盯着终端里满屏的红色报错，你是不是也忍着没把键盘砸了？机器学习框架这玩意儿，光装个环境就能耗掉你一下午。后台经常收到这样的留言：明明照着教程一步步来，为什么还是报错？别急着怀疑自己，今天就把我踩过的三个大坑摊开说清楚。

先别急着调参，这几个常见坑我替你踩了

　　第一个坑：版本依赖的噩梦。Python包之间互相打架，torch和tensorflow抢cudatoolkit版本，报错像俄罗斯套娃——解开一层还有一层。解决办法只有一个：用虚拟环境隔离。conda create之后，每个项目独立一个环境，别偷懒共用base环境。哪怕你手速快，也得忍受十分钟的安装等待。有位朋友把anaconda重装了五遍，最后发现是pip和conda混用导致的依赖冲突——这坑我替你踩了，记住：要么全用conda，要么全用pip，别混着来。

　　第二个坑：GPU算力白给了。费劲搭好机器学习框架，跑模型时发现GPU占用率只有10%？检查三点：数据加载是否瓶颈（用DataLoader的num_workers调满CPU线程）、模型是否显式调用了.cuda()、batch size够不够大。一个长句帮你记住：如果数据预处理锁死了CPU而GPU闲着，你的3080跟核显没什么两样。改完这几处，训练速度能翻三倍。

　　第三个坑：模型迁移时框架不兼容。你辛辛苦苦用PyTorch训练好的权重，想放到TensorFlow Serving上推理——对不起，格式不通用。别想着手动转，直接用ONNX作为中间件，一步导出。但注意ONNX对某些自定义算子支持有限，导出前先查官方文档里有没有你的操作符。卡在这一步两天的人不在少数。

环境配通后，马上验证这三处

　　第一处：跑一个官方示例。很多框架官网都有quickstart脚本，跑通它说明基础环境没问题。别上来就跑自己的大模型，先让“Hello World”级别的代码顺利输出。

　　第二处：检查日志和监控。用nvidia-smi看显存和温度，用htop看CPU和内存。模型训练过程中如果显存突然掉零，说明框架或驱动崩了——不一定是代码问题，可能是cuda版本与驱动不匹配。升级NVIDIA驱动到最新稳定版，然后降级cudatoolkit到对应版本，这套组合拳能解决80%的崩溃。

　　第三处：备份你的环境配方。跑通后立马执行conda env export > environment.yml，下次换个电脑直接conda env create -f environment.yml，三分钟复现。别问我为什么强调这点——你会发现重装机器学习框架时的烦躁感，比写模型代码还消耗耐心。

　　问题解决了就去泡杯茶，别在这耗着。调优和部署的坑，下次再聊。