1. 环境准备：为什么选择CUDA 11.7与PaddlePaddle 2.6.1？

如果你刚接触深度学习，尤其是遥感图像处理，听到要装CUDA、PaddlePaddle、PaddleRS这些名词，是不是感觉头都大了？别慌，我刚开始的时候也这样，感觉像在搭一个极其复杂的乐高，少一块积木整个模型就跑不起来。今天我就带你一步步走通，用最直白的话，把在Windows系统上从零搭建飞桨PaddleRS开发环境这件事讲清楚。咱们的目标很明确：让你能在一个稳定、兼容的环境里，愉快地跑起遥感AI模型。

首先，你得知道我们为什么选这套“组合拳”。PaddlePaddle（飞桨）是百度开源的深度学习框架，而PaddleRS是基于飞桨的遥感智能解译开发套件，专门处理卫星影像、无人机图片这些。要让它“飞”起来，尤其是用上GPU加速，CUDA是绕不开的。CUDA是NVIDIA显卡的并行计算平台，你可以把它理解成GPU的“驱动程序”和“工具箱”。PaddlePaddle的GPU版本需要特定版本的CUDA来配合工作。

那么，为什么是CUDA 11.7和PaddlePaddle 2.6.1呢？这背后是兼容性的考量。PaddlePaddle的每个版本都会官方适配几个特定的CUDA版本。PaddlePaddle 2.6.1的稳定GPU版本，官方明确支持CUDA 11.7。如果你装错了版本，比如装了CUDA 12.x，很可能在导入PaddlePaddle时就会报错，提示找不到对应的库，前功尽弃。所以，版本锁定是成功的第一步，能帮你避开至少50%的坑。另外，CUDA 11.7也是一个比较成熟稳定的版本，对市面上主流的30系、40系显卡支持都很好。接下来，我们就从最基础的软件安装开始。

2. 基础软件安装：Anaconda与CUDA工具包

2.1 安装与管理Python环境：Anaconda实战

深度学习项目最怕“环境污染”。你在A项目里装了个库，结果把B项目需要的某个库版本给覆盖了，导致B项目报错。这种问题用Anaconda可以完美解决。Anaconda是一个包管理和环境管理工具，可以为你每个项目创建独立的“沙箱”（虚拟环境），环境之间互不干扰。

我建议你直接从清华大学开源软件镜像站下载Anaconda3的安装包，速度会快很多。下载那个最新的Windows 64位图形安装包就行。安装时有个关键点：安装路径不要有中文和空格，我一般就直接装到D:\Anaconda3。安装程序会问你是否“Add Anaconda3 to my PATH environment variable”，这个选项我建议不要勾选，然后选择“Register Anaconda3 as my default Python 3.x”。这样能避免它自动修改系统PATH可能带来的冲突，更干净。

安装完成后，我们需要手动把Anaconda的几个关键路径加到系统环境变量PATH里，这样才能在命令行里随时使用conda命令。你需要添加的路径通常包括（根据你的实际安装路径调整）：

• D:\Anaconda3
• D:\Anaconda3\Scripts
• D:\Anaconda3\Library\bin
• D:\Anaconda3\Library\mingw-w64\bin

加完之后，打开一个新的命令行窗口（CMD或PowerShell），输入conda --version，如果能看到版本号（比如conda 24.7.1），就说明安装成功了。接下来，为我们的PaddleRS项目创建一个专属环境。我强烈建议使用Python 3.9，因为它在与很多科学计算库的兼容性上表现最稳定。执行下面这条命令：

conda create -n paddle_rs python=3.9.13

这里的-n paddle_rs指定了环境名，你可以按自己喜好取名。python=3.9.13指定了Python版本。命令执行中会提示你确认安装一些基础包，输入y回车即可。环境创建好后，使用conda activate paddle_rs来激活这个环境。你会看到命令行提示符前面从(base)变成了(paddle_rs)，这表示你已经进入这个独立的“沙箱”了。

2.2 安装CUDA 11.7与cuDNN 8.9.4

这是GPU环境配置的核心步骤，也是新手最容易出错的地方。首先，你需要确认你的NVIDIA显卡支持CUDA。打开命令行，输入nvidia-smi。这个命令会显示你的显卡驱动版本和最高支持的CUDA版本。比如，如果显示“CUDA Version: 12.6”，这表示你的驱动最高可以支持CUDA 12.6，但向下兼容，安装CUDA 11.7是完全没问题的。

