保姆级避坑指南：用Anaconda3和PyTorch 1.12.0在Windows上搞定NeRF-PyTorch环境（附清华源）
Windows下NeRF-PyTorch环境配置全攻略：从Anaconda到模型训练
第一次接触NeRF（神经辐射场）时，我被它惊艳的3D场景重建效果深深吸引。但很快发现，环境配置这个看似简单的第一步，却让无数开发者折戟沉沙。特别是当PyTorch版本、CUDA驱动和依赖库之间开始"打架"时，那种挫败感简直让人想放弃。本文将带你避开所有坑点，用最顺畅的方式在Windows上搭建NeRF-PyTorch开发环境。
1. 环境准备：构建稳健的基础
在开始之前，我们需要确保系统具备必要的硬件和软件条件。对于NeRF这类计算密集型任务，显卡性能直接决定训练速度。虽然理论上集成显卡也能运行，但建议至少配备NVIDIA GTX 1060及以上显卡，6GB显存是最低要求。
1.1 Anaconda的安装与配置
Anaconda是Python环境管理的瑞士军刀，特别适合处理复杂的依赖关系。下载时务必选择Anaconda3 2022.10或更新版本，这些版本对Python 3.7+的支持更为完善。安装时注意：
- 勾选"Add Anaconda to my PATH environment variable"选项
- 选择"Just Me"安装模式避免权限问题
- 安装完成后，在开始菜单打开"Anaconda Prompt"测试：
conda --version如果返回版本号（如conda 23.7.4），说明安装成功。国内用户建议立即配置镜像源加速后续下载：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes1.2 创建专用虚拟环境
虚拟环境能隔离项目依赖，避免版本冲突。对于NeRF-PyTorch，我们创建Python 3.7环境：
conda create -n nerf python=3.7 -y conda activate nerf提示：虽然Python 3.8+也能工作，但3.7版本与PyTorch 1.12.0的兼容性经过充分验证
2. CUDA与PyTorch的精准匹配
这是最容易出错的环节。错误的版本组合会导致各种隐晦的错误，从显存分配失败到训练过程崩溃。
2.1 CUDA工具包安装
首先确认系统已安装NVIDIA显卡驱动。在cmd运行：
nvidia-smi查看右上角显示的CUDA版本（如12.1）。这个版本表示驱动支持的最高CUDA版本，我们可以安装更低版本。在虚拟环境中安装CUDA 11.3：
conda install cudatoolkit=11.3 -c conda-forge为什么选择11.3？因为PyTorch 1.12.0官方构建版本主要针对CUDA 11.3和10.2，而11.3在性能和功能上更优。
2.2 PyTorch精准安装
避免直接使用pip install torch这种模糊命令，而是指定完整版本：
conda install pytorch==1.12.0 torchvision==0.13.0 torchaudio==0.12.0 cudatoolkit=11.3 -c pytorch安装后验证GPU是否可用：
import torch print(torch.__version__) # 应输出1.12.0 print(torch.cuda.is_available()) # 应输出True如果遇到CUDA unavailable错误，通常是版本不匹配导致。此时需要彻底卸载后重新安装：
conda uninstall pytorch torchvision torchaudio conda clean --all3. NeRF-PyTorch项目部署
环境就绪后，开始部署NeRF-PyTorch代码库。推荐使用Git克隆最新版本：
git clone https://github.com/yenchenlin/nerf-pytorch.git cd nerf-pytorch如果网络不稳定，可以直接下载ZIP压缩包解压。项目结构如下：
nerf-pytorch/ ├── configs/ # 配置文件目录 ├── data/ # 数据集存放位置 ├── logs/ # 训练日志和输出 ├── run_nerf.py # 主训练脚本 └── requirements.txt # 依赖清单3.1 依赖库安装技巧
修改requirements.txt，注释掉已安装的PyTorch相关行，然后安装其余依赖：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple常见问题处理：
imageio版本冲突：NeRF需要2.9.0版本，新版本参数不兼容
pip uninstall imageio -y pip install imageio==2.9.0tqdm安装失败：尝试添加
--user参数pip install tqdm --user
4. 数据准备与模型训练
4.1 获取示例数据集
Windows无法直接运行.sh脚本，推荐手动下载示例数据：
- 访问Google Drive链接下载
nerf_example_data.zip - 解压到项目下的
data目录，结构应为：data/ └── nerf_example_data/ ├── fern/ # 蕨类植物场景 ├── lego/ # 乐高模型 └── ... # 其他场景
4.2 配置文件调整
编辑configs/fern.txt，确保数据路径正确：
datadir = ./data/nerf_example_data/fern其他可调参数：
| 参数名 | 建议值 | 说明 |
|---|---|---|
| N_iters | 200000 | 迭代次数 |
| lrate | 5e-4 | 学习率 |
| lrate_decay | 500 | 学习率衰减步数 |
| netdepth | 8 | 网络深度 |
| netwidth | 256 | 网络宽度 |
4.3 启动训练
执行训练命令前，建议先测试小规模运行：
python run_nerf.py --config configs/fern.txt --N_iters 1000确认无报错后，正式训练：
python run_nerf.py --config configs/fern.txt训练过程中可能遇到的典型错误及解决方案：
CUDA内存不足：
- 降低
N_samples和N_importance值 - 添加
--no_batching参数
- 降低
优化器报错： 修改
run_nerf.py第206行附近：optimizer.param_groups[0]['capturable'] = True图像加载失败：
pip install pillow==9.0.0
训练完成后，结果会保存在logs/fern目录下，包含渲染图像和视频文件。