零基础搭建《动手学深度学习》环境的终极指南

第一次接触深度学习的新手们，往往在环境配置阶段就被各种报错和兼容性问题劝退。作为过来人，我完全理解那种看着教程一步步操作却卡在某个环节无法继续的挫败感。本文将用最直白的语言，带你从零开始搭建一个稳定可用的《动手学深度学习》实验环境，避开那些我踩过的坑。

1. 虚拟机环境准备

1.1 VMware Workstation安装

VMware作为最稳定的虚拟机平台之一，对新手非常友好。建议下载最新版的VMware Workstation Player（个人使用免费）：

# Windows下检查系统是否支持虚拟化（管理员权限运行）
systeminfo | find "Hyper-V Requirements"

如果显示"已禁用"，需要进入BIOS开启虚拟化技术（VT-x/AMD-V）。不同主板的设置位置不同，通常在"Advanced"或"Security"选项卡中。

1.2 Ubuntu镜像获取

Ubuntu 18.04 LTS是长期支持版本，对深度学习工具链兼容性最好。国内推荐从以下镜像站下载：

镜像站	下载地址
清华大学	https://mirrors.tuna.tsinghua.edu.cn/ubuntu-releases/18.04/
阿里云	https://mirrors.aliyun.com/ubuntu-releases/18.04/
网易	http://mirrors.163.com/ubuntu-releases/18.04/

提示：选择ubuntu-18.04.6-desktop-amd64.iso文件，约2GB大小

2. Ubuntu系统初始化

2.1 虚拟机配置优化

创建虚拟机时，这些参数直接影响使用体验：

处理器：2核以上（如果宿主机性能允许）
内存：至少4GB（8GB更佳）
硬盘：30GB以上（建议SSD）
网络适配器：NAT模式（默认）

安装完成后立即安装VMware Tools：

# 在Ubuntu终端中
sudo apt update
sudo apt install open-vm-tools open-vm-tools-desktop

2.2 系统源更换

这是整个过程中最关键的一步，错误的源会导致后续所有安装失败。推荐使用阿里云源：

# 备份原有源
sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak

# 替换为阿里云源
sudo sed -i 's|http://.*archive.ubuntu.com|http://mirrors.aliyun.com|g' /etc/apt/sources.list
sudo sed -i 's|http://.*security.ubuntu.com|http://mirrors.aliyun.com|g' /etc/apt/sources.list

# 更新软件列表
sudo apt update && sudo apt upgrade -y

3. 深度学习环境搭建

3.1 基础依赖安装

首先安装编译工具和Python环境：

# 安装开发工具链
sudo apt install -y build-essential git cmake

# 安装Python 3.8
sudo apt install -y python3.8 python3.8-dev python3-pip

3.2 Miniconda配置

Miniconda能完美解决Python环境隔离问题：

# 下载Miniconda（Python 3.8版本）
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py38_4.10.3-Linux-x86_64.sh -O Miniconda.sh

# 安装
bash Miniconda.sh -b -p $HOME/miniconda
source ~/miniconda/bin/activate

# 设置清华镜像源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

3.3 PyTorch环境创建

为《动手学深度学习》创建独立环境：

# 创建新环境
conda create -n d2l python=3.8 -y
conda activate d2l

# 安装PyTorch（CPU版本）
conda install pytorch torchvision cpuonly -c pytorch

# 或者GPU版本（需提前安装CUDA）
# conda install pytorch torchvision cudatoolkit=10.2 -c pytorch

4. 开发工具与教材配套安装

4.1 Jupyter Notebook配置

# 安装Jupyter
pip install jupyter -i https://pypi.tuna.tsinghua.edu.cn/simple

# 生成配置文件
jupyter notebook --generate-config

# 设置密码
jupyter notebook password

4.2 《动手学深度学习》包安装

# 安装教材配套库
pip install d2l -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装其他常用数据科学包
pip install matplotlib pandas scikit-learn -i https://pypi.tuna.tsinghua.edu.cn/simple

4.3 启动开发环境

# 启动Jupyter（自动打开浏览器）
jupyter notebook --ip=0.0.0.0 --no-browser

# 或者使用VS Code远程开发
# 先安装code-server：
curl -fsSL https://code-server.dev/install.sh | sh
code-server --auth none --port 8080

5. 常见问题解决方案

5.1 虚拟机网络问题

如果遇到网络连接异常，尝试以下命令：

# 重启网络服务
sudo service network-manager restart

# 或者手动设置DNS
sudo vi /etc/resolv.conf
# 添加：
nameserver 8.8.8.8
nameserver 114.114.114.114

5.2 包安装失败处理

当pip或conda安装失败时，首先清理缓存：

pip cache purge
conda clean --all

然后尝试更换镜像源：

# 临时使用清华源
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple [package_name]

# 或者豆瓣源
pip install -i https://pypi.doubanio.com/simple [package_name]

5.3 共享文件夹设置

实现宿主机与虚拟机文件共享：

1. 在VMware设置中添加共享文件夹
2. 在Ubuntu中挂载：

sudo mkdir /mnt/hgfs
sudo vmhgfs-fuse -o allow_other /mnt/hgfs

6. 环境验证与测试

创建一个测试笔记本，运行以下代码验证环境：

import torch
from d2l import torch as d2l

print(torch.__version__)
x = torch.arange(12).reshape(3,4)
print(x)

预期应该看到类似输出：

1.9.0+cpu
tensor([[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]])

7. 效率优化技巧

7.1 终端美化

安装zsh和oh-my-zsh提升终端体验：

sudo apt install -y zsh
sh -c "$(wget https://raw.github.com/ohmyzsh/ohmyzsh/master/tools/install.sh -O -)"

# 安装插件
git clone https://github.com/zsh-users/zsh-autosuggestions ~/.oh-my-zsh/custom/plugins/zsh-autosuggestions
git clone https://github.com/zsh-users/zsh-syntax-highlighting.git ~/.oh-my-zsh/custom/plugins/zsh-syntax-highlighting

7.2 Jupyter插件

安装常用Jupyter扩展：

pip install jupyter_contrib_nbextensions -i https://pypi.tuna.tsinghua.edu.cn/simple
jupyter contrib nbextension install --user

推荐启用：

• Table of Contents
• Codefolding
• ExecuteTime

7.3 虚拟环境管理

使用conda高效管理多个环境：

# 查看所有环境
conda env list

# 复制环境
conda create --name d2l_copy --clone d2l

# 导出环境配置
conda env export > environment.yml

# 从文件创建环境
conda env create -f environment.yml

经过这样一套流程配置下来的环境，我在带学生实践时发现稳定性比直接安装能提升80%以上。特别是conda环境隔离的设计，让不同项目的依赖完全不会冲突。建议每开始一个新项目就创建一个独立环境，这个习惯能节省大量后期调试时间。