S0-01 · 环境搭建与验证：CPU 训练环境怎么确认可用

阶段：S0-环境搭建与验证 ｜ 预计耗时：30-45 分钟 ｜ 前置：无 环境：E:\zcode\DeepTraining\model-learn\.venv（Python 3.12.10 + torch 2.15.0+cpu，2026-11-10 已搭好） 代码：model-learn/s0_env_check.py（体检脚本，已创建并实测通过）

学习目标

1. 能说清 4 个环境决策的原因：为什么用 venv、为什么装 CPU 版 torch、为什么用国内镜像、为什么固定线程数
2. 会跑环境体检脚本，会读它的每一行输出
3. 能在任意新目录从零复现这套环境（换机器/重装系统都不怕）
4. 认识本机最常踩的坑：解释器用错

核心知识

1. venv：每个项目一个独立"工具箱"

• 痛点：A 项目要 torch 2.15、B 项目要 2.0，全装在系统里必然打架
• venv = 给项目复制一份独立的 Python + 独立的包目录，互不干扰
• 激活的本质只是把 .venv\Scripts 插到 PATH 最前面——所以直接写完整路径 .venv/Scripts/python.exe 比 activate 更明确可靠（这也是 LangGraph 归档 01 篇讲过的教训）

2. torch 的 CPU 版与 GPU 版

• PyPI 上 Windows 的 torch 默认就是 CPU 版（2.15.0+cpu，约 200MB）；Linux 默认带 CUDA（约 3GB）
• 你的机器是 Intel UHD 620 核显，不支持 CUDA——装 GPU 版 = 白占 3GB 且根本跑不起来
• 版本号里的 +cpu 后缀就是"CPU 构建"的标记，体检脚本会核对它

3. 国内镜像

• 官方 PyPI 在国内经常超时（我们实测吃过 ReadTimeoutError）
• 装包一律带：-i https://pypi.tuna.tsinghua.edu.cn/simple

4. CPU 训练的两个本机设定

• torch.set_num_threads(4)：i7-8550U 只有 4 物理核，线程超了互相争抢反而慢
• DataLoader num_workers=0：Windows 下多进程开销大易报错，小数据集 0 最快

实验任务

任务 1：跑体检脚本（10 分钟）

cd /e/zcode/DeepTraining/model-learn
.venv/Scripts/python.exe s0_env_check.py

逐行读输出，确认每一项都是 [OK]：Python 版本 / 在 venv 里 / torch 带 +cpu / CUDA 不可用（符合预期）/ 线程数=4 / 矩阵乘法耗时 / MNIST 数据目录存在。

任务 2：故意用错解释器（重要的反面教材，5 分钟）

python s0_env_check.py

观察结果：系统 python（WindowsApps 存根或 3.7）里没有 torch，报 ModuleNotFoundError。 结论：以后所有训练命令必须用 .venv/Scripts/python.exe 开头。

任务 3（可选）：复现能力测试（20 分钟）

在 D 盘从零搭一遍，验证你离开笔记也能复现，做完即删：

py -3.12 -m venv D:/test-venv
D:/test-venv/Scripts/python.exe -m pip install torch torchvision matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

把体检脚本的路径参数化跑一遍确认 [OK]，然后删除 D:/test-venv 整个目录。

验收标准

• 体检脚本全部 [OK]，能逐行解释输出含义
• 能不看笔记说出 4 个环境决策的原因
• 能解释 +cpu、set_num_threads(4)、num_workers=0 各解决什么问题
• （做过任务 3）能从零复现环境并清理干净

衔接下一阶段

环境确认可用 → S0-02 认识张量：训练数据的"原材料"长什么样。