1. 项目概述为什么PaddlePaddle的安装值得单独聊聊搞AI开发框架选型是第一步而安装配置往往是劝退新手的第一个门槛。今天我们不聊高深的模型就聊聊PaddlePaddle这个国产深度学习框架的安装。你可能觉得一个pip install paddlepaddle命令不就完事了吗但实际工作中尤其是在企业级开发、多环境部署或者需要特定硬件加速的场景下一个“正确”的安装远不止这么简单。它直接关系到后续模型训练的效率、代码的兼容性甚至是项目能否顺利跑起来。我见过太多团队在环境配置上浪费数天时间问题千奇百怪从CUDA版本不匹配到依赖库冲突再到虚拟环境权限问题。因此把安装这件“小事”吃透是高效开展PaddlePaddle项目的基础。无论你是刚接触深度学习的学生还是需要为团队搭建统一开发环境的工程师这篇从一线实战中总结的安装指南都能帮你避开那些隐形的坑一步到位搞定环境。2. 安装前的核心考量与方案选型在动手敲命令之前先别急着复制粘贴网上的教程。安装PaddlePaddle不是一个孤立动作它必须与你整体的开发环境和项目目标对齐。盲目安装最容易导致后续的兼容性灾难。2.1 明确你的硬件与需求场景首先问自己几个问题用什么硬件训练这是决定安装版本的核心。仅用CPU如果你的机器没有NVIDIA GPU或者你只想先跑通代码逻辑那么安装CPU版本即可。它安装最简单兼容性最好但训练和推理速度会慢很多。使用GPUNVIDIA这是绝大多数深度学习开发者的选择能利用GPU的并行计算能力极大加速。这时就必须安装支持CUDA的GPU版本。这里有一个关键陷阱PaddlePaddle的GPU版本与NVIDIA的CUDA工具包版本有严格的绑定关系并非越新越好。项目对框架版本有要求吗如果你是要复现某个论文的代码或者接手一个老项目很可能代码依赖于某个特定的PaddlePaddle版本如2.4.0。直接安装最新版可能导致API变更程序报错。开发环境如何管理是直接在系统Python里安装还是使用虚拟环境强烈建议后者。虚拟环境如conda或venv可以为每个项目创建独立的Python包空间避免不同项目间的依赖冲突。想象一下项目A需要paddlepaddle2.4.0项目B需要paddlepaddle2.5.0没有虚拟环境你只能二选一频繁重装。2.2 版本匹配CUDA、cuDNN与PaddlePaddle的“铁三角”对于GPU用户理解CUDA、cuDNN和PaddlePaddle三者的关系至关重要。它们就像一套精密咬合的齿轮版本不匹配整个系统就无法运转。CUDA是NVIDIA推出的通用并行计算平台PaddlePaddle的GPU运算需要调用它。cuDNN是NVIDIA深度优化的深度学习GPU加速库PaddlePaddle利用它来实现更高效的核心操作。PaddlePaddle框架本身会编译针对特定CUDA和cuDNN版本的二进制包。实操心得安装前第一件事是查看你机器上已有的CUDA版本。在命令行输入nvidia-smi右上角显示的CUDA Version是你驱动支持的最高版本但实际安装的CUDA工具包版本可能更低可以用nvcc --version查看。你应该根据已安装的CUDA工具包版本来选择对应的PaddlePaddle版本而不是根据驱动支持的最高版本来选。PaddlePaddle官网提供了清晰的版本匹配表格。例如如果你系统安装的是CUDA 11.2那么你应该寻找支持CUDA 11.2的PaddlePaddle安装命令它通常会自动匹配兼容的cuDNN版本。2.3 安装渠道选择pip、conda与源码编译pip安装最常用、最快捷的方式。直接从PyPIPython包索引或PaddlePaddle的官方镜像站下载预编译好的whl包。适合绝大多数用户。conda安装如果你使用Anaconda或Miniconda进行环境管理可以通过conda命令从特定的channel如https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/安装。conda的优势在于能更好地处理非Python的底层依赖如某些C库环境隔离更彻底。源码编译最复杂但最灵活。你可以针对特定的CPU指令集如AVX2、操作系统、甚至是特定的CUDA版本进行极致优化。通常只在有特殊需求如嵌入式部署、定制化算子或为特定芯片如华为昇腾NPU构建时才需要。注意对于国内用户为了获得更快的下载速度强烈建议使用百度提供的国内镜像源进行pip或conda安装可以节省大量时间。3. 分步实操从零搭建稳定的PaddlePaddle环境下面我将以最常见的场景——在Linux系统Ubuntu 20.04上为已有NVIDIA GPUCUDA 11.2的机器安装PaddlePaddle GPU版本——为例演示一个完整、稳健的安装流程。这个流程也适用于Windows和MacOS核心逻辑相通。3.1 第一步基础环境检查与准备在安装任何包之前先打好地基。检查Python版本PaddlePaddle通常要求Python 3.7。