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

在 Ubuntu 24.04 上使用 PyCharm 搭建深度学习环境，最推荐的方式是利用 PyCharm 自带的虚拟环境管理器（Conda 或 venv）配合 NVIDIA CUDA 驱动。Ubuntu 24.04 默认使用较新的 Python 版本（3.12+），且对 NVIDIA 驱动支持良好。

以下是完整的操作流程，分为环境准备、PyCharm 配置和深度学习库安装三个部分。

第一步：系统级环境准备（至关重要）

在打开 PyCharm 之前，必须确保系统底层已经安装了正确的 NVIDIA 驱动和 CUDA 工具包。PyCharm 只是调用这些环境来运行代码。

安装 NVIDIA 驱动
Ubuntu 24.04 通常可以通过 ubuntu-drivers 自动安装推荐驱动：
```
sudo ubuntu-drivers autoinstall
# 或者手动指定版本（例如 r550）
# sudo apt install nvidia-driver-550
sudo reboot
```
验证驱动： 重启后输入 nvidia-smi，如果显示显卡信息，说明驱动正常。

安装 CUDA Toolkit (可选但推荐)
虽然 PyTorch/TensorFlow 的 pip/wheel 包通常自带了 CUDA 运行时，不需要单独安装庞大的 CUDA Toolkit，但如果你需要编译某些自定义算子或使用 cuDNN 特定版本，建议安装：

# 以安装 CUDA 12.x 为例 (请根据你需要的 PyTorch 版本选择对应 CUDA 版本)
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update
sudo apt install -y cuda-toolkit-12-4

注意：安装完成后需将 CUDA 路径加入环境变量：

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

(建议将上述 export 命令写入 ~/.bashrc 以便永久生效)

第二步：在 PyCharm 中创建项目与解释器

这是核心步骤，建议在 PyCharm 中使用 Conda 作为环境管理工具，因为它能更好地处理科学计算依赖和 GPU 环境隔离。

1. 安装 Conda (Miniconda/Anaconda)

如果系统中没有 Conda，建议先安装 Miniconda（轻量版）：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
# 安装过程中按提示操作，最后记得关闭终端重新打开以加载 conda 命令

2. 在 PyCharm 中配置项目

打开 PyCharm，点击 File -> New Project。
在左侧设置界面，找到 Python Interpreter 部分。
点击右侧的下拉菜单，选择 Add… (添加)。
在弹出的窗口中选择 Conda Environment（如果没有看到，可能需要先在 Settings -> Project -> Python SDK 中添加 Conda 解释器）。
配置选项：
- Interpreter: 选择 New environment using Conda。
- Location: 选择一个目录（例如 ~/pytorch_env）。
- Base interpreter: 选择系统已安装的 Python 版本（建议选 3.10 或 3.11，虽然 Ubuntu 24.04 默认是 3.12，但部分旧版深度学习库可能尚未完全适配 3.12，若遇到兼容性问题可降级 Python 版本）。
- Packages: 勾选 Inherit global site-packages (可选，用于共享系统库)。
点击 OK，PyCharm 会自动创建一个独立的 Conda 环境。

替代方案：如果你更习惯使用原生 venv，可以在创建解释器时选择 "Virtualenv Environment"，但在深度学习领域，Conda 处理 CUDA/cuDNN 依赖通常更省心。

第三步：安装深度学习框架 (PyTorch / TensorFlow)

环境创建成功后，PyCharm 会自动生成一个 .sh 脚本文件在项目根目录下（通常是 requirements.txt 或直接通过终端安装）。

强烈建议使用 PyCharm 内置的 Terminal 进行安装，这样可以直接在目标环境中执行命令。

在 PyCharm 底部点击 Terminal 标签页。
确保当前激活的是刚才创建的 Conda 环境（命令行前会有 (env_name) 字样）。
安装 PyTorch (推荐)
访问 PyTorch 官网获取对应的安装命令。对于 Ubuntu 24.04 + CUDA 12.x，通用命令如下：
```
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
```
注意：如果你的 CUDA 版本不是 12.1，请将 cu121 替换为对应的版本号（如 cu118, cu124）。
验证安装
在终端输入以下 Python 命令测试 GPU 是否可用：
```
python
>>> import torch
>>> print(torch.__version__)
>>> print(torch.cuda.is_available())
>>> print(torch.cuda.get_device_name(0))
```
如果输出 True 并显示了你的显卡名称，说明环境搭建成功。

安装其他常用库

pip install numpy pandas matplotlib scikit-learn opencv-python pillow tqdm

第四步：常见问题与优化建议

CUDA 版本不匹配：
如果 torch.cuda.is_available() 返回 False，通常是 PyTorch 的 CUDA 版本与你系统安装的 NVIDIA 驱动不兼容。
- 检查驱动：nvidia-smi 右上角显示的 "CUDA Version" 是驱动支持的最高版本。
- 检查 PyTorch：print(torch.version.cuda)。
- 原则：PyTorch 要求的 CUDA 版本必须 小于或等于 驱动支持的版本。如果驱动太老，需更新驱动；如果 PyTorch 要求太高，需降级 PyTorch 版本 (pip install torch==2.0.1 ...)。
Python 3.12 兼容性：
Ubuntu 24.04 默认 Python 3.12。目前主流深度学习框架（PyTorch 2.1+, TensorFlow 2.16+）已支持 3.12，但部分第三方库（如旧版的 albumentations 或某些 CV 库）可能尚未适配。如果遇到 ModuleNotFoundError 或编译错误，建议在 PyCharm 中创建一个基于 Python 3.10 或 3.11 的 Conda 环境。
IDE 提示与补全：
如果 PyCharm 提示找不到某些模块，请在 PyCharm 设置中检查：
Settings -> Project: <你的项目> -> Python Interpreter -> 确保右侧列表中的包都已正确安装在该解释器下。

通过以上步骤，你就在 Ubuntu 24.04 上拥有了一个配置完整、GPU 提速可用的 PyCharm 深度学习开发环境。