常。
安装 CUDA Toolkit (可选但推荐)：
虽然 PyTorch/TensorFlow 的 pip/wheel 包通常自带 CUDA 运行时，但如果你需要编译自定义算子或使用特定版本的 CUDA，建议安装对应版本的 toolkit。
```
# 例如安装 CUDA 12.x (需根据 PyTorch 官方文档选择匹配版本)
sudo apt update
sudo apt install cuda-toolkit-12-2
```

2. 安装 Conda (推荐使用 Miniconda)

PyCharm 对 Conda 环境的支持非常完善，能更好地管理不同版本的 Python 和 CUDA 库。

下载并安装 Miniconda：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O miniconda.sh
bash miniconda.sh -b -p $HOME/miniconda3

初始化 Shell：

source $HOME/miniconda3/bin/activate
conda init bash
# 重新加载终端配置
exec bash

3. 在 PyCharm 中创建深度学习项目

打开 PyCharm，执行以下步骤：

A. 新建项目

点击 File -> New Project。

Location: 选择你的工作目录。
Python Interpreter: 点击右侧齿轮图标 -> Add...。

B. 创建 Conda 虚拟环境

在 Add Interpreter 窗口中：

选择 Conda Environment。
勾选 Existing environment (如果你已有) 或 New environment (推荐)。
选择 Base interpreter 为 ~/miniconda3/bin/python (或者你安装的 Conda 路径)。
输入环境名称，例如 pytorch-gpu-env。
点击 OK 保存。

C. 安装深度学习核心库

进入 PyCharm 的终端（Terminal），激活刚才创建的环境并安装库：

# 激活环境
conda activate pytorch-gpu-env

# 1. 安装 PyTorch (关键步骤：务必去 pytorch.org 获取针对你 CUDA 版本的命令)
# 假设你安装了 CUDA 12.1，且需要 GPU 支持：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 2. 安装常用工具
pip install jupyter pandas numpy matplotlib scikit-learn opencv-python pillow

# 3. 如果需要 TensorFlow (注意 TF 2.x 对 CUDA 版本有严格要求)
# pip install tensorflow-cpu  # 如果不想折腾 TF 的 GPU 兼容性问题，先用 CPU 版测试逻辑

注意：PyTorch 的 CUDA 版本必须与 nvidia-smi 显示的 Driver 支持的 CUDA 版本向下兼容。例如 Driver 支持 CUDA 12.4，你可以运行 CUDA 12.1 或 12.2 的 PyTorch 构建版。

4. 验证环境

在 PyCharm 终端运行以下 Python 代码，确认 GPU 可用：

import torch
print(f"PyTorch version: {torch.__version__}")
print(f"CUDA available: {torch.cuda.is_available()}")
if torch.cuda.is_available():
    print(f"GPU Name: {torch.cuda.get_device_name(0)}")
    print(f"CUDA Version: {torch.version.cuda}")

如果输出 CUDA available: True，则环境搭建成功。

5. 常见问题与优化建议

PyCharm 识别不到解释器：
如果 PyCharm 没有自动识别新创建的 Conda 环境，请手动添加：Settings -> Project: <your_project> -> Python Interpreter -> 点击齿轮 -> Add -> Conda Environment -> Existing environment -> 浏览到 $HOME/miniconda3/envs/pytorch-gpu-env/bin/python。
CUDA 版本不匹配：
如果 torch.cuda.is_available() 返回 False，通常是因为 PyTorch 预编译的二进制文件所需的 CUDA 版本高于你当前驱动支持的版本，或者低于驱动支持的最低版本。
- 解决：卸载当前 PyTorch (pip uninstall torch...)，访问 pytorch.org 官网生成器，选择与你 nvidia-smi 匹配的 CUDA 版本重新安装。
Ubuntu 24.04 特有的 glibc 问题：
某些旧的深度学习库（如旧版 TensorFlow 或 OpenCV）可能依赖旧版 glibc。如果遇到 ImportError: libc.so.6 相关错误，尝试升级所有包：
```
pip install --upgrade pip setuptools wheel
```

通过以上步骤，你可以在 Ubuntu 24.04 上获得一个稳定、可调试的 PyCharm + Conda + PyTorch 深度学习开发环境。