拿到一台新Windows电脑，想入门深度学习，搜索栏里大概率会出现三个词：Anaconda3、PyTorch、Jupyter。这套组合几乎是所有深度学习教程的默认起点，B站上的小土堆笔记、各种PyTorch实战视频，全都默认你已经把这三个东西装好、跑通。但问题恰恰出在这里：环境搭建这一步劝退了大量新手，报错五花八门，还往往查不到能对上号的中文解决方案。

这篇博文我按自己这些年帮人配环境的经验，把从Anaconda3安装、PyTorch GPU/CPU版本选择、到Jupyter配置的完整流程重新梳理一遍。重点覆盖几个高频坑：conda命令无法识别、Jupyter报PermissionError [Errno 13]、装了GPU版但torch.cuda.is_available()返回False、RTX 50系新显卡搭配CUDA 12.8的注意事项，以及Intel显卡跑GPU版本PyTorch的可行路径。适合刚接触Python和深度学习的小白，也适合被各种环境问题折磨到想重装系统的老哥。

1. 方案选型：为什么是这三件套

1.1 Anaconda3：给Python套上“房间管理”

单独装Python本身不复杂，真正复杂的是Python包之间的依赖关系。比如项目A需要numpy 1.x，项目B需要numpy 2.x，如果你只有一个全局Python环境，装了这个就得卸那个。这种场景就像一个人只有一间房，衣服裤子全堆在一张床上：看起来都能找到，但当你需要“穿某件衣服出门”时，总得先把其他东西挪开。

Anaconda3解决的就是这个问题。它自带一个conda包管理器，可以创建多个互相隔离的虚拟环境，每个环境里有自己独立的Python解释器和包集合。PyTorch项目放进一个叫pytorch的环境，网页爬虫项目放进另一个环境，互不干扰，想删哪个直接整个环境删掉，不会把系统搞乱。Anaconda3还预装了conda、Python解释器以及一大批科学计算常见库（numpy、pandas、matplotlib等），开箱即用，省去新手挨个装包的痛苦。

如果你硬盘紧张，也可以考虑Miniconda——它相当于精简版，只保留conda和Python，其他包按需安装。但我给新手推荐时通常还是选Anaconda3：预装的东西多，学习阶段少踩一些缺包的坑，等你熟练了再换Miniconda完全不迟。

1.2 PyTorch为什么成了默认选项

做方案选型时，几乎每个人都会问：PyTorch和TensorFlow到底选哪个？我的回答很直接：2024年以后的新项目，尤其是学术研究、竞赛、论文复现，默认PyTorch，踩坑最少。

理由有三。第一，PyTorch用动态计算图，写代码的方式贴近原生Python逻辑，调试时可以随时print中间张量，就算报错也能很快定位；TensorFlow虽然也有Eager模式，但历史包袱重，很多老教程和代码库还在用静态图的写法，新手很容易被“两层API”搞晕。第二，HuggingFace生态默认支持PyTorch，现在做NLP、大模型相关的东西，几乎绕不开这个生态，你装好PyTorch就等于站到了主流模型库的门口。第三，PyTorch在学术界和Kaggle竞赛里的占比明显领先，复现论文里的代码时，PyTorch版本往往更容易跑通。

至于“TensorFlow 2.0训练速度比PyTorch慢”这类说法，我的经验是：在特定硬件和优化场景下差距没那么夸张，真要追求极致速度，往往还需要配合TensorRT、XLA之类的工具。对绝大多数学习者来说，开发效率和生态兼容性比那点训练速度差异重要得多。

1.3 安装前的关键分叉：CPU、NVIDIA GPU还是Intel GPU

这是整个安装流程里必须想清楚的问题。很多人不管三七二十一直接抄GPU安装命令，结果显卡不支持或者驱动太旧，折腾一晚上还是装了个CPU版，这种“假GPU环境”最坑。

简单分三类情况：

第一，只有核显、没有独立NVIDIA显卡，或者显卡是AMD的旧卡：直接装CPU版PyTorch。环境简单、不会报错，能跑通所有入门代码，只是训练速度慢，但学习阶段完全够用。

