gpu版本比cuda高,对pytorch的使用有影响吗

### PyTorch 中 GPU 版本与 CUDA 版本不匹配的影响 当使用的 PyTorch 的 GPU 版本高于所安装的 CUDA 版本时,可能会遇到一系列兼容性和性能问题。具体来说: - **初始化失败**:如果 PyTorch 需要更高版本的 CUDA 功能而当前系统中的 CUDA 不支持这些功能,则可能导致 PyTorch 初始化过程中报错[^2]。 - **性能下降**:即使程序能够启动并执行,由于缺少某些优化特性或指令集的支持,整体计算效率可能不如预期。 为了确保最佳体验,在选择 PyTorch 和 CUDA 组合时应遵循官方推荐配置表。对于特定组合下的最优实践建议如下: 1. 查看 [PyTorch 官方网站](https://pytorch.org/get-started/locally/) 获取最新的稳定版 PyTorch 所需最低 CUDA 要求; 2. 如果已经安装了较低版本的 CUDA 并希望继续使用现有设置,可以选择下载对应于该 CUDA 版本的较旧 PyTorch 发布包; 3. 更新至最新 CUDA 及驱动程序以获得更好的硬件加速效果和支持更多新特性的可能性。 下面是一个简单的 Python 代码片段用于检测当前环境是否正确启用了 GPU 支持: ```python import torch def check_gpu_availability(): device = 'cuda' if torch.cuda.is_available() else 'cpu' print(f"Using {device} as the computing device.") check_gpu_availability() ``` 此脚本会打印出正在使用的设备名称(`cuda` 或 `cpu`),从而帮助确认 GPU 是否已被成功识别和利用[^4]。

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

Python ModernTCN 风电功率预测GPU出图

Python ModernTCN 风电功率预测GPU出图

Python ModernTCN 风电功率预测GPU出图 用 ModernTCN(深度可分离卷积块)预测风电功率,对照 LSTM,输出预测曲线与通道特征图。默认 CUDA。 功能: · 深度可分离卷积 · ModernTCN · 对照 LSTM · 特征图 · CUDA 训练 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python QRNN准循环卷积 光伏功率GPU预测

Python QRNN准循环卷积 光伏功率GPU预测

Python QRNN准循环卷积 光伏功率GPU预测 用 QRNN(卷积门控准循环)预测光伏功率,对照 LSTM,输出预测曲线与隐状态图。默认 CUDA。 功能: · 准循环卷积 · QRNN · 对照 LSTM · 状态图 · CUDA 训练 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python TinyTimeMixer轻量混合 电力负荷GPU预测

Python TinyTimeMixer轻量混合 电力负荷GPU预测

Python TinyTimeMixer轻量混合 电力负荷GPU预测 用 TinyTimeMixer(时间/通道混合)预测电力负荷,对照 LSTM,输出预测曲线与混合表征图。默认 CUDA。 功能: · 时间混合 · 通道混合 · 对照 LSTM · 表征图 · CUDA 训练 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

Python MegaCRN元图卷积 交通流量GPU预测

Python MegaCRN元图卷积 交通流量GPU预测

Python MegaCRN元图卷积 交通流量GPU预测 用 MegaCRN(元图分配+自适应邻接 GRU)预测路网流量,对照 LSTM,输出预测曲线与元图可视化。默认 CUDA。 功能: · 元图卷积 · MegaCRN · 对照 LSTM · 元图可视化 · CUDA 训练 · 打包时预跑 output/preview 压缩包含可运行源码、依赖与说明,按 README 安装后即可复现。

浅谈pytorch、cuda、python的版本对齐问题

浅谈pytorch、cuda、python的版本对齐问题

在使用深度学习模型训练的过程中,工具的准备也算是一个良好的开端吧。熟话说完事开头难,磨刀不误砍柴工,先把前期的问题搞通了,能为后期节省不少精力。 以pytorch工具为例: pytorch版本为1.0.1,自带python版本为3.6.2 服务器上GPU的CUDA_VERSION=9000 注意:由于GPU上的CUDA_VERSION为9000,所以至少要安装cuda版本>=9.0,虽然cuda=7.0~8.0也能跑,但是一开始可能会遇到各种各样的问题,本人cuda版本为10.0,安装cuda的命令为: conda install cudatoolkit=10.0 注:GPU显卡驱动一般没什