在终端输入python3 --version确认版本。如果版本过低需要先升级Python。建议使用pyenv等工具管理多版本Python。创建并激活虚拟环境这是保证环境纯净的最佳实践。# 使用venvPython内置 python3 -m venv paddle_env source paddle_env/bin/activate # 激活后命令行提示符前会出现 (paddle_env) # 或者使用conda conda create -n paddle_env python3.8 conda activate paddle_env激活后所有后续的pip install操作都只会影响这个虚拟环境不会污染系统。升级pip和setuptools避免因包管理工具过旧导致安装失败。pip install --upgrade pip setuptools wheel验证GPU和CUDA仅GPU用户nvidia-smi # 查看GPU状态和驱动支持的CUDA最高版本 nvcc --version # 查看实际安装的CUDA工具包版本记录下nvcc --version输出的CUDA版本号如11.2这是你选择PaddlePaddle安装命令的依据。3.2 第二步执行PaddlePaddle安装命令根据上一步确定的CUDA版本和Python版本前往PaddlePaddle 官方网站的安装页面 选择对应的配置它会生成最准确的安装命令。例如对于Python 3.8 CUDA 11.2官网可能建议的命令是python -m pip install paddlepaddle-gpu2.5.1.post112 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html命令拆解paddlepaddle-gpu指定安装GPU版本。2.5.1.post112指定版本号post112表示适用于CUDA 11.2。-f https://...指定从PaddlePaddle的官方whl包链接安装确保下载到与配置匹配的预编译包。使用国内镜像加速如果从官方链接下载慢可以替换为百度镜像源pip install paddlepaddle-gpu2.5.1.post112 -i https://mirror.baidu.com/pypi/simple但需要注意镜像源的包更新可能有轻微延迟且务必确认镜像源提供了与你CUDA版本匹配的包。对于CPU版本命令更简单pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple3.3 第三步安装后验证与环境测试安装完成不代表成功必须进行验证。基础导入测试在Python交互环境中尝试导入PaddlePaddle。import paddle paddle.utils.run_check()如果安装的是GPU版本run_check()会输出类似如下信息明确显示找到了GPU设备这才是真正的成功。Running verify PaddlePaddle program ... PaddlePaddle works well on 1 GPU. PaddlePaddle works well on 8 GPUs. PaddlePaddle is installed successfully! Lets start deep learning with PaddlePaddle now.简单功能测试跑一个最简单的张量运算确保核心功能正常。import paddle # 创建CPU张量 cpu_tensor paddle.ones(shape[2, 3], dtypefloat32) print(cpu_tensor) # 创建GPU张量如果安装了GPU版本 if paddle.device.is_compiled_with_cuda(): gpu_tensor paddle.ones(shape[2, 3], dtypefloat32) gpu_tensor gpu_tensor.cuda() # 将张量拷贝到GPU print(gpu_tensor.place) # 应输出 CUDAPlace(0)验证cuDNNGPU版本安装时cuDNN库通常会被自动包含。你可以通过以下方式间接验证print(paddle.device.get_cudnn_version()) # 输出cuDNN版本号如 82004. 进阶安装场景与疑难排错掌握了标准流程我们再来看看那些容易让人头疼的特殊情况和错误。4.1 场景一在Docker容器中安装在容器中安装是最干净的方式之一因为宿主机的环境影响被降到最低。你可以直接使用PaddlePaddle官方提供的Docker镜像。