学 AI 的人大多数不是倒在模型原理上是倒在第 0 步装环境。而你搜到的教程大概率已经过期——PyTorch 官方在 2026 年 10 月 28 日发布 2.15 GA这是第一个不再提供 Python 3.10 wheel 的版本最低支持提到了 3.11Hugging Face 的 transformers 也在 10 月 26 日推到 v5.21.0v5 这一代直接砍掉了 TensorFlow 和 Flax 后端还把torch_dtype改成了dtype。照着两年前的教程敲pip install装完就是一堆 ImportError。这个系列计划一天一课从入门到精通共 30 课。今天是第 0 课不碰模型只做两件事——把目录定下来把你的机器体检一遍。课程目录30 课从入门到精通阶段课次主题学完能做什么入门第 1-4 课Python 数值计算、numpy 张量操作、梯度手推不用框架手写一个线性回归入门第 5-8 课数据清洗、特征工程、评估指标跑通一个完整的表格数据建模流程进阶第 9-12 课PyTorch 张量、autograd、Dataset/DataLoader用 torch 训练图像分类进阶第 13-16 课CNN / RNN / Transformer 结构逐层实现手写一个迷你 Transformer实战第 17-20 课分词器、注意力可视化、temperature 与采样把 sampling 参数调明白实战第 21-24 课微调LoRA、向量库、RAG、Agent 工具调用搭一个能查自己文档的问答服务精通第 25-27 课量化、torch.compile、推理引擎对比把推理延迟压下来精通第 28-30 课评测体系、训练监控、上线部署与成本交付一个可运维的 AI 服务目录不是死的每课结尾会写明下一课要装什么、验证什么。你跟着目录走不会出现学完第 5 课不知道第 6 课在哪的情况。第 0 课动手一份能直接跑的环境自检脚本先按当前2026-10-30官方推荐的方式装基础依赖Windows / Linux / macOS 通用# CPU 版先跑通流程再考虑 GPU python -m pip install --index-url https://download.pytorch.org/whl/cpu torch torchvision python -m pip install transformers datasets accelerate numpy如果你的机器有 NVIDIA 显卡去 pytorch.org 的 Get Started 选 CUDA 13.22.15 的默认 wheel或 13.4 对应的命令别自己拼 CUDA 版本号。装完用下面这个脚本体检它只依赖 Python 标准库加 numpy有 torch 就多报一行# ai_env_check.py 第 0 课AI 学习环境自检 # 运行python ai_env_check.py import importlib.util as u import platform import sys import numpy as np MIN_PY (3, 11) # PyTorch 2.15 起最低 3.113.10 已无官方 wheel def pkg(name): spec u.find_spec(name) if spec is None: return MISSING try: return __import__(name).__version__ except Exception as exc: # 装了但导不进来通常是 ABI 或依赖版本不匹配 return fBROKEN: {type(exc).__name__} def softmax(logits, temperature1.0): z logits / temperature z z - z.max() # 减去最大值再 exp防溢出这行不能省 e np.exp(z) return e / e.sum() def main(): print( 环境 ) print(Python :, sys.version.split()[0]) print(系统 :, platform.platform()) print(numpy :, np.__version__) print(满足 PyTorch 2.15 最低要求(3.11):, sys.version_info[:2] MIN_PY) print(\n 依赖 ) for name in (torch, transformers, datasets, accelerate, onnxruntime): print(f{name:14s}, pkg(name)) print(\n 采样温度 ) logits np.array([2.0, 1.0, 0.1, -1.0]) words [北京, 上海, 广州, 深圳] rng np.random.default_rng(42) for t in (0.5, 1.0, 2.0): p softmax(logits, t) draw rng.choice(len(words), size20000, pp) freq np.bincount(draw, minlength4) / 20000 print(ft{t:4}, np.round(p, 4), 实测频率, np.round(freq, 4)) print(\n 老代码检查 ) try: np.float_ except AttributeError as e: print([FAIL] np.float_ :, e) if __name__ __main__: main()本机实测输出与怎么读我在一台 Windows 10build 19045、Python 3.13.14、numpy 2.5.1 的机器上跑了这个脚本真实输出如下这台机器没装 torch所以显示 MISSING 环境 Python : 3.13.14 系统 : Windows-10-10.0.19045-SP0 numpy : 2.5.1 满足 PyTorch 2.15 最低要求(3.11): True 依赖 torch MISSING transformers MISSING datasets MISSING accelerate MISSING onnxruntime 1.28.0 采样温度 t0.5 [0.8619 0.1166 0.0193 0.0021] 实测频率 [0.8629 0.1154 0.0192 0.0025] t1.0 [0.6381 0.2347 0.0954 0.0318] 实测频率 [0.6342 0.2384 0.0958 0.0316] t2.0 [0.4512 0.2737 0.1745 0.1007] 实测频率 [0.4522 0.272 0.1748 0.101 ] 老代码检查 [FAIL] np.float_ : np.float_ was removed in the NumPy 2.0 release. Use np.float64 instead.三段数字要看懂满足 PyTorch 2.15 最低要求为 False 的话说明你还在 3.10 或更早先升 Python别去硬装 2.15MISSING表示该装BROKEN比MISSING更麻烦通常是装了但底层库版本打架。采样温度那三行是第 17-20 课的预告现在先记一个直觉temperature 越小概率越往第一名集中。logits 完全没变t 从 2.0 降到 0.5北京的实测频率从 0.4522 涨到 0.8629。所谓调模型说得准还是说得发散底层就是这一个除法。踩坑记录三个真实报错np.float_那条不是我编的是 numpy 2.x 的真实移除项。2024 年之前的教程里满地都是np.float_、np.int0今天跑就是 AttributeError原文np.float_was removed in the NumPy 2.0 release. Usenp.float64instead. 批量替换成np.float64即可。第二个坑藏在 softmax 里。把那行减最大值的操作去掉直接对大模型 logits 取 exp会先溢出再变 nan import numpy as np x np.array([1000.0, 999.0, 998.0]) e np.exp(x) RuntimeWarning: overflow encountered in exp e / e.sum() RuntimeWarning: invalid value encountered in divide array([nan, nan, nan])输出 nan 之后模型不会崩只会一直生成垃圾排查起来非常费时间。这就是为什么所有框架的 softmax 实现里都有那句减最大值——它是数学等价的因为分子分母同时除以同一个常数。第三个坑是 transformers v5 的参数改名。torch_dtypetorch.float16在新版里要写dtypetorch.float16use_auth_tokenTrue要写tokenTrue缓存环境变量TRANSFORMERS_CACHE换成了HF_HOME。你从旧仓库复制代码时这几个不会报参数已废弃而是直接 TypeError 或静默失效所以第 0 课先把版本锁死记下来是有必要的。下一步安排第 1 课从 numpy 张量操作讲起装好 torch 的同学可以直接跟着跑。没装 torch 也不影响前 8 课入门阶段全部用 numpy 手推不引入框架。建议每课结束运行一次ai_env_check.py把输出存下来——环境变迁是 AI 学习里最隐蔽的时间黑洞留一份记录能省掉大量重复排查。小结这一课只做了两件事定下 30 课的目录用一个 60 行脚本把机器体检一遍。别急着跑模型先确认你的 Python 版本站在 PyTorch 2.15 划的线上≥3.11再确认 numpy 已经是 2.x 生态。第 1 课见。