PyTorch GPU利用率问题[源码]

PyTorch GPU利用率问题[源码]

本文详细介绍了如何解决PyTorch GPU利用率为0%或很低的问题。首先,确保安装的是CUDA版本的PyTorch和TorchVision,并通过版本检查确认。其次,确保PyTorch、TorchVision和CUDA ToolKit的版本一致,不一致时需从官网下载对应版本。接着,解释了torch.cuda.is_available()函数的作用及返回False的可能原因。最后,讨论了GPU利用率指标的含义,指出GPU利用率低并不一定代表未使用GPU,建议查看CUDA利用率指标,并提供了相关参考链接和操作指南。

解决conda安装GPU版PyTorch问题[代码]

解决conda安装GPU版PyTorch问题[代码]

本文提供了三种解决使用清华源conda安装GPU版本PyTorch时总是推送CPU版本的问题的方法。方法一建议检查并卸载cpuonly包,并提供了详细的安装命令和版本号搭配。方法二介绍了如何配置完整的清华源文件.condarc,并提供了具体的安装步骤和测试代码。方法三则建议先安装CPU版本,然后手动替换为GPU版本,并详细说明了替换步骤和注意事项。这些方法旨在帮助用户顺利安装GPU版本的PyTorch,避免因清华源推送CPU版本而导致的问题。

pytorch常见的Tensor类型详解

pytorch常见的Tensor类型详解

今天小编就为大家分享一篇pytorch常见的Tensor类型详解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧

YOLOv5环境配置[源码]

YOLOv5环境配置[源码]

本文详细介绍了在NVIDIA GeForce GTX 1650显卡上配置YOLOv5深度学习模型训练环境的步骤。内容包括搭建Python 3.10虚拟环境、查询CUDA版本、安装GPU版PyTorch、配置VSCode开发环境、解决常见错误(如OpenCV安装超时、虚拟内存不足等问题)以及验证GPU调用成功的方法。文章特别强调了版本兼容性问题和国内镜像源的使用技巧,为读者提供了从环境搭建到成功训练的全流程指导。

CUDA内存访问错误解决方案[项目源码]

CUDA内存访问错误解决方案[项目源码]

本文针对RuntimeError: CUDA error: an illegal memory access was encountered问题提供了解决方案。作者在训练代码时遇到该错误,发现是由于PyTorch和Python版本过高,与代码中使用的旧版本语法不兼容所致。具体表现为.to(device)与旧版.cuda()的语法差异。解决方案是检查并统一代码中的GPU数据传输语法格式,确保与当前PyTorch版本兼容。作者建议在set_input函数中修改相关表达式,并统一代码格式以避免冲突。该方案适用于因版本不匹配导致的CUDA内存访问错误。

Flash Attention 2安装指南[代码]

Flash Attention 2安装指南[代码]

本文详细介绍了在多CUDA版本环境下安装Flash Attention 2的实战指南。主要内容包括问题背景、遇到的挑战、解决方案概述、详细实施步骤以及最终配置验证。文章首先描述了在NVIDIA A800 GPU服务器上部署Whisper Turbo语音识别服务时遇到的CUDA版本不匹配、g++版本过高以及transformers版本兼容性等问题。随后提出了在用户目录安装隔离的CUDA 12.1并通过环境变量快速切换的解决方案,详细说明了从下载安装CUDA 12.1到创建切换脚本、安装正确版本的PyTorch和Flash Attention 2的每一步操作。最后提供了配置验证方法和经验总结,包括最佳实践、常见陷阱和性能优化建议,帮助读者顺利完成安装并实现2-3倍的性能提升。

YOLOv5环境配置指南[项目代码]

YOLOv5环境配置指南[项目代码]

