40：2026新手AI开发环境常见错误：全面分析与解决方案

# 检查GPU兼容性
nvidia-smi

# 检查CUDA版本
nvcc --version

# 更新驱动程序（Windows）
# 访问NVIDIA官网下载最新驱动

# 更新驱动程序（Linux）
sudo ubuntu-drivers autoinstall

# 检查GPU内存使用情况
tensorflow-memory-check  # 或类似工具

# 检查系统资源
free -h

# 检查CPU使用情况
top

# 调整虚拟内存（Linux）
sudo fallocate -l 16G /swapfile
sudo chmod 600 /swapfile
sudo mkswap /swapfile
sudo swapon /swapfile

# 限制训练批次大小
# 在训练代码中设置合理的batch_size
batch_size = min(32, get_optimal_batch_size())

# 使用虚拟环境
python3 -m venv venv
source venv/bin/activate  # Linux/macOS
# venv\Scripts\activate  # Windows

# 使用现代包管理器
pip install --upgrade pip
pip install uv
uv add torch torchvision

# 锁定依赖版本
pip freeze > requirements.txt
# 安装时使用
pip install -r requirements.txt

# 解决特定冲突
pip install "package==version" --force-reinstall

# 使用国内镜像源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

# 配置代理（如果需要）
export HTTP_PROXY=http://proxy.example.com:8080
export HTTPS_PROXY=http://proxy.example.com:8080

# 增加超时设置
pip install --default-timeout=100 package_name

# 使用本地缓存
# 下载模型到本地后再加载

# 检查环境变量
echo $PATH

# 设置PATH环境变量
echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

# 检查配置文件
ls -la ~/.config/

# 验证配置
env | grep CUDA

# 在VS Code中选择正确的Python解释器
# 按Ctrl+Shift+P → 选择"Python: Select Interpreter" → 选择虚拟环境中的解释器

# 安装必要的插件
# VS Code: Python, Pylance, Jupyter等

# 清理IDE缓存
# VS Code: Ctrl+Shift+P → 选择"Developer: Reload Window"

# 检查IDE配置文件
cat ~/.vscode/settings.json

# 检查PyTorch安装
import torch
print(torch.__version__)
print(torch.cuda.is_available())

# 正确安装GPU版本
# 使用官方推荐的命令
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 检查CUDA兼容性
print(torch.version.cuda)
print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else "No GPU")

# 解决常见错误
# 清除CUDA缓存
torch.cuda.empty_cache()

# 检查GPU内存使用
print(torch.cuda.memory_allocated())
print(torch.cuda.max_memory_allocated())

# 检查TensorFlow安装
import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices('GPU'))

# 正确安装TensorFlow GPU版本
pip install tensorflow[and-cuda]

# 检查CUDA和cuDNN版本
from tensorflow.python.platform import build_info
print("CUDA version:", build_info.cuda_version)
print("cuDNN version:", build_info.cudnn_version)

# 解决常见错误
# 设置GPU内存增长
physical_devices = tf.config.list_physical_devices('GPU')
if physical_devices:
    tf.config.experimental.set_memory_growth(physical_devices[0], True)

# 1. 检查系统信息
uname -a

# 2. 检查硬件信息
lshw -short

# 3. 检查磁盘空间
df -h

# 4. 检查系统日志
tail -n 100 /var/log/syslog

# 5. 检查特定服务状态
systemctl status nvidia-persistenced

# 6. 使用专业诊断工具
aie-diagnostics  # 假设的AI环境诊断工具

#!/bin/bash

# AI开发环境搭建脚本

# 1. 更新系统
echo "更新系统..."
sudo apt update && sudo apt upgrade -y

# 2. 安装必要依赖
echo "安装必要依赖..."
sudo apt install -y build-essential python3-pip python3-venv git

# 3. 创建虚拟环境
echo "创建虚拟环境..."
python3 -m venv ai_env
source ai_env/bin/activate

# 4. 更新pip
echo "更新pip..."
pip install --upgrade pip

# 5. 安装PyTorch (GPU版本)
echo "安装PyTorch..."
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

# 6. 安装TensorFlow (GPU版本)
echo "安装TensorFlow..."
pip install tensorflow[and-cuda]

# 7. 安装常用库
echo "安装常用库..."
pip install numpy pandas matplotlib scikit-learn jupyter notebook
pip install transformers datasets diffusers
pip install torchmetrics torchinfo

# 8. 验证安装
echo "验证安装..."
python -c "
import torch
import tensorflow as tf
print('PyTorch版本:', torch.__version__)
print('PyTorch CUDA可用:', torch.cuda.is_available())
print('TensorFlow版本:', tf.__version__)
print('TensorFlow GPU可用:', len(tf.config.list_physical_devices('GPU')) > 0)
print('环境搭建成功!')
"

echo "环境搭建完成，请运行 'source ai_env/bin/activate' 激活环境"

# environment_check.py
import os
import sys
import torch
import tensorflow as tf
import numpy as np

def check_system():
    print("=== 系统信息 ===")
    print(f"操作系统: {sys.platform}")
    print(f"Python版本: {sys.version}")
    print(f"当前目录: {os.getcwd()}")

def check_gpu():
    print("\n=== GPU信息 ===")
    # 检查PyTorch GPU
    print("PyTorch:")
    print(f"  版本: {torch.__version__}")
    print(f"  CUDA可用: {torch.cuda.is_available()}")
    if torch.cuda.is_available():
        print(f"  GPU数量: {torch.cuda.device_count()}")
        print(f"  当前GPU: {torch.cuda.get_device_name(0)}")
        print(f"  CUDA版本: {torch.version.cuda}")
    
    # 检查TensorFlow GPU
    print("\nTensorFlow:")
    print(f"  版本: {tf.__version__}")
    gpus = tf.config.list_physical_devices('GPU')
    print(f"  GPU可用: {len(gpus) > 0}")
    for gpu in gpus:
        print(f"  GPU: {gpu.name}")

def check_memory():
    print("\n=== 内存信息 ===")
    import psutil
    memory = psutil.virtual_memory()
    print(f"总内存: {memory.total / (1024**3):.2f} GB")
    print(f"可用内存: {memory.available / (1024**3):.2f} GB")
    print(f"内存使用率: {memory.percent}%")

def check_dependencies():
    print("\n=== 依赖检查 ===")
    dependencies = [
        'numpy', 'pandas', 'matplotlib', 'scikit-learn',
        'transformers', 'datasets', 'diffusers'
    ]
    
    for dep in dependencies:
        try:
            __import__(dep)
            print(f"✓ {dep} 已安装")
        except ImportError:
            print(f"✗ {dep} 未安装")

def main():
    print("AI开发环境检查工具\n")
    check_system()
    check_gpu()
    check_memory()
    check_dependencies()
    print("\n检查完成!")

if __name__ == "__main__":
    main()