开发环境搭建指南

#2026/01/02

https://www.bilibili.com/video/BV16AKAzzECq?spm_id_from=333.788.videopod.sections&vd_source=e507242a02e4c9fdb6386bb791e1c08f

提示词：

我是一个正在阅读 Sebastian Raschka 的《从零构建大模型》（Build a Large Language Model from Scratch）的全栈工程师，我发现作者在 youtebe 上发布一些导学视频，但我没时间的看完整视频，所以我会把字幕都给你，你帮我整理一份博客文章出来，要求如下
- 结构化表达（比如 markdown 的层级很重要）
- 尽量不丢失原文，并且不重不漏
- 方便用于分享，所以阅读性应该很强，深入浅出的讲解
- 补充必要的信息，比如作者提到的 Github 仓库，你需要补全真实的地址
- 补充信息：我的电脑是 mac pro M4 ，所以你不用考虑其他机型比如 windows 
以下字幕内容：
xxx

旨在帮助您快速、专业地搭建起《从零构建大模型》（Build a Large Language Model from Scratch）的学习环境。
虽然第一章主要聚焦于理论，没有代码，但它是后续所有实战的基石。今天，我们将重点解决一个核心问题：如何在你的电脑上搭建一个理想的、现代化的 Python 编程环境？

🛠️ 核心资源准备
💻 硬件与兼容性说明
🐍 Python 版本的选择策略
- 1. 为什么不推荐最新的 Python 3.13？
- 2. 安装方式
⚡ 现代化包管理工具：UV
- 为什么选择 UV？
📝 实战：几步完成本地环境搭建
☁️ 备选：Google Colab 设置技巧
💡 给开发者的学习建议

🛠️ 核心资源准备

在开始搭建之前，建议你收藏本书的官方代码仓库。这里包含了所有章节的 Jupyter Notebook 示例：

GitHub 仓库地址：https://github.com/rasbt/LLM-from-scratch
补充设置指南：仓库中的 setup 文件夹包含了针对不同环境的详细说明。

💻 硬件与兼容性说明

即使你没有顶配的 GPU，也不必担心。

多设备支持：
- 本书代码在 MacBook Air（5 年老机型）、Linux 和 Windows 上均经过测试。
硬件自适应：
- 如果你有 GPU，PyTorch 会自动调用它；如果没有，代码在 CPU 上也能良好运行。
云端方案：
- 如果本地配置遇到困难，推荐使用 Lightning Studio 或 Google Colab。书中所有 Notebook 均可直接上传至云端运行。

🐍 Python 版本的选择策略

黄金法则：千万不要动操作系统自带的 Python。

1. 为什么不推荐最新的 Python 3.13？

虽然截止视频录制时 Python 3.13 已经发布，但我强烈建议安装稍旧的版本（如 Python 3.11 或 3.12）。

生态滞后性：
- 像 PyTorch 这样的深度学习核心库，通常需要几个月的时间才能完美适配最新的 Python 版本。
科学计算需求：
- 最新的 Python 特性在科学计算中很少用到，而稳定性远比追新更重要。

2. 安装方式

官方渠道：前往 Python.org 下载。
包管理器（推荐）：macOS 用户可以使用 Homebrew：

brew install python@3.11

⚡ 现代化包管理工具：UV

过去我长期使用 Conda 和 Pip，但现在我的个人首选是 UV。

为什么选择 UV？

极致性能：它比传统的 Pip 快得多（由 Rust 编写）。
兼容性高：它提供了 uv pip 接口，语法与 Pip 几乎完全一致。
安装简单：

pip install uv

📝 实战：几步完成本地环境搭建

假设你已经下载了 GitHub 仓库并进入了项目目录，请按照以下步骤操作：

第一步：创建虚拟环境

虚拟环境是独立的文件夹，可以防止不同项目间的依赖冲突。

# 创建一个名为 .venv 的环境，并指定使用 Python 3.11
uv venv --python 3.11

第二步：激活环境

macOS / Linux: source .venv/bin/activate
Windows: .venv\Scripts\activate

# 一定要激活，已
source .venv/bin/activate

激活后，你可以通过 which python (Mac) 确认当前正在使用的是虚拟环境中的 Python。

第三步：安装核心依赖

书中最重要的库是 PyTorch（安装名为 torch）。

# 安装所有依赖（推荐）
uv pip install -r requirements.txt

第五步：启动 Jupyter Lab

uv run jupyter lab

☁️ 备选：Google Colab 设置技巧

如果你更喜欢在云端运行，可以利用 UV 快速配置 Colab 环境：

在 Notebook 单元格中输入：

!pip install uv
!uv pip install --system -r https://raw.githubusercontent.com/rasbt/LLM-from-scratch/main/requirements.txt

注意：在 Colab 中无需创建虚拟环境，直接使用 --system 参数安装即可。

💡 给开发者的学习建议

“手动挡”学习法：
- 虽然可以直接运行现有的 Notebook，但我强烈建议你新建一个空白 Notebook，亲手敲入每一行代码。这种肌肉记忆对于理解大模型的架构至关重要。
拒绝剧透：
- 在打开现有 Notebook 时，建议先点击 Cell -> All Output -> Clear 清除所有输出，带着悬念去运行代码。

liguwe's site