本文详细介绍了YOLOv5-2.0版本的环境配置步骤及常见报错解决方案。首先,通过安装requirements.txt中的库和GPU版本的torch、torchaudio、torchvision来搭建基础环境。其次,针对安装过程中可能出现的网络超时问题,提供了换用国内镜像源的解决方案。此外,文章还列举了运行detect.py和train.py时可能遇到的多种报错,如参数问题、梯度操作错误、numpy版本过高、Pillow版本兼容性问题等,并逐一给出了具体的修改代码和解决措施。这些内容为YOLOv5的环境配置和问题排查提供了实用的参考。

vLLM V1引擎部署参数速查表(4种OOM排障+参数对照+决策树)

vLLM V1引擎部署参数速查表(4种OOM排障+参数对照+决策树)

vLLM V1引擎迁移部署必备速查表。包含V0 vs V1推荐参数对照、4种CUDA OOM错误→修复映射(warmup OOM/运行时OOM/DeepSeek OOM/TurboQuant OOM)、关键环境变量清单、排障决策树、常用启动命令模板。A4打印放终端旁边,下次OOM不慌。配套文章见CSDN博客。

torch_cluster-1.5.9-cp39-cp39-macosx_10_14_x86_64.whl.zip

torch_cluster-1.5.9-cp39-cp39-macosx_10_14_x86_64.whl.zip

需要配和指定版本torch-1.10.1+cpu使用,请在安装该模块前提前安装torch-1.10.1+cpu,无需安装cuda

yolov5_train_delpoy_trt.zip

yolov5_train_delpoy_trt.zip

yolov5_train_delpoy_trt.zip

yolov8 目标检测训练

yolov8 目标检测训练

资源下载链接为: https://pan.quark.cn/s/f0ffd60337dd (最新版、最全版本)yolov8 目标检测训练

大模型推理,最关注显卡那些性能?

大模型推理,最关注显卡那些性能?

大模型推理,最关注显卡那些性能?

pytorch 查看cuda 版本方式

pytorch 查看cuda 版本方式

主要介绍了pytorch 查看cuda 版本方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧

DeepSeek本地部署配置[源码]

DeepSeek本地部署配置[源码]

本文详细介绍了DeepSeek不同模型(1.5B至671B)的本地部署硬件配置清单及价格,包括CPU、内存、硬盘和显卡的具体要求。同时提供了软件环境需求,如操作系统、驱动与CUDA、AI框架、量化优化和推理框架等。此外,还讨论了不同模型的并发量需求及优化方法,如硬件升级、软件优化和分布式部署。内容全面,适合个人开发者、企业及数据中心参考。

车牌检测+车牌定位完整程序

车牌检测+车牌定位完整程序

车牌定位完整程序,可直接运行,在此基础上还可做识别。

最新推荐最新推荐

recommend-type

29Linux基础命令详解——用户管理.docx

29Linux基础命令详解——用户管理
recommend-type

科技服务机构如何通过数据分析增强服务竞争力?.docx

科易网基于40亿+科创知识图谱数据库,深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,研究科技创新领域的AI+数智化解决方案,推动科技创新与产业创新智能化发展。
recommend-type

vue+springboot基于 Java 的南昌实利广告公司的员工管理系统的设计与实现_oj680rl3毕业设计源码数据库.zip

vue+springboot基于 Java 的南昌实利广告公司的员工管理系统的设计与实现_oj680rl3毕业设计源码数据库.zip
recommend-type

车辆缺陷分割数据集4000张json格式.zip

数据集格式:labelme格式(不包含mask文件,仅仅包含jpg图片和对应的json文件) 图片数量(jpg文件个数):4000 标注数量(json文件个数):4000 标注类别数:1 标注类别名称:["defect"] 每个类别标注的框数: defect count = 8740 总框数:8740 使用标注工具:labelme=5.5.0 所在仓库:firc-dataset 图片分辨率:640x640 标注规则:对类别进行画多边形框polygon 重要说明:可以将数据集用labelme打开编辑,json数据集需自己转成mask或者yolo格式或者coco格式作语义分割或者实例分割 特别声明:本数据集不对训练的模型或者权重文件精度作任何保证
recommend-type