接下来，我们去NVIDIA官网的CUDA Toolkit归档页面，找到CUDA Toolkit 11.7.1。注意，要下载的是本地安装包（Local），网络安装包不太稳定。下载完成后，运行安装程序。在安装选项里，我推荐选择“自定义”安装。在组件选择页面，务必取消勾选“Visual Studio Integration”，除非你确定需要用它进行C++开发，否则它可能带来不必要的麻烦。其他组件保持默认即可。

安装路径一般默认在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7。安装完成后，系统环境变量PATH里会自动添加C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\bin。你可以在命令行输入nvcc -V来验证CUDA编译器是否安装成功，它会输出CUDA的版本信息。

光有CUDA还不够，我们还需要cuDNN。cuDNN是NVIDIA深度神经网络加速库，可以理解为CUDA专门为深度学习定制的“增强插件”。你需要注册一个NVIDIA开发者账号（免费），然后去cuDNN归档页面，找到对应CUDA 11.x版本的cuDNN。我们选择v8.9.4 for CUDA 11.x。下载下来是一个压缩包，解压后你会看到bin、include、lib三个文件夹。接下来是关键操作：将这三个文件夹里的所有内容，分别复制到CUDA的安装目录下对应的文件夹里（bin, include, lib）进行合并，而不是覆盖整个文件夹。操作完后，你的CUDA bin目录下应该会多出一些cudnn64_8.dll之类的文件。

3. 安装PaddlePaddle-GPU 2.6.1

基础打牢了，现在来安装主角之一：PaddlePaddle。确保你已经激活了之前创建的paddle_rs环境。为了加快下载速度，我们先配置一下conda的国内镜像源（比如中科大源或清华源）。在命令行依次执行：

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/Paddle/

添加完成后，就可以安装PaddlePaddle-GPU版了。执行下面这条“一站式”命令，它会自动解决所有依赖：

conda install paddlepaddle-gpu==2.6.1 cudatoolkit=11.7 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/ -c conda-forge

这条命令的意思是：在当前环境安装paddlepaddle-gpu的2.6.1版本，并指定配套的CUDA工具包为11.7版本，安装源优先使用清华的Paddle频道和conda-forge。安装过程可能会花点时间，耐心等待。如果网络超时，可以重试几次。

安装完成后，我们来做个快速验证。在Python交互环境中（命令行输入python进入），执行以下代码：

import paddle
print(paddle.__version__)          # 应该输出 2.6.1
print(paddle.is_compiled_with_cuda()) # 应该输出 True
paddle.utils.run_check()           # 进行运行环境检查

如果最后一行输出类似“PaddlePaddle works well on 1 GPU. PaddlePaddle is installed successfully!”，并且能正确识别出你的GPU信息（比如GPU Compute Capability, Driver API Version, Runtime API Version），那么恭喜你，PaddlePaddle-GPU版已经成功安装并可以调用你的显卡了！如果run_check()报错，最常见的原因是CUDA或cuDNN的环境变量没设置好，或者版本不匹配，请回头仔细检查上一步。

4. 编译与安装PaddleRS开发版

PaddleRS是我们要用的遥感工具库。有时我们需要使用最新的开发版（develop分支）来获取一些尚未正式发布的功能或修复。这就需要我们从源码编译安装。

4.1 获取源码与前置依赖处理

首先，你需要安装Git，然后从PaddleRS的GitHub仓库克隆代码，或者直接下载develop分支的ZIP包并解压。假设你解压到了G:\PaddleRS-develop目录。在开始编译前，有一个非常重要的小细节：开发版的版本号问题。PaddleRS开发版根目录下的paddlers文件夹里，有一个.version文件（或者__init__.py文件里的__version__变量），其内容可能是develop。在某些情况下，这可能导致后续pip安装或导入时出现警告。一个稳妥的做法是，手动将其改为一个具体的版本号，比如1.0.0。这只是个标识符，不影响功能。