第二，有NVIDIA独立显卡（GTX 10系及以上）：装GPU版。训练速度提升几个数量级，后面跑稍微像样点的模型都离不开它。

第三，Intel Arc独显或较新的Intel核显：可以走Intel官方扩展IPEX（intel-extension-for-pytorch）来调用GPU，但安装方式特殊，后面单独讲；NVIDIA显卡的常规命令在这里不生效，不用浪费时间试。

判断自己显卡类型很简单：右键“此电脑”->“管理”->“设备管理器”->“显示适配器”，看一眼型号就清楚了。这个步骤花不了30秒，但能帮你省下至少两小时的无效折腾。

2. Anaconda3安装与源配置

2.1 下载安装与两个关键选项

Anaconda3官方下载地址是anaconda.com/download，国内网络环境下，从官网下载安装包的速度通常还凑合，万一很慢，可以用清华开源软件镜像站的Anaconda安装包目录，找最新的Windows-x86_64.exe文件即可。

安装过程基本都是“下一步”，但有两个选项值得注意：

第一个是“Install for Me”还是“Install for All Users”。我的建议是选“Install for Me”，也就是只给当前用户安装。这样路径一般是C:\Users\你的用户名\anaconda3，写权限、环境变量都相对简单，后续Jupyter写文件之类的权限坑会少很多。选“All Users”往往装到C:\ProgramData\anaconda3，后面很容易撞上Program Files目录权限问题。

第二个是“Add to PATH”复选框。安装界面上通常还有一行“Add Anaconda3 to my PATH environment variable”，并且旁边往往有小字提示“不推荐”。这个选项的处理要分情况：如果这台电脑是全新的，没有其他Python环境，我建议直接勾选，省得后来出现“无法将conda项识别为cmdlet、函数、脚本文件或可运行程序的名称”这种报错；如果电脑上已经有别的Python（比如从Python官网装的，或者系统里某些软件自带Python），就不要勾选，避免污染系统PATH，后续统一用Anaconda Prompt操作。

我自己的习惯是：即使当时没勾选“Add to PATH”，安装完成后打开一次Anaconda Prompt，运行conda init cmd.exe或者conda init powershell，也能把conda注册到需要的Shell里。这两种方式等效，看个人习惯。

2.2 换源：不换源的安装体验会劝退一半人

Anaconda3装好后，第一件要紧事是给conda配上国内镜像源。我见过太多新手卡在“conda install pytorch”这一步，进度条走半天然后网络超时，接着就是一连串的SSL错误、Download error，最后情绪崩溃。

在Anaconda Prompt里执行这几条命令，把主源和PyTorch相关源都换成清华镜像：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch
conda config --set show_channel_urls yes

执行完后，可以查看用户目录下的.condarc文件确认配置。如果以后想恢复官方源，把.condarc文件删掉或重命名即可。

这里额外说一点：换了镜像源之后，conda安装包时的“Solving environment”阶段可能会变慢，这是正常的，镜像同步索引需要时间。遇到长时间卡着不动，耐心等一会儿，不要频繁Ctrl+C中断。真要卡到完全没响应，可以试试conda clean -i清理缓存后重试。

2.3 创建虚拟环境：给PyTorch单独开一间房

源配好后，创建PyTorch专用环境。在Anaconda Prompt里执行：

conda create -n pytorch python=3.10 -y

这条命令的意思是创建一个名为pytorch的虚拟环境，Python版本指定为3.10。版本选择上，我的建议是3.10或3.11，不要一上来就选最新的3.13。原因很实际：PyTorch和torchvision等核心库对新Python版本的官方轮子支持往往会滞后，网上大量教程、开源项目也都是基于3.8到3.11写的，用3.10能让你的环境和大多数示例代码对齐，少踩莫名其妙的兼容性坑。

创建完成后，激活这个环境：

conda activate pytorch

激活后，命令行提示符前面会出现“(pytorch)”字样，说明当前处于虚拟环境中。后续装PyTorch、运行Python脚本，都应该在这个状态下进行。

验证环境是否正常，可以执行python --version，看到类似“Python 3.10.x”的输出即可。如果想看目前电脑上有哪些conda环境，执行conda env list，带星号的就是当前激活的环境。