高校如何利用技术转移服务转化科研成果并提升影响力?.docx

高校如何利用技术转移服务转化科研成果并提升影响力?
recommend-type

基于Vue CLI的现代化Web FTP客户端:模块化架构、跨平台支持与生产级优化

基于Vue CLI构建的现代化FTP客户端可视化界面项目,本质上是一个将传统命令行或桌面端FTP协议交互能力迁移至现代Web前端架构中的创新实践,它深度融合了前端工程化、网络协议封装、跨平台适配与云原生理念,代表了企业级文件传输管理工具在B/S架构下的演进方向。该项目以Vue CLI作为核心脚手架,意味着其底层构建体系严格遵循Vue官方推荐的最佳实践:采用Webpack 5(Vue CLI 5+默认)进行模块打包,支持ES2015+语法、TypeScript可选集成、CSS预处理器(如Sass/Less)、PostCSS自动前缀补全及CSS Modules作用域隔离;同时内置开发服务器(webpack-dev-server),提供HTTPS代理、热模块替换(HMR)与实时热重载能力——当开发者修改.vue单文件组件、JS逻辑或样式资源时,页面局部而非整页刷新,极大提升调试效率与开发体验。 项目强调“文件传输管理”功能,这并非简单调用浏览器原生File API上传下载,而是通过WebSocket或长轮询+RESTful API与后端FTP代理服务通信,实现对远程FTP服务器的目录浏览、文件上传/下载/重命名/删除/权限修改等完整CRUD操作。由于浏览器沙箱限制无法直接建立FTP连接,因此必须依赖中间层服务(如Node.js编写的FTP网关),该服务负责解析前端指令、调用node-ftp、jsftp或更安全的ssh2-sftp-client等库与真实FTP/SFTP服务器交互,并将结构化响应(含文件列表、传输进度、错误码、权限位等)以JSON格式回传前端。前端需设计健壮的状态管理机制(Vuex或Pinia),统一维护连接状态、当前路径、选中文件、传输队列、断点续传标识等关键数据,并通过响应式视图(如树形目录组件、表格文件列表、进度条、拖拽上传区)实现直观的Web界面操作体验。 “跨平台支持”不仅指代码可在Windows/macOS/Linux任意系统浏览器中运行,更深层体现为UI适配(响应式布局+Flex/Grid+Media Query)、字体渲染一致性(Web Font加载策略)、本地存储兼容性(IndexedDB + localStorage降级方案)以及Electron或Tauri二次封装潜力——即未来可一键打包为桌面应用,共享同一套业务逻辑代码,真正实现“Write Once, Run Everywhere”。而“生产环境优化”涵盖多维度:路由懒加载(import()动态导入)降低首屏体积;图片资源自动压缩与WebP格式fallback;CSS提取与内联关键样式;Gzip/Brotli压缩配置;SourceMap脱敏处理;CDN资源外链;HTTP/2服务端推送预加载;以及Vue CLI内置的--mode production构建模式触发Tree-shaking、Scope Hoisting、UglifyJS/Terser代码压缩与死代码消除,确保最终dist包体积精简、加载迅速、执行高效。 “代码质量检测”体系由ESLint(配合@vue/eslint-config-typescript规则集)、Stylelint(校验CSS/SCSS)、Prettier(统一代码风格)、Commitlint(规范Git提交信息)与SonarQube(CI阶段静态扫描)共同构成,覆盖语法错误、潜在bug、安全漏洞(如XSS注入点)、可维护性指标(圈复杂度、重复率)等维度,并通过husky + lint-staged实现pre-commit钩子拦截低质量代码入库。“自定义配置扩展”则体现在Vue.config.js或vue.config.ts中灵活配置别名(@→src)、代理跨域(devServer.proxy指向FTP网关)、externals剥离第三方库(如moment.js交由CDN加载)、chainWebpack深度定制Webpack配置链,甚至通过vue-cli-plugin机制开发专属插件(如FTP连接向导插件、证书管理插件)。“模块化架构”严格划分功能域:core(FTP协议抽象层)、store(状态中心)、router(路由守卫与权限控制)、components(原子化UI组件如FTPPathBreadcrumb、TransferQueuePanel)、views(页面级容器)、utils(文件大小格式化、路径解析、编码转换等纯函数)、services(API请求封装与错误统一处理),各模块通过明确接口契约协作,支持按需加载与独立测试。 值得注意的是,标签标注为“云原生/Kubernetes”,暗示该项目并非孤立前端应用,而是云原生生态中的一环:其部署单元应为Docker容器镜像(含Nginx静态服务+健康检查探针),通过Helm Chart定义K8s资源清单(Deployment、Service、Ingress、ConfigMap存储FTP网关地址与认证密钥),利用K8s ConfigMap/Secret实现配置与凭证外部化管理,借助Horizontal Pod Autoscaler应对高并发文件传输请求,结合Prometheus+Grafana监控前端资源加载性能与API成功率,甚至通过Service Mesh(如Istio)实现灰度发布与流量治理。整个系统体现云原生“不可变基础设施、声明式API、弹性伸缩、可观测性”四大特征,使FTP可视化管理能力具备企业级可靠性、可扩展性与运维自动化水平。
recommend-type

