14年程序员亲授：Windows数据科学环境避坑与高效配置

一年前我帮同事配置Windows数据科学环境——他刚从Mac转过来，结果光是安装CUDA驱动就卡了三天，最后发现是主板BIOS版本太旧导致兼容性问题。这事儿让我意识到，Windows搞数据科学，坑比Linux多十倍不止——但架不住公司统一发的是ThinkPad，只能硬着头皮上。

先说最坑的Anaconda：2023年11月我实测过，用默认安装路径装在C盘Program Files下，运行Jupyter Notebook时总会报"PermissionError"，后来发现是Windows的UAC权限机制在作怪。改用管理员权限安装？又会导致conda环境变量混乱，最后只能把Anaconda装到D盘根目录，还得手动在系统环境变量里加PATH——这招我教过五个新人，四个都栽在这步。

CUDA驱动的版本匹配才是真·玄学——我电脑是RTX 4090，去年12月装PyTorch 2.0时，必须用NVIDIA官网的535.86.05驱动，装536.xx就会报"CUDA capability sm_89 is not supported"。更绝的是，装完驱动还得在NVIDIA控制面板里手动把"CUDA - GPUs"选成当前显卡，否则PyTorch根本检测不到GPU——这操作我翻遍Stack Overflow都没找到，是看NVIDIA官方论坛一个俄罗斯老哥的回复才解决的。

文章配图，仅供参考

VS Code的Python扩展有个隐藏坑：2024年1月更新后，如果同时安装了Jupyter和Pylance扩展，会在运行.ipynb文件时随机崩溃。我查了GitHub的issue，发现是这两个扩展的LSP服务器冲突，解决方案是禁用Jupyter扩展的"Enable Notebook Editor"选项，改用VS Code自带的Notebook UI——这操作连官方文档都没写，是我翻遍300多条用户评论才找到的。

说到新技术，Windows最近搞的"Windows Subsystem for Linux 2 with GPU acceleration"确实有点东西——我2024年2月实测过，在WSL2里装CUDA 12.2和PyTorch 2.1，跑ResNet-50训练，速度比原生Windows只慢5%。但前提是：必须用Windows 11 22H2以上版本，主板得支持PCIe直通，还得在BIOS里开启"Above 4G Decoding"和"Resizable BAR"——这配置要求，比装Linux双系统还麻烦。

我主观判断：Windows搞数据科学，70%的坑是微软自己作的——比如UAC权限、电源管理、驱动模型这些底层设计，根本没考虑过开发者需求。但话说回来，现在很多公司用Windows笔记本发办公，学Linux命令行又得额外时间，所以只能在这套破系统上折腾出花来——就像用筷子吃牛排，虽然别扭，但练熟了也能吃得挺香。

下一步建议：如果你非要用Windows，直接装Python 3.11+PyTorch 2.1+CUDA 12.2的组合——这是2024年3月我实测最稳定的配置。别用Anaconda，改用miniforge3；别用Jupyter Notebook，改用VS Code的Notebook UI；遇到驱动问题，直接去NVIDIA官网下"Game Ready Driver"而不是"Studio Driver"——后者会阉割部分CUDA功能。当然，这些方案可能下个月就过时了——Windows的数据科学环境，永远在"刚配置好就落后"的路上狂奔。

（编辑：航空爱好网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!