3. PyTorch安装：GPU版、CPU版与新版显卡

3.1 官网选型和命令背后的版本逻辑

PyTorch安装最权威的入口是pytorch.org/get-started，进去之后选择你的操作系统、包管理器、CUDA版本，网站会直接给出一行安装命令。比我对着你背命令靠谱得多，因为PyTorch版本更新很快，老文章里的命令很可能过时。

页面上的选项里，最容易让人迷惑的是CUDA版本号，比如CUDA 11.8、CUDA 12.1、CUDA 12.8、CUDA 13.0。这些数字对应的是PyTorch预编译时所带的CUDA运行时版本，命令里的标识一般写成cu121、cu128这样的缩写。选哪个取决于两点：一是你的NVIDIA驱动支持的CUDA版本，二是你的显卡架构是否被该版本支持。

查看驱动支持的CUDA版本，在命令行里执行：

nvidia-smi

右上角“CUDA Version”显示的就是当前驱动最高支持的CUDA版本。比如显示12.8，那选cu121、cu124、cu128这些都不算错，驱动能向下兼容。这里要澄清一个常见误解：这个数字并不代表你电脑里“已经装好了CUDA Toolkit”。PyTorch的GPU版之所以能跑，是因为它的wheel自带CUDA运行库，真正需要的是——只有“足够新的NVIDIA驱动”。不用专门去NVIDIA官网下载安装CUDA Toolkit，那一步是可以跳过的。

3.2 RTX 50系显卡：需要CUDA 12.8+的PyTorch

2025年入手RTX 5060 Ti、RTX 5070、RTX 5090这些50系显卡的人越来越多。注意，50系用的是Blackwell架构（计算能力代号sm_121），PyTorch官方从适配CUDA 12.8的wheel版本开始才加入对这部分新架构的支持。如果你按一些老教程装了cu121或者cu118的版本，代码能import torch，但一执行张量运算就会报“no kernel image is available for execution on the device”之类的错误，核心就是架构不匹配，内核不认识你的显卡。

所以50系显卡用户直接在PyTorch官网选择CUDA 12.8或更新版本，或者用pip方式安装，指定cu128索引：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

conda方式在某些情况下也能装，但conda源的pytorch-cuda版本更新节奏不如pip的whl仓库快，50系显卡用户如果发现conda装完跑不起来，优先换pip方式。

顺便回应一下热词里提到的“anaconda3 window安装whl”：如果你从PyTorch官网或者镜像站直接下载了.whl文件（也就是预编译的Python安装包），本地安装的命令是：

pip install 下载的文件名.whl

whl方式的好处是可以完全绕过conda的依赖解析，下载哪个版本就跑哪个版本。适合conda装不上、或者需要特定cu版本配套的时候。

3.3 CPU版安装（兜底方案）

没有NVIDIA显卡、或者暂时不打算折腾GPU的，CPU版安装极其简单：

pip install torch torchvision torchaudio

默认就会装CPU版本。装上后torch.cuda.is_available()返回False是正常的，代码能跑，就是慢。学习阶段跑跑MNIST、CIFAR-10这种小数据集，CPU版也不是不能接受，我在没有独立显卡的老笔记本上照样把一堆入门案例跑完了，只是batch size调小点，耐心多点。

3.4 Intel显卡的GPU训练：可以用IPEX但要注意硬件边界

Intel Arc A370、A750、A770这些独显，以及部分较新的Intel核显（如Arc核显），可以通过Intel官方扩展库IPEX（intel-extension-for-pytorch）调用GPU。基本思路是安装对应PyTorch版本的IPEX扩展包，然后在代码里导入并指定XPU设备。

安装命令大体形如：

pip install torch torchvision torchaudio intel-extension-for-pytorch --extra-index-url https://pytorch-extension.intel.com/release-whl/stable/xpu/us/

具体版本号要以Intel官方GitHub页面上的“安装矩阵”为准，因为IPEX版本和PyTorch版本是严格绑定的，装错版本直接import失败。

我的建议是：如果你的Intel硬件不是Arc系列独显，而只是普通核显，可以先不折腾IPEX，直接跑CPU版。核显在深度学习里性能提升有限，但配置成本一点也不低，学习和验证阶段不划算。等真正有性能需求，再回到这块深水区不迟。