Python 3 新手避坑指南:从环境搭建到工程化实践

Python 3 使用指南(一),这个标题看起来基础,但越是基础的东西,越值得认真梳理。我带过的不少新人,往往就是因为入门时遗漏了一些关键细节,后面踩坑踩得怀疑人生。这一篇我打算把 Python 3 真正干活前要搞清楚的事情一次性讲透:环境怎么搭、基础语法怎么用才规范、数据结构怎么选才高效、函数和类怎么写才像正经工程代码,以及遇到诡异报错时怎么快速定位。目标是让完全零基础的人能照着走通,也让写过一段时间但全凭感觉的人补上那些“当初没人告诉我”的知识点。 ## 1. 从零搭建 Python 3 开发环境 先说环境。这一步看着简单,实际上我见过太多人卡在“明明装了 Python,一敲命令提示找
recommend-type

在 Overleaf 项目里怎么把共享编辑的人踢出去?

### 如何在 Overleaf 项目中移除协作者 要在 Overleaf 中移除某个项目的协作者,可以通过以下方法实现: #### 访问权限设置页面 进入目标项目的主页后,点击右上角的“Menu”按钮,在下拉菜单中选择“Settings”选项[^1]。 #### 进入协作者管理界面 在设置页面中找到“Collaborators”部分。这里会显示当前已添加的所有协作者及其访问级别(查看者或编辑者)。通过此区域可以管理和调整每位用户的权限[^2]。 #### 移除指定协作者 对于不再需要授权给该项目的人,点击其名字旁边的垃圾桶图标即可将其删除。一旦执行该操作,被移除的用户将失去对该文档的
recommend-type