# 拉取带CUDA和cuDNN的PaddlePaddle镜像 docker pull registry.baidubce.com/paddlepaddle/paddle:2.5.1-gpu-cuda11.2-cudnn8 # 运行容器并映射目录、GPU等资源 docker run --name paddle_dev --gpus all -it -v $PWD:/workspace registry.baidubce.com/paddlepaddle/paddle:2.5.1-gpu-cuda11.2-cudnn8 /bin/bash进入容器后PaddlePaddle环境已经准备就绪无需再安装。这种方式非常适合团队统一开发环境和持续集成。4.2 场景二离线环境安装在内网或无法连接互联网的机器上安装需要提前下载好安装包。在一台有网的机器上根据目标环境配置使用pip download命令下载paddlepaddle-gpu及其所有依赖的whl包。pip download paddlepaddle-gpu2.5.1.post112 --platform manylinux2014_x86_64 --only-binary:all: -d ./offline_packages -i https://mirror.baidu.com/pypi/simple--platform参数需要根据目标系统指定。将下载好的offline_packages文件夹拷贝到离线机器。在离线机器上进入虚拟环境使用pip install指定本地目录安装。pip install --no-index --find-links./offline_packages paddlepaddle-gpu4.3 常见错误与解决方案实录即使按照步骤操作也可能遇到问题。这里记录几个我踩过的坑。问题1ImportError: libcudart.so.11.0: cannot open shared object file: No such file or directory现象导入paddle时提示找不到CUDA的动态链接库。根因系统环境变量LD_LIBRARY_PATH没有包含CUDA的库路径或者安装的PaddlePaddle版本所需的CUDA版本与系统实际安装的版本不一致。解决首先确认CUDA确实安装且路径正确。通常库文件在/usr/local/cuda-11.2/lib64请将11.2替换为你的版本。将CUDA库路径永久添加到环境变量。编辑~/.bashrc文件添加export LD_LIBRARY_PATH/usr/local/cuda-11.2/lib64:$LD_LIBRARY_PATH执行source ~/.bashrc使配置生效。如果问题依旧请再次核对PaddlePaddle版本与CUDA版本是否匹配。问题2安装成功但run_check()时提示只在CPU上工作未检测到GPU现象程序能运行但性能极慢验证信息显示未使用GPU。根因可能安装了CPU版本的包paddlepaddle而非paddlepaddle-gpu。Docker容器运行时未添加--gpus all参数。系统驱动太旧或者NVIDIA Docker运行时未正确安装。解决在Python中执行print(paddle.device.is_compiled_with_cuda())如果返回False说明安装的是CPU版本需卸载重装GPU版。在容器外执行nvidia-smi正常但在容器内执行报错则需要安装nvidia-docker2并确保容器以--gpus参数启动。问题3pip install时出现大量编译错误如error: command gcc failed现象安装过程卡在“Building wheel...”很久最后报出一堆C/C编译错误。根因pip尝试从源码编译PaddlePaddle但系统缺少必要的编译工具链或依赖库。对于普通用户我们永远应该安装预编译的二进制包whl。解决最直接的方案使用-f参数指定预编译包的官方索引地址如前面步骤所示强制pip从该地址下载whl文件而不是编译。检查命令中是否包含了--no-binary选项去掉它。确保pip版本足够新。问题4与其它Python包如TensorFlow、PyTorch的冲突现象环境中同时存在多个深度学习框架时可能出现奇怪的错误尤其是与protobuf库的版本冲突。根因不同框架对共同依赖的三方库如protobuf,numpy可能有不同的版本要求。解决最佳实践为每个使用不同深度学习框架的项目创建独立的虚拟环境从根本上隔离依赖。如果必须在同一环境尝试使用conda安装因为conda的依赖解析能力有时比pip更强。手动协调版本。例如PaddlePaddle可能需要protobuf3.20.2而另一个包需要protobuf3.19.0这种冲突通常难以调和再次印证了虚拟环境的重要性。安装看似是第一步实则决定了后续所有步骤的稳定性。花半小时仔细规划并完成一个干净的安装远比在后续调试中花费数天时间去解决因环境问题导致的诡异Bug要划算得多。我的习惯是为每一个新项目都记录一个environment.ymlconda或requirements.txtpip文件并附上安装说明这不仅是对自己负责也是团队协作的基石。 PaddlePaddle深度学习框架安装实战：从环境配置到疑难排错