3.5 安装后的“三查”验证

装完PyTorch，不管GPU版还是CPU版，都要到命令行里激活环境，然后做三重验证：

import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else "CPU only")

• 第一查：torch.__version__正常输出，说明包本身装好了。
• 第二查：torch.cuda.is_available()返回True，说明GPU调用链路打通。
• 第三查：torch.cuda.get_device_name(0)能看到你的显卡型号，说明PyTorch真正找到了你的卡。

如果你的显卡是新的RTX 50系，建议再补一句：

print(torch.cuda.get_device_capability(0))

输出类似(12, 1)，意思是计算能力12.1（sm_121），能出现这个数字说明PyTorch内核确实认识你的显卡架构了。

4. Jupyter Notebook：从安装到顺手

4.1 安装Jupyter并把虚拟环境注册成内核

Jupyter Notebook的安装本身不费劲，但“在Jupyter里用PyTorch环境”这一步，新手经常会踩坑。坑的根源是这样的：你在命令行里激活pytorch环境后，pip安装的jupyter和pytorch都是环境里的；但如果你从开始菜单打开Jupyter Notebook，它可能运行在base环境，里面根本没有PyTorch，于是你写import torch直接报ModuleNotFoundError。

我的做法是：在pytorch环境里装好jupyter和ipykernel，然后把这个环境注册成Jupyter的一个内核，之后无论从哪里启动Jupyter，都能选择“Python (pytorch)”内核来运行代码，并且自动拥有PyTorch环境。

在Anaconda Prompt里，确保当前已经在pytorch环境（命令行前缀有pytorch字样），执行：

conda install jupyter -y
pip install ipykernel
python -m ipykernel install --user --name pytorch --display-name "Python (pytorch)"

第三条命令会把这个环境注册到当前用户的Jupyter内核列表里。启动Jupyter后，在“New”下拉菜单中如果能看到“Python (pytorch)”选项，就说明注册成功。新建笔记本后注意看右上角的“内核”名称，确认是python (pytorch)而不是python 3（base内核）。这一点确定了，你的Jupyter和PyTorch才算真正打通。

4.2 修改默认保存路径

Jupyter默认的保存路径通常是系统用户目录（C:\Users\用户名），把项目文件都堆在这里很不舒服。好多人想改到D盘专门的项目文件夹，改了配置却死活不生效，这个我深有体会。

先让Jupyter生成一份配置文件。在命令行里执行：

jupyter notebook --generate-config

这会在当前用户目录下生成.jupyter/jupyter_notebook_config.py。然后打开这个文件，找到这么一行：

# c.NotebookApp.notebook_dir = ''

把注释去掉，改成你想要的路径，注意Windows路径要用正斜杠或者双反斜杠：

c.NotebookApp.notebook_dir = 'D:/project_pytorch'

保存文件后重启Jupyter，理论上会直接打开这个目录。

但很多人在这一步之后发现根本没用，还是打开原来的位置。这里大概率是快捷方式在“捣鬼”：开始菜单里的“Jupyter Notebook”快捷方式很可能带了一个起始位置参数，会覆盖配置文件里的notebook_dir。解决办法是右键快捷方式 ->“属性”，把“起始位置”改成你期望的目录，或者干脆删掉快捷方式，以后在conda环境里直接敲jupyter notebook启动，配置一定能生效。这个“配置改了但快捷方式覆盖了”的坑，我至少见人踩过不下十次。

4.3 给Jupyter加上目录功能

看长笔记时没有目录非常痛苦，尤其深度学习教程类笔记动不动几百行代码和Markdown混排。传统Jupyter Notebook（6.x及更早版本）可以通过nbextensions扩展来实现目录功能：

conda install -c conda-forge jupyter_contrib_nbextensions -y
jupyter contrib nbextension install --user

装完后打开Jupyter，菜单栏会多出一个“Nbextensions”选项，进去勾选“Table of Contents (2)”即可。之后每个笔记本顶部会自动渲染出基于标题层级生成的目录导航。

需要注意：如果你用的是Jupyter Notebook 7.x（新版默认），nbextensions的兼容性变差，不少扩展直接失效。我的建议是，如果你到了Notebook 7这个阶段，直接改用JupyterLab，它自带文件浏览器和大纲/目录功能，不需要额外折腾插件。新手如果不想费劲，装Anaconda3自带的6.x版本就够用，版本没那么重要，能跑教程代码才是关键。