易语言实现B站创作积分兑换3天大会员库存实时监测工具

“易语言B站大会员库存检测”这一标题所指向的,是一个面向Bilibili(哔哩哔哩)平台创作者生态的轻量级自动化监测工具,其核心功能是实时探测B站创作中心中“3天大会员”兑换商品的库存状态,并在库存可兑时通过邮件方式主动通知用户。该工具虽技术门槛较低,却完整覆盖了现代Web自动化脚本开发中的多个关键知识点,尤其适合作为易语言初学者理解HTTP协议、身份认证机制、状态维持原理及跨服务集成(如邮件推送)的典型教学案例。 首先,从底层通信机制来看,该工具依赖标准的HTTP GET请求向B站服务器发起资源查询。但需特别强调的是:单纯发送GET请求无法获取有效响应——因为B站所有涉及用户权益的操作(包括创作积分查询、会员兑换页访问、库存接口调用)均强制要求登录态校验。因此,“利用Cookie进行操作”绝非一句轻描淡写的补充说明,而是整个程序能否正常运行的生命线。Cookie在此处承担着三重核心职责:第一,它是服务端颁发的会话凭证(Session ID),用于将无状态的HTTP连接与后端用户会话上下文绑定;第二,它封装了用户身份标识(如DedeUserID、SESSDATA、bili_jct等关键字段),其中SESSDATA为B站主登录态Token,有效期通常为数小时至数天,一旦过期或被清除,所有接口将返回401未授权或跳转至登录页;第三,部分接口还依赖Cookie中携带的CSRF Token(即bili_jct)以防范跨站请求伪造攻击,缺失该字段会导致POST类操作被拦截,而本工具虽以GET为主,但在模拟真实浏览器行为时仍需完整复现全量合法Cookie。 其次,该工具所调用的具体API并非公开文档接口,而是逆向分析B站创作中心前端JS代码后提取的内部接口,典型路径如`https://api.bilibili.com/x/credit/jury/caseUser?jsonp=jsonp`或更可能指向积分商城相关路径(如`/x/ugcpay/web/v2/trade/preview`或`/x/ugcpay/web/v2/trade/stock`)。这类接口往往具有严格的Referer校验、User-Agent指纹识别及频率限流策略。因此,程序中不仅需构造合法Cookie,还需同步设置匹配的Headers头信息,包括但不限于:`Referer: https://www.bilibili.com/`(防止防盗链拒绝)、`User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36...`(规避爬虫特征识别)、`Origin: https://www.bilibili.com`(满足CORS预检要求)。任何一项Header缺失或格式错误,均可能导致返回空数据、重定向至登录页或触发风控拦截。 再者,“连接邮件服务器将信息发送至个人邮箱”这一功能模块,实质上实现了应用层的通知闭环。在易语言中,该功能通常通过调用Winsock组件或第三方SMTP插件实现:需配置SMTP服务器地址(如smtp.qq.com:587)、启用TLS/SSL加密通道、提供发件人邮箱账号与授权码(非登录密码)、构造符合RFC 5322标准的邮件正文(含HTML格式化库存提示、时间戳、跳转链接等),并处理DNS解析、TCP三次握手、SMTP协议交互(HELO/EHLO → AUTH LOGIN → MAIL FROM → RCPT TO → DATA)等全过程。此过程暴露出初学者常忽略的关键细节:QQ邮箱等服务商已全面禁用明文密码登录,必须使用独立生成的“SMTP授权码”;若未正确启用STARTTLS升级加密,连接将被拒绝;邮件主题与正文若含中文,必须进行UTF-8编码+Base64或QP编码,否则出现乱码;此外,频繁发信可能触发反垃圾邮件机制,需加入合理延时与失败重试逻辑。 尤为值得深入剖析的是其业务逻辑设计的精巧性:“库存会不定时更新”意味着不能依赖固定时间轮询,而应构建智能检测策略。理想实现应包含动态间隔调节(如空闲期拉长至5分钟,临近刷新窗口缩短至30秒)、响应内容差异比对(对比前后两次JSON返回的`stock`字段值变化而非仅判断是否为0)、异常状态熔断(连续N次超时/502/412则暂停检测并告警)、本地日志持久化(记录每次请求时间、响应码、库存值、耗时,便于问题回溯)。而原始描述中“技术含量不高”的表述,恰恰反衬出工程实践中对鲁棒性、可观测性、可维护性的更高要求——一个能稳定运行三个月不崩溃的脚本,其价值远超十个仅能演示一次的Demo。 最后,该工具隐含了重要的安全与合规警示:自动化脚本若高频请求可能违反B站《用户协议》第4.3条关于“不得使用任何自动化手段干扰网站正常运营”的规定;未经许可批量获取用户数据涉嫌侵犯个人信息权益;邮件通知若泄露SESSDATA等敏感Cookie字段,将导致账号被盗风险。因此,合格的学习者必须同步掌握Robots.txt协议遵循、请求速率控制(如每分钟≤10次)、敏感信息内存加密存储、运行环境沙箱隔离等进阶防护措施。综上所述,这短短一行标题背后,是一套融合网络协议、Web安全、逆向工程、邮件系统、工程规范与法律意识的立体知识图谱,其教学价值远超表面所见。
recommend-type

Python 3基础入门:环境搭建、语法核心与异常处理

作为一个写了好多年 Python、也踩过无数坑的人,我一直觉得基础部分的入门方式决定了后面的路好不好走。市面上“Python 3 使用指南”类的东西很多,但多数要么罗列语法,要么直接上手框架,真正把“为什么这么写”“什么时候该用哪个”讲透的反而少。这篇是系列的第一篇,我会把跑通 Python 3 最核心的一圈讲完:环境怎么搭、基础语法怎么理解、四大数据结构怎么选、代码怎么组织、报错了怎么排查。内容按“拿来就能用”的标准写,零基础能跟着操作,写过其他语言的朋友也能快速对齐思路。 ## 1. 环境准备:把 Python 3 跑起来之前,先想清楚这几件事 很多新手一上来就装环境,装完发现 pip