手把手教你：基于深度学习的滚动轴承故障诊断｜第 2 篇 · 环境部署：从零搭建 TensorFlow 2.x 深度学习环境（CPU 版）
手把手教你：基于深度学习的滚动轴承故障诊断｜第 2 篇 · 环境部署：从零搭建 TensorFlow 2.x 深度学习环境（CPU 版） - 小屋打AI
滚动轴承故障诊断系列第 2 篇给出环境部署方案：用 Anaconda 创建 bearing 虚拟环境，锁定 Python 3.9，安装 CPU 版 TensorFlow 2.x 及 numpy、scipy、scikit-learn、matplotlib、PyQt5、joblib 等依赖库。
本文是《滚动轴承故障诊断》系列的第 2 篇（环境部署）。
系列完整目录见文末【专栏导航】。本篇配套的安装命令、自检脚本与报错速查，见博主同名公众号。
一、本篇目的：为什么第一件事是搭环境
很多同学拿到代码第一反应是"赶紧跑起来"，结果被 import tensorflow 报错劝退——这不是你笨，是环境没理顺。
深度学习项目区别于普通脚本的关键：它依赖一个由十几个库组成的运行时（TensorFlow 管神经网络、NumPy 管数组、SciPy 读 .mat、scikit-learn 跑随机森林……），这些库又有版本、有依赖、有冲突。先搭好一个干净的、彼此兼容的环境，后面 8 篇才不会处处踩坑。
本文不讲"点哪几个按钮"，而是帮你把这套环境到底由什么组成、为什么这么选想明白；具体命令请到公众号照着做。
二、一套环境 = 三件事
别把它想复杂了，一套能跑的环境就三层：
| 层级 | 是什么 | 本项目的具体选择 |
|---|---|---|
| 解释器 | 真正执行代码的 Python 本体 | Python 3.9（3.8~3.10 均可） |
| 依赖库 | 别人写好的功能包 | numpy / scipy / scikit-learn / matplotlib / tensorflow / joblib / PyQt5 |
| 虚拟环境 | 一套独立的"隔离房间"，房间内固定了 Python 和库的版本 | Anaconda 创建的 bearing 环境 |
为什么要虚拟环境？ 因为你电脑上可能还装了别的 Python 项目（数据分析、爬虫……），每个项目对库的版本要求可能冲突。虚拟环境就像给本项目单独开一间房，互不干扰，换版本、删东西都不怕殃及别的项目。这是专业做法的第一步，别跳过。
三、逐个认识我们需要的依赖库
这些库后面 8 篇都会反复用到，先混个脸熟：
| 库 | 干什么 | 对应文章章节 |
|---|---|---|
| NumPy | 多维数组，所有数据的"容器" | 第 3/4 篇（数据集、预处理） |
| SciPy | 读取 .mat 数据文件（loadmat） |
第 3 篇（数据集） |
| scikit-learn | 随机森林、评估指标 | 第 5 篇 |
| TensorFlow | 构建 CNN / ResNet 神经网络 | 第 6 7 篇 |
| matplotlib | 画波形图、训练曲线、混淆矩阵 | 第 3/6/7 篇 |
| PyQt5 | 做带界面的诊断工具 | 第 8 篇 |
| joblib | 保存/加载随机森林模型 | 第 5 篇 |
依赖之间的"隐形关系"：TensorFlow 内部依赖 NumPy；scikit-learn 依赖 NumPy 和 SciPy。这就是为什么要用 Anaconda 统一装——它能自动处理好这种依赖关系，避免你手动装的时候"装了 A 发现要 B，装了 B 又把 A 覆盖了"。
四、CPU 还是 GPU？本项目 CPU 足够
很多同学一上来就担心"没显卡能不能跑深度学习"。本项目可以，且应该用 CPU 版跑。
- 数据量只有 5600 条、模型是轻量的 1D 卷积网络，CPU 训练也就 10~30 分钟，完全可接受；
- GPU 版需要英伟达显卡 + CUDA 环境，配置成本高、坑多，对入门而言得不偿失；
- 写论文、做答辩，CPU 跑出的结果和 GPU 完全一样，看不出差别。
所以：先装 CPU 版，跑通全流程；以后真要做大规模项目，再考虑 GPU。
五、Python 版本怎么选（决定成败的关键一步）
TensorFlow 对新版 Python 的跟进向来慢半拍。版本太新（3.11+）反而装不上兼容的 TensorFlow。
所以本项目锁 3.9：这个版本 TensorFlow 支持最稳、生态最全，是社区公认的"安全版本"。这也解释了为什么环境篇特别强调"用 Anaconda 建独立环境"——你可以在 3.9 环境里跑本项目，同时完全不影响电脑上可能已有的其他 Python 版本。
六、环境搭建的自检思路
装完之后，别急着跑模型，先做"体检"。
体检逻辑一句话：检查每个关键库是不是装上了、能不能正常导入。这不是"确认文件在不在"，而是模拟一次真正的 import，如果有库没装齐，这一步就暴露了，而不是等你跑几十行代码后才报错。
公众号里给你配了一个 check_env.py 自检脚本，它做的事就是：逐个 import 核心库 → 打印 [√]/[×] → 缺哪个就直接告诉你该装什么。这是专业 debug 的第一课：先定位，再解决，不瞎试。
七、环境篇的"三个高频疑问"
Q1：装失败了，问题到底出在哪？
按三层排查：① 是不是没装 Anaconda（最基础）；② 是不是没激活 bearing 环境就装了库；③ 是不是在装的时候断网/版本不匹配。绝大多数环境失败，都在这三层里。
Q2：能在两台电脑上同步吗？
可以。等 01 章跑通后，用 requirements.txt 在另一台机器 pip install 就能复刻出几乎一致的环境，这比手动一个个装靠谱得多。
Q3：装完卡在"正在运行 TensorFlow"很久？
正常。TensorFlow 首次启动要初始化，耗时几秒到几十秒不等，不是卡死。可以开个后台干别的。
八、本篇小结
- 环境 = 解释器 + 依赖库 + 虚拟环境，三者理解之后,安装就不是玄学；
- 本项目锁 Python 3.9、用 CPU 版 TensorFlow,零基础一台普通电脑即可；
- 具体安装命令、自检脚本、报错速查：公众号私信。
【专栏导航】
| 篇次 | 主题 | 状态 |
|---|---|---|
| 1 | 项目总览与三模型对比 | ✅ |
| 2 | 环境部署：Anaconda + TensorFlow 2.x 全流程（本文） | ✅ |
| 3 | CWRU 数据集深度解析与波形可视化 | 排期中 |
| 4 | 数据预处理源码走读：从 .mat 到 npy | 排期中 |
| 5 | 随机森林：传统基线的取舍 | 排期中 |
| 6 | 一维卷积与残差模块：83% 到 95% 的原理拆解 | 排期中 |
| 7 | 训练与评估：复现全部实验结果 | 排期中 |
| 8 | 可视化界面：PyQt5 搭建诊断工具 | 排期中 |
| 9 | 从代码到毕设：论文框架与答辩话术 | 排期中 |
下一篇预告：《CWRU 数据集深度解析与四类故障波形可视化》，带你看懂这份免费公开的轴承数据集里到底藏了什么。
版权说明：CWRU 数据集版权归凯斯西储大学所有，仅限学习研究使用；本文代码与文字为本人原创，付费专栏读者可学习使用，禁止转售。
来源：博客园 · cnblogs.com