接下来是依赖包安装，这是编译过程中最容易踩坑的地方。PaddleRS的requirements.txt文件列出了所需的核心依赖，但有些依赖的版本需要特别注意兼容性。根据我的实战经验，我建议你按顺序手动安装以下版本的包，可以避免很多奇怪的错误：

# 激活环境
conda activate paddle_rs
# 切换到PaddleRS源码目录
cd G:\PaddleRS-develop

# 手动安装关键依赖，注意版本号
pip install scikit-learn==0.24.2
conda install gdal==3.4.0 -c conda-forge  # GDAL处理地理空间数据，conda安装更方便
conda install pillow==9.0.1
conda install numpy==1.22.0
conda install opencv==4.4.0
conda install filterpy==1.4.5
pip install opencv-contrib-python==4.4.0.46  # 保持与opencv主版本一致
pip install setuptools==68.0.0  # 这个版本对编译lap等包很关键，新版可能报错
pip install scikit-image==0.21.0  # 降级以避免与numpy的兼容性问题
pip install numba==0.56.2
pip install pandas==2.0.3
pip install xarray==2023.12.0
pip install numpy==1.22.4  # 最后将numpy升级到1.22.4，这是一个比较稳定的版本

安装过程中如果遇到ERROR: Failed to build installable wheels for some pyproject.toml based projects (lap)这类错误，通常是因为setuptools或wheel版本太新或太旧。按照提示安装指定版本的setuptools（如68.0.0），并升级pip、setuptools和wheel工具集往往能解决问题：python -m pip install --upgrade pip setuptools wheel。

4.2 编译安装与最终验证

关键依赖搞定后，就可以安装requirements.txt中剩余的所有依赖了，使用国内镜像源加速：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

最后，执行源码编译安装命令：

python setup.py install

这个过程会编译一些C++扩展，需要一点时间。完成后，你可以在Python中尝试导入paddlers，如果没有报错，就说明PaddleRS已经成功安装到你的环境里了。

为了给你一个更直观的验证，我准备了一个简单的MNIST手写数字识别测试脚本。这个脚本虽然简单，但它会调用PaddlePaddle的基础张量操作、数据集加载、模型定义、训练和预测流程，能很好地检验整个环境是否工作正常。你可以创建一个test_mnist.py文件，把下面的代码复制进去（注意，这是一个简化版，专注于环境测试）：

import paddle
import paddle.nn as nn
import paddle.nn.functional as F
from paddle.vision.datasets import MNIST
from paddle.vision.transforms import ToTensor
import numpy as np

print(f"PaddlePaddle Version: {paddle.__version__}")
print(f"GPU Available: {paddle.is_compiled_with_cuda()}")
print(f"GPU Device Count: {paddle.device.cuda.device_count()}")

# 定义一个简单的卷积网络
class SimpleCNN(nn.Layer):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2D(1, 6, 3, padding=1)
        self.pool = nn.MaxPool2D(2, 2)
        self.conv2 = nn.Conv2D(6, 16, 3, padding=1)
        self.fc1 = nn.Linear(16*7*7, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 10)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = paddle.flatten(x, 1)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 加载数据
print("Loading MNIST dataset...")
train_dataset = MNIST(mode='train', transform=ToTensor())
train_loader = paddle.io.DataLoader(train_dataset, batch_size=64, shuffle=True)

# 创建模型、优化器
model = SimpleCNN()
optimizer = paddle.optimizer.Adam(parameters=model.parameters(), learning_rate=0.001)
loss_fn = nn.CrossEntropyLoss()

# 简单训练一个epoch
model.train()
for batch_id, (data, label) in enumerate(train_loader):
    if batch_id >= 10:  # 只跑10个batch，快速验证
        break
    predicts = model(data)
    loss = loss_fn(predicts, label)
    loss.backward()
    optimizer.step()
    optimizer.clear_grad()
    if batch_id % 2 == 0:
        print(f"Batch {batch_id}, Loss: {loss.numpy()[0]:.4f}")

print("环境测试完成！如果上方没有报错，并且看到了损失值下降，说明你的PaddlePaddle + PaddleRS开发环境已经成功搭建并可以正常运行深度学习任务了。")

运行这个脚本，如果能看到版本信息、GPU状态，并且训练过程能正常输出损失值，那么你的整个开发环境就宣告搭建成功，可以开始你的遥感AI项目之旅了。