4.4 几个能明显提升使用体验的基础操作

环境配好后，顺手养成几个Jupyter使用习惯，学习效率会高很多。

单元格类型切换：在菜单栏把单元格从“Code”切到“Markdown”，就能写带格式的笔记，配合标题层级（#、##、###）可以在代码块之间插入清晰的说明文字，这也是目录功能生效的基础。

魔术命令：在代码单元格里输入%matplotlib inline，可以让matplotlib生成的图表直接显示在单元格下方，不用弹独立窗口；想统计一段代码的执行时间，用%%time放在单元格开头即可，训练深度学习模型时用来估算每个epoch的时间非常好用。

查看函数文档：在函数后面加问号，比如torch.nn.Linear?，会弹出该函数的签名和文档摘要；或者直接在代码里把光标放在函数名上，按Shift+Tab，也能看到简短说明。这些操作看似微不足道，但在没人指导的自学阶段，能极大减少谷歌搜索次数，让“自己弄明白”这件事变得可行。

5. 高频报错排查与后续实战衔接

5.1 conda不识别与PowerShell环境问题

热词里有句典型的报错：“PS D:\project_pytorch> conda activate pytorch conda : 无法将‘conda’项识别”，这个我太熟悉了。在PowerShell或者CMD里输入conda，系统直接说不认识这个命令，原因无非两种：

• 安装Anaconda3时没勾选“Add to PATH”，且之后没有初始化过，系统找不到conda.exe所在的目录；
• conda命令本身能用，但当前终端是从旧会话继承来的，没有加载新注册的环境变量。

解决办法分层次走。第一层，如果Anaconda3安装后你一次都没重启过PowerShell，先重启终端或者注销重登系统，很多时候环境变量只是没刷新。第二层，明确告诉当前Shell conda在哪，最简单的方法是初始化：

conda init powershell

这个命令会把conda的初始化脚本写入PowerShell配置文件。之后再重启PowerShell，conda就能正常识别。如果你平时用的是CMD，则执行conda init cmd.exe。如果前两层都无效，检查系统环境变量PATH里有没有C:\Users\你的用户名\anaconda3和C:\Users\你的用户名\anaconda3\Scripts这两项，没有就手动加上，再重启终端。

每次遇到这个报错，我都建议大家先想清楚一个问题：你正在用的这个终端，和你刚才装Anaconda3的那个“Anaconda Prompt”是不是同一个？Anaconda Prompt是Anaconda自带的专用命令行，它启动时已经自动加载了conda环境变量，基本不会出现“conda不识别”。如果你已经习惯在PowerShell里干活，务必先跑一次conda init powershell把这个通道打通。

5.2 Jupyter的PermissionError [Errno 13] Permission denied

Jupyter的权限报错也极其高频，典型场景有两个：

• 你从开始菜单启动Jupyter，在笔记本里执行Keras或torchvision下载预训练模型、保存文件时，抛出PermissionError [Errno 13]，且错误信息里经常出现C:\Program Files或C:\ProgramData路径。
• 你之前用“以管理员身份运行”打开了Anaconda Prompt并创建了一些文件或目录，之后再用普通模式跑Jupyter，发现无法写入那些文件。

原因一句话总结就是：Jupyter进程对目标路径没有写权限，或者目标文件的所有权不属于你当前用户。

解决办法从易到难排列：第一，把项目工作目录建在用户目录下（比如C:\Users\你的用户名\projects），Jupyter里所有读写都在这个目录内进行，避开Program Files等受系统保护的区域。第二，如果你确实需要在D盘某个目录工作，检查该目录的“属性”->“安全”->“编辑”，给Users组添加“完全控制”权限。第三，如果错误来自某个文件被管理员创建导致所有权混乱，用管理员终端执行icacls命令重置权限，或者直接把该文件删掉让程序重新生成。

还有一个容易被忽略的点：启动Jupyter時不要动不动就用“以管理员身份运行”。管理员身份运行本身不会报权限错，但由它创建的文件夹、文件默认归属管理员，你之后用普通权限去操作这些目录时，反而会遭到拒绝。我见过太多人“开了管理员模式再也没关过”，最后整个工作目录只有管理员能写，普通模式一运行就报错，绕了很大一圈才发现是“起步就错了”。