1. 项目概述为什么PaddlePaddle的安装值得单独聊聊搞AI开发框架选型是第一步而安装配置往往是劝退新手的第一个门槛。今天我们不聊高深的模型就聊聊PaddlePaddle这个国产深度学习框架的安装。你可能觉得一个pip install paddlepaddle命令不就完事了吗但实际工作中尤其是在企业级开发、多环境部署或者需要特定硬件加速的场景下一个“正确”的安装远不止这么简单。它直接关系到后续模型训练的效率、代码的兼容性甚至是项目能否顺利跑起来。我见过太多团队在环境配置上浪费数天时间问题千奇百怪从CUDA版本不匹配到依赖库冲突再到虚拟环境权限问题。因此把安装这件“小事”吃透是高效开展PaddlePaddle项目的基础。无论你是刚接触深度学习的学生还是需要为团队搭建统一开发环境的工程师这篇从一线实战中总结的安装指南都能帮你避开那些隐形的坑一步到位搞定环境。2. 安装前的核心考量与方案选型在动手敲命令之前先别急着复制粘贴网上的教程。安装PaddlePaddle不是一个孤立动作它必须与你整体的开发环境和项目目标对齐。盲目安装最容易导致后续的兼容性灾难。2.1 明确你的硬件与需求场景首先问自己几个问题用什么硬件训练这是决定安装版本的核心。仅用CPU如果你的机器没有NVIDIA GPU或者你只想先跑通代码逻辑那么安装CPU版本即可。它安装最简单兼容性最好但训练和推理速度会慢很多。使用GPUNVIDIA这是绝大多数深度学习开发者的选择能利用GPU的并行计算能力极大加速。这时就必须安装支持CUDA的GPU版本。这里有一个关键陷阱PaddlePaddle的GPU版本与NVIDIA的CUDA工具包版本有严格的绑定关系并非越新越好。项目对框架版本有要求吗如果你是要复现某个论文的代码或者接手一个老项目很可能代码依赖于某个特定的PaddlePaddle版本如2.4.0。直接安装最新版可能导致API变更程序报错。开发环境如何管理是直接在系统Python里安装还是使用虚拟环境强烈建议后者。虚拟环境如conda或venv可以为每个项目创建独立的Python包空间避免不同项目间的依赖冲突。想象一下项目A需要paddlepaddle2.4.0项目B需要paddlepaddle2.5.0没有虚拟环境你只能二选一频繁重装。2.2 版本匹配CUDA、cuDNN与PaddlePaddle的“铁三角”对于GPU用户理解CUDA、cuDNN和PaddlePaddle三者的关系至关重要。它们就像一套精密咬合的齿轮版本不匹配整个系统就无法运转。CUDA是NVIDIA推出的通用并行计算平台PaddlePaddle的GPU运算需要调用它。cuDNN是NVIDIA深度优化的深度学习GPU加速库PaddlePaddle利用它来实现更高效的核心操作。PaddlePaddle框架本身会编译针对特定CUDA和cuDNN版本的二进制包。实操心得安装前第一件事是查看你机器上已有的CUDA版本。在命令行输入nvidia-smi右上角显示的CUDA Version是你驱动支持的最高版本但实际安装的CUDA工具包版本可能更低可以用nvcc --version查看。你应该根据已安装的CUDA工具包版本来选择对应的PaddlePaddle版本而不是根据驱动支持的最高版本来选。PaddlePaddle官网提供了清晰的版本匹配表格。例如如果你系统安装的是CUDA 11.2那么你应该寻找支持CUDA 11.2的PaddlePaddle安装命令它通常会自动匹配兼容的cuDNN版本。2.3 安装渠道选择pip、conda与源码编译pip安装最常用、最快捷的方式。直接从PyPIPython包索引或PaddlePaddle的官方镜像站下载预编译好的whl包。适合绝大多数用户。conda安装如果你使用Anaconda或Miniconda进行环境管理可以通过conda命令从特定的channel如https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/安装。conda的优势在于能更好地处理非Python的底层依赖如某些C库环境隔离更彻底。源码编译最复杂但最灵活。你可以针对特定的CPU指令集如AVX2、操作系统、甚至是特定的CUDA版本进行极致优化。通常只在有特殊需求如嵌入式部署、定制化算子或为特定芯片如华为昇腾NPU构建时才需要。注意对于国内用户为了获得更快的下载速度强烈建议使用百度提供的国内镜像源进行pip或conda安装可以节省大量时间。3. 分步实操从零搭建稳定的PaddlePaddle环境下面我将以最常见的场景——在Linux系统Ubuntu 20.04上为已有NVIDIA GPUCUDA 11.2的机器安装PaddlePaddle GPU版本——为例演示一个完整、稳健的安装流程。这个流程也适用于Windows和MacOS核心逻辑相通。3.1 第一步基础环境检查与准备在安装任何包之前先打好地基。检查Python版本PaddlePaddle通常要求Python 3.7。