由 dawei 搭建Windows深度学习环境的第一步是安装Python。推荐使用Anaconda发行版，它集成了Python、pip和常用的科学计算库，能有效避免依赖冲突。下载并安装Anaconda Navigator后，通过其界面创建独立的虚拟环境，例如命名为dl_env，确保项目间互不干扰。
安装完成后，进入命令行或Anaconda Prompt，激活新建的环境：conda activate dl_env。此时可使用conda install命令安装核心深度学习框架。对于主流选择，推荐安装PyTorch，官方提供针对CUDA版本的安装指令，如 conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia，该命令会自动处理CUDA支持。
若偏好TensorFlow，可通过pip install tensorflow-cpu 或 pip install tensorflow-gpu（注意：较新版本已整合GPU支持）进行安装。建议在虚拟环境中操作，避免全局污染。同时，安装过程中若提示缺少依赖，可使用conda install + 包名的方式补充，如conda install numpy scipy scikit-learn。
GPU加速是深度学习性能的关键。确认显卡支持CUDA，查看NVIDIA驱动版本与CUDA Toolkit兼容性。推荐使用CUDA 11.8或12.1，对应版本的PyTorch和TensorFlow均有官方支持。安装前可通过nvidia-smi命令检查驱动是否正常加载。
AI艺术作品，仅供参考
安装完核心框架后，可引入常用工具包：Jupyter Notebook用于交互式开发，用conda install jupyter；matplotlib和seaborn用于可视化，用conda install matplotlib seaborn；Pandas用于数据处理，用conda install pandas。所有包均可通过conda or pip安装，但建议统一使用conda管理以保持一致性。
环境配置完毕后，建议创建requirements.txt文件记录依赖，便于迁移或复现。运行python -m pip freeze > requirements.txt即可生成。后续在新机器上只需执行pip install -r requirements.txt快速还原环境。
•验证环境是否正常：启动Jupyter Notebook，新建一个.ipynb文件，输入import torch; print(torch.cuda.is_available())，若返回True，说明GPU已正确启用。整个流程完成，可开始模型训练与实验。