【实践指南】从零部署D2L：避坑CUDA版本匹配与依赖冲突

1. 环境准备：为什么从虚拟环境开始？

如果你和我一样，是个喜欢动手折腾的AI爱好者，拿到《动手学深度学习》这本书时，第一反应肯定是“赶紧跑个代码试试”。但别急，我见过太多朋友，包括我自己早期，都栽在了第一步——环境搭建上。直接在系统里装PyTorch、装d2l，结果项目一多，各种包版本打架，最后只能重装系统，那叫一个惨痛。所以，我的第一个，也是最重要的建议：无论你多着急看效果，都请先创建一个虚拟环境。

你可以把虚拟环境想象成一个“独立的实验室”。在这个实验室里，你安装的所有实验器材（Python包）都是独立的，和外面的大仓库（系统Python环境）完全隔开。这样，你在这个实验室里做实验，无论怎么折腾，哪怕把器材（包版本）搞乱了，也不会影响到其他实验室或者外面的公共设施。对于学习D2L来说，这尤其重要，因为书里的代码对PyTorch、d2l等包的版本有比较明确的要求，用错了版本，代码可能就跑不起来。

具体到操作，我强烈推荐使用 Conda。它不仅仅是一个虚拟环境管理器，更是一个强大的包管理和环境管理工具，特别适合处理科学计算和深度学习这种依赖复杂的场景。它不仅能帮你隔离Python环境，还能帮你管理非Python的依赖（比如某些库需要的C++库），这是venv等工具不太容易做到的。

那么，第一步该怎么做呢？打开你的终端（Windows用Anaconda Prompt或PowerShell，Linux/macOS直接用终端），我们开始“搭建实验室”。

conda create -n d2l_env python=3.9 -y

让我解释一下这个命令的每个部分：

• conda create：这是创建新环境的命令。
• -n d2l_env：-n 后面跟着的是你给这个新环境取的名字，这里我取名d2l_env，你可以换成任何你喜欢的，比如my_d2l，但别用中文和奇怪符号。
• python=3.9：这是指定这个环境里安装的Python版本。D2L官方代码通常对Python 3.8/3.9/3.10支持较好。选择3.9是一个比较稳妥的、兼容性广的版本。别追求最新的3.12，很多深度学习库的适配可能会慢半拍。
• -y：这个参数是自动对后续的所有确认提示说“是”。加上它，命令就会一气呵成，不用你再手动输入y来确认。

命令执行成功后，你的“实验室”就建好了，但它还是个空房子。接下来，我们要“进入”这个实验室：

conda activate d2l_env

执行后，你应该能看到你的命令行提示符前面变成了(d2l_env)，这就表示你已经成功进入了这个虚拟环境。之后所有pip install的操作，都只会影响这个环境，非常安全。

2. CUDA与PyTorch：版本对齐是成功的一半

环境建好了，接下来就是重头戏：安装PyTorch。这是整个部署过程中最容易踩坑