在终端输入python3 --version确认版本。如果版本过低需要先升级Python。建议使用pyenv等工具管理多版本Python。创建并激活虚拟环境这是保证环境纯净的最佳实践。# 使用venvPython内置 python3 -m venv paddle_env source paddle_env/bin/activate # 激活后命令行提示符前会出现 (paddle_env) # 或者使用conda conda create -n paddle_env python3.8 conda activate paddle_env激活后所有后续的pip install操作都只会影响这个虚拟环境不会污染系统。升级pip和setuptools避免因包管理工具过旧导致安装失败。pip install --upgrade pip setuptools wheel验证GPU和CUDA仅GPU用户nvidia-smi # 查看GPU状态和驱动支持的CUDA最高版本 nvcc --version # 查看实际安装的CUDA工具包版本记录下nvcc --version输出的CUDA版本号如11.2这是你选择PaddlePaddle安装命令的依据。3.2 第二步执行PaddlePaddle安装命令根据上一步确定的CUDA版本和Python版本前往PaddlePaddle 官方网站的安装页面 选择对应的配置它会生成最准确的安装命令。例如对于Python 3.8 CUDA 11.2官网可能建议的命令是python -m pip install paddlepaddle-gpu2.5.1.post112 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html命令拆解paddlepaddle-gpu指定安装GPU版本。2.5.1.post112指定版本号post112表示适用于CUDA 11.2。-f https://...指定从PaddlePaddle的官方whl包链接安装确保下载到与配置匹配的预编译包。使用国内镜像加速如果从官方链接下载慢可以替换为百度镜像源pip install paddlepaddle-gpu2.5.1.post112 -i https://mirror.baidu.com/pypi/simple但需要注意镜像源的包更新可能有轻微延迟且务必确认镜像源提供了与你CUDA版本匹配的包。对于CPU版本命令更简单pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple3.3 第三步安装后验证与环境测试安装完成不代表成功必须进行验证。基础导入测试在Python交互环境中尝试导入PaddlePaddle。import paddle paddle.utils.run_check()如果安装的是GPU版本run_check()会输出类似如下信息明确显示找到了GPU设备这才是真正的成功。Running verify PaddlePaddle program ... PaddlePaddle works well on 1 GPU. PaddlePaddle works well on 8 GPUs. PaddlePaddle is installed successfully! Lets start deep learning with PaddlePaddle now.简单功能测试跑一个最简单的张量运算确保核心功能正常。import paddle # 创建CPU张量 cpu_tensor paddle.ones(shape[2, 3], dtypefloat32) print(cpu_tensor) # 创建GPU张量如果安装了GPU版本 if paddle.device.is_compiled_with_cuda(): gpu_tensor paddle.ones(shape[2, 3], dtypefloat32) gpu_tensor gpu_tensor.cuda() # 将张量拷贝到GPU print(gpu_tensor.place) # 应输出 CUDAPlace(0)验证cuDNNGPU版本安装时cuDNN库通常会被自动包含。你可以通过以下方式间接验证print(paddle.device.get_cudnn_version()) # 输出cuDNN版本号如 82004. 进阶安装场景与疑难排错掌握了标准流程我们再来看看那些容易让人头疼的特殊情况和错误。4.1 场景一在Docker容器中安装在容器中安装是最干净的方式之一因为宿主机的环境影响被降到最低。你可以直接使用PaddlePaddle官方提供的Docker镜像。