本模块带你完成AI项目开发的所有前置环境配置，包括硬件选型、软件安装、核心库配置等。配置完成后即可进入实战学习。
| 使用场景 | 推荐GPU | 显存 | 大致预算 |
|---|---|---|---|
| 学习 / 小项目 | RTX 3060 | 12GB | ~2000元 |
| 中型项目 / 竞赛 | RTX 4070 Ti Super | 16GB | ~5000元 |
| 大型模型训练 | RTX 4090 / A6000 | 24-48GB | 1万+ |
| 云端按需（省钱） | Colab Pro / 阿里云 | 16-80GB | 按时计费 |
推荐使用 3.10 或 3.11，AI 库兼容性最佳；3.12+ 部分底层包尚未完全适配。
Add Python to PATHConda 是跨平台的包 & 环境双重管理器，是 AI 开发的标配：一个项目一个独立环境，依赖绝不打架。
pip/conda install 再装官方源服务器在国外，下载速度 几 KB/s 是家常便饭。切换到国内镜像后可达 10MB/s+。
有 NVIDIA 显卡就装 CUDA 加速训练；没有也能用 CPU 跑（速度慢些，学习阶段没问题）。
sudo ubuntu-drivers autoinstall && sudo rebootnvidia-smi，能看到 GPU 型号 + Driver Version 即成功。AMD 显卡用 ROCm 替代 CUDA，目前仅 Linux 支持较好，Windows 体验有限。
没有 NVIDIA/AMD 显卡，或用 Apple M 系列芯片（MPS 加速）也能学习。
工欲善其事，必先利其器。选对工具，开发效率翻倍。以下是 AI 项目开发的 4 种主流选择：
轻量强大、插件生态第一、智能提示优秀，社区最大。AI 开发的绝对主流选择。
单元格即跑 + 可视化内联 + Markdown/代码/数学混排，边跑实验边记笔记、边看图边调参，数据探索和模型训练阶段无可替代。
智能重构、远程开发、数据库工具、科学计算模式一体化，大型工程/团队协作首选。
在 VS Code 基础上深度集成 AI 大模型：自然语言生成代码、智能重构、自动修 bug、文档对话。
AI 项目开发最常用的 6 大类库，按需复制安装命令，建议在已激活的 Conda 环境中执行。
pip install numpy pandas scipy jupyterlab
NumPy（数值数组）· Pandas（表格数据）· SciPy（科学计算）· JupyterLab（交互式笔记本）
pip install matplotlib seaborn plotly altair
Matplotlib（基础绘图）· Seaborn（统计美化）· Plotly（交互式）· Altair（声明式图）
pip install scikit-learn xgboost lightgbm catboost
scikit-learn（分类回归聚类）· XGBoost/LightGBM/CatBoost（Kaggle 三大杀器 GBDT）
# ⚠️ PyTorch 请去 pytorch.org 获取对应 CUDA 版本命令 # pip install torch torchvision torchaudio --index-url .../cu124 # TensorFlow 2.x pip install tensorflow
PyTorch（学术界主流）· TensorFlow/Keras（工业界部署）· 二选一即可，推荐新手用 PyTorch
pip install opencv-python pillow transformers datasets accelerate sentencepiece
OpenCV/Pillow（图像处理）· Transformers/Datasets（HuggingFace 大模型生态）
pip install tqdm requests beautifulsoup4 pyyaml python-dotenv loguru
tqdm（进度条）· requests/bs4（HTTP+爬虫）· pyyaml/dotenv（配置文件）· loguru（优雅日志）
pip install numpy pandas scipy matplotlib seaborn plotly \
scikit-learn xgboost lightgbm \
opencv-python pillow transformers datasets \
tqdm requests beautifulsoup4 pyyaml jupyterlab
� 说明：PyTorch/TensorFlow 需要根据你的 CUDA 版本从官网单独安装（见上一步 🎮 CUDA/GPU 驱动）。以上命令在已激活的 conda 环境中执行即可。