5.3 torch.cuda.is_available()为False

这个问题的排查价值极高，因为几乎每位GPU版用户都栽过一次。遇到这个False，先按下面这张表逐条核验：

现象	可能原因	处理办法
torch版本正常，但cuda.is_available()为False	安装的是CPU版PyTorch	按官网GPU命令重新安装
配置了GPU命令，但conda装出来仍是CPU版	在conda环境里忘了指定pytorch-cuda	conda方式安装时确保命令包含pytorch-cuda=指定版本
显卡是RTX 50系	PyTorch版本过老，不支持Blackwell架构	安装cu128及以上的PyTorch
GPU驱动版本过旧	驱动不支持当前CUDA版本	更新NVIDIA显卡驱动到较新版本
打开终端时环境没被激活	PyTorch装进了base环境，而你在pytorch环境里检查	检查命令行前缀是否有pytorch字样
电脑有核显和独显，系统设置默认用核显	个别笔记本工作负载被分配到核显上	在NVIDIA控制面板里设置Python进程使用高性能显卡

排查顺序建议是：先确认你检查CUDA时所在的环境是否和安装PyTorch时一致；再确认torch.__version__是否带cu字样（比如2.6.0+cu128就是GPU版，2.6.0+cpu就是CPU版）；然后看显卡型号是否被当前PyTorch支持；最后才是考虑驱动版本。

我最想强调的一点：不要让“GPU环境”成为一个玄学问题。它本质上就是三层软件（驱动、PyTorch的CUDA运行时、显卡硬件架构）之间的版本匹配问题。每一层都有可查的版本号，一层层对比，总能定位到具体是哪里没对上。

5.4 环境装完之后的第一课：用CIFAR-10和ONNX验证环境

环境全部搞定后，不要急着学各种花哨的网络结构，先跑一个最经典的“环境体检”脚本：加载CIFAR-10数据集，做一个最简单的数据迭代，看能不能正常走通。

import torch
import torchvision
import torchvision.transforms as transforms

transform = transforms.Compose([transforms.ToTensor()])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True,
                                        download=True, transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4,
                                          shuffle=True, num_workers=0)

dataiter = iter(trainloader)
images, labels = next(dataiter)
print(images.shape, labels.shape)

能打印出类似torch.Size([4, 3, 32, 32])的结果，就说明PyTorch安装、数据下载、数据加载链路全部正常。这个验证比单纯检查torch.__version__有价值得多，它直接模拟了真实训练流程中的数据进入环节。

跑完数据流程后，可以顺手做一个ONNX导出的体检，因为“pytorch转onnx”几乎是所有PyTorch工程上线前都要面对的一步：

import torch
import torchvision

model = torchvision.models.resnet18(pretrained=False)
model.eval()
dummy_input = torch.randn(1, 3, 224, 224)

torch.onnx.export(model, dummy_input, "resnet18.onnx",
                  opset_version=13, input_names=["input"],
                  output_names=["output"])
print("ONNX export OK")

生成一个ONNX文件，说明模型导出链路也没问题。这样你就有了一个从训练侧到部署侧的完整硬件验证。

再往后，你就可以顺着自己的学习路线深入了。练手时无非几个方向：图像分类，加载CIFAR-10或MNIST训练一个简单CNN；做L2正则化，在优化器里加weight_decay=1e-4参数就是最常见的实现方式；搞强化学习，把TD3这类算法代码配着gymnasium环境跑起来；做文字识别，各种OCR模型基本也都跑在这套PyTorch环境上。环境地基打好了，上面盖什么楼都只是时间问题。

我个人在实际使用中的体会是：环境搭建这件事，最适合一次做对。不要边装边怀疑，更不要看到一篇新教程就推翻重来。Anaconda3 + PyTorch + Jupyter这套组合之所以能成为主流，恰恰是因为它每一步都有标准答案。按这篇流程走下来，你的环境应该能稳定服役很长时间，后面真正需要花心思的，永远是模型和业务本身，而不是一遍遍重装环境。