# 拉取带CUDA和cuDNN的PaddlePaddle镜像 docker pull registry.baidubce.com/paddlepaddle/paddle:2.5.1-gpu-cuda11.2-cudnn8 # 运行容器并映射目录、GPU等资源 docker run --name paddle_dev --gpus all -it -v $PWD:/workspace registry.baidubce.com/paddlepaddle/paddle:2.5.1-gpu-cuda11.2-cudnn8 /bin/bash进入容器后PaddlePaddle环境已经准备就绪无需再安装。这种方式非常适合团队统一开发环境和持续集成。4.2 场景二离线环境安装在内网或无法连接互联网的机器上安装需要提前下载好安装包。在一台有网的机器上根据目标环境配置使用pip download命令下载paddlepaddle-gpu及其所有依赖的whl包。pip download paddlepaddle-gpu2.5.1.post112 --platform manylinux2014_x86_64 --only-binary:all: -d ./offline_packages -i https://mirror.baidu.com/pypi/simple--platform参数需要根据目标系统指定。将下载好的offline_packages文件夹拷贝到离线机器。在离线机器上进入虚拟环境使用pip install指定本地目录安装。pip install --no-index --find-links./offline_packages paddlepaddle-gpu4.3 常见错误与解决方案实录即使按照步骤操作也可能遇到问题。这里记录几个我踩过的坑。问题1ImportError: libcudart.so.11.0: cannot open shared object file: No such file or directory现象导入paddle时提示找不到CUDA的动态链接库。根因系统环境变量LD_LIBRARY_PATH没有包含CUDA的库路径或者安装的PaddlePaddle版本所需的CUDA版本与系统实际安装的版本不一致。解决首先确认CUDA确实安装且路径正确。通常库文件在/usr/local/cuda-11.2/lib64请将11.2替换为你的版本。将CUDA库路径永久添加到环境变量。编辑~/.bashrc文件添加export LD_LIBRARY_PATH/usr/local/cuda-11.2/lib64:$LD_LIBRARY_PATH执行source ~/.bashrc使配置生效。如果问题依旧请再次核对PaddlePaddle版本与CUDA版本是否匹配。问题2安装成功但run_check()时提示只在CPU上工作未检测到GPU现象程序能运行但性能极慢验证信息显示未使用GPU。根因可能安装了CPU版本的包paddlepaddle而非paddlepaddle-gpu。Docker容器运行时未添加--gpus all参数。系统驱动太旧或者NVIDIA Docker运行时未正确安装。解决在Python中执行print(paddle.device.is_compiled_with_cuda())如果返回False说明安装的是CPU版本需卸载重装GPU版。在容器外执行nvidia-smi正常但在容器内执行报错则需要安装nvidia-docker2并确保容器以--gpus参数启动。问题3pip install时出现大量编译错误如error: command gcc failed现象安装过程卡在“Building wheel...”很久最后报出一堆C/C编译错误。根因pip尝试从源码编译PaddlePaddle但系统缺少必要的编译工具链或依赖库。对于普通用户我们永远应该安装预编译的二进制包whl。解决最直接的方案使用-f参数指定预编译包的官方索引地址如前面步骤所示强制pip从该地址下载whl文件而不是编译。检查命令中是否包含了--no-binary选项去掉它。确保pip版本足够新。问题4与其它Python包如TensorFlow、PyTorch的冲突现象环境中同时存在多个深度学习框架时可能出现奇怪的错误尤其是与protobuf库的版本冲突。根因不同框架对共同依赖的三方库如protobuf,numpy可能有不同的版本要求。解决最佳实践为每个使用不同深度学习框架的项目创建独立的虚拟环境从根本上隔离依赖。如果必须在同一环境尝试使用conda安装因为conda的依赖解析能力有时比pip更强。手动协调版本。例如PaddlePaddle可能需要protobuf3.20.2而另一个包需要protobuf3.19.0这种冲突通常难以调和再次印证了虚拟环境的重要性。安装看似是第一步实则决定了后续所有步骤的稳定性。花半小时仔细规划并完成一个干净的安装远比在后续调试中花费数天时间去解决因环境问题导致的诡异Bug要划算得多。我的习惯是为每一个新项目都记录一个environment.ymlconda或requirements.txtpip文件并附上安装说明这不仅是对自己负责也是团队协作的基石。