### 如何在 PyCharm 中配置 PyTorch 环境 #### 配置前准备 为了顺利地在 PyCharm 中配置 PyTorch 的开发环境，确保已经安装好最新版本的 PyCharm 和 Anaconda。这一步骤对于后续操作至关重要[^1]。 #### 创建虚拟环境并安装 PyTorch 通过 Anaconda 来管理 Python 虚拟环境是一种推荐的做法。可以利用 `conda` 命令来创建一个新的虚拟环境，并指定所需的 Python 版本： ```bash conda create --name pytorch_env python=3.9 ``` 激活新创建的虚拟环境之后，按照官方指南或特定需求安装适合硬件条件（CPU/GPU）的 PyTorch 及其依赖库: ```bash conda activate pytorch_env conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch ``` 完成以上命令后，在 Anaconda Navigator 或者终端内验证 PyTorch 是否成功安装： ```python import torch print(torch.__version__) print(torch.cuda.is_available()) ``` #### 在 PyCharm 中添加已有的 Conda 环境作为项目解释器 打开 PyCharm 并加载目标项目；进入文件菜单中的设置选项 (`File -> Settings`) ，导航到项目的 Python 解释器部分(`Project: your_project_name -> Python Interpreter`) 。点击右上角齿轮图标旁边的加号 (+)，选择 “Add...”。此时应该能看到多个选项卡，“Existing environment” 是用来指向外部存在的 Python/Conda 环境的位置。浏览至 Anaconda 安装目录下的 envs 文件夹里寻找刚才建立的那个名为 `pytorch_env` 的子文件夹内的 `python.exe` 文件，选中它并确认应用更改[^2][^3]。 #### 测试 PyTorch 安装情况 最后一步是在 PyCharm 内编写简单的测试脚本来检验 PyTorch 功能是否正常工作。新建一个 `.py` 文件并将下面这段代码粘贴进去运行看看是否有任何错误提示： ```python import torch from torch import nn, optim from torchvision import datasets, transforms # Example of creating a simple neural network model using PyTorch class SimpleNet(nn.Module): def __init__(self): super(SimpleNet, self).__init__() self.fc = nn.Linear(784, 10) def forward(self, x): x = x.view(-1, 784) return self.fc(x) model = SimpleNet() loss_fn = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.01) dummy_input = torch.randn((64, 1, 28, 28)) output = model(dummy_input) target = torch.empty(64, dtype=torch.long).random_(10) loss = loss_fn(output, target) loss.backward() optimizer.step() print('Test completed without errors.') ``` 如果一切顺利的话，则说明现在可以在 PyCharm 上愉快地使用 PyTorch 进行深度学习模型的研发了[^4]。