本篇博客包含对于虚拟环境概念的讲解和代码实现过程中相关bug的解决

关于虚拟环境

        我的pytorch虚拟环境在D盘，相应python解释器也在D盘（一起），但是我的pycharm中的项目在C盘，使用的是pytorch的虚拟环境，这是为什么行得通呢？

        后来知道 Python 虚拟环境的核心逻辑是 “解释器与项目路径分离”，只要 PyCharm 能正确找到虚拟环境中的 Python 解释器，无论解释器和项目文件在哪个磁盘分区，都能正常工作。具体原因如下：

1. 虚拟环境的本质：独立的解释器与依赖库

        虚拟环境（如你在 D 盘的 PyTorch 环境）本质上是一个 包含独立 Python 解释器（python.exe）和依赖库文件夹（site-packages）的目录。例如，它的路径可能是：
D:\envs\pytorch-gpu\python.exe

        这个环境的核心作用是：

• 提供一个独立的 Python 解释器，不依赖系统默认的 Python。
• 所有安装的库（如 torch、tensorboard）都保存在该环境的 site-packages 文件夹中（如 D:\envs\pytorch-gpu\Lib\site-packages）。

        只要 PyCharm 能通过路径找到这个 python.exe，就能调用该环境的解释器和依赖库，与项目文件（C 盘）的位置无关。

2. PyCharm 的工作逻辑：关联解释器而非依赖路径

        PyCharm 管理项目时，关键是 “指定项目使用哪个 Python 解释器”，而非 “解释器必须和项目在同一磁盘”。具体流程是：

1. 你在 PyCharm 中为项目指定了解释器路径（D 盘的 pytorch-gpu 环境）。

2. PyCharm 会记录这个路径，并在运行代码、安装依赖时，强制使用该解释器：

• 当你在 PyCharm 终端运行 pip install xxx 时，实际调用的是 D:\envs\pytorch-gpu\Scripts\pip.exe，安装的库会存到 D 盘的 site-packages。
• 当你运行项目代码时，PyCharm 会用 D:\envs\pytorch-gpu\python.exe 执行 C 盘的项目文件（.py）。

        这种 “解释器在 D 盘，项目在 C 盘” 的分离，就像 “用 D 盘的播放器播放 C 盘的视频文件” 一样自然，完全不冲突。

3. 跨磁盘工作的底层原理

        文件读取机制：操作系统（Windows）允许程序跨磁盘读取文件，只要路径正确（例如，D 盘的 Python 解释器可以读取 C 盘的 .py 代码文件）。

        环境变量与路径解析：虚拟环境被激活时，PyCharm 会临时调整终端的环境变量，让 python、pip 等命令指向 D 盘的解释器，确保所有操作都基于该环境。

关于tensorboard的实战bug问题

        原代码如下：

from torch.utils.tensorboard import SummaryWriter
# ctrl + 右键 也可以查看这个类的说明writer = SummaryWriter('log')# 指定日志保存目录# writer.add_image()
for i in range(100):writer.add_scalar('y=x', i, i) # 添加标量数据writer.close()

        在终端运行时，大家可以很清楚看到，使用python来运行和直接使用类来运行的差别，前者可以正常运行，后者会报错，找不到路径

(pytorch-gpu) PS C:\Users\admin\Desktop\huahuo\pytorch_learn\pycharm> python -m tensorboard.main --logdir=log
TensorFlow installation not found - running with reduced feature set.
Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
TensorBoard 2.19.0 at http://localhost:6006/ (Press CTRL+C to quit)(pytorch-gpu) PS C:\Users\admin\Desktop\huahuo\pytorch_learn\pycharm> tensorboard --logdir=log
tensorboard : 无法将“tensorboard”项识别为 cmdlet、函数、脚本文件或可运行程序的名称。请检查名称的拼写，如果包括路径，请确保路径正确，然后再试一次。
所在位置 行:1 字符: 1
+ tensorboard --logdir=log
+ ~~~~~~~~~~~+ CategoryInfo          : ObjectNotFound: (tensorboard:String) [], CommandNotFoundException+ FullyQualifiedErrorId : CommandNotFoundException

        差别原因在于：在命令行中直接运行 tensorboard 命令和通过 Python 模块（python -m tensorboard.main）调用 TensorBoard 时，系统查找可执行文件的方式存在差异

PATH 环境变量方面：

• 当使用 python -m tensorboard.main 命令时，Python 会依据自身的模块搜索路径来查找 TensorBoard，这和环境变量 PATH 没有关系。

• 而直接输入 tensorboard 命令时，系统会在 PATH 环境变量所列出的目录里查找对应的可执行文件。要是 TensorBoard 的可执行文件所在目录没有被包含在 PATH 中，就会出现找不到命令的错误。

Anaconda 环境的特性：

• Anaconda 环境在激活之后，会动态地对 PATH 进行修改，把环境中的 Scripts 目录添加进去。不过，这种修改有时候可能会失败或者不完整。

• TensorBoard 的可执行文件一般位于 Anaconda 环境的 Scripts 文件夹中，比如：

C:\Users\admin\anaconda3\envs\pytorch-gpu\Scripts\tensorboard.exe

解决办法

方法 1：使用 Python 模块调用

        推荐继续采用 python -m tensorboard.main --logdir=log 这种方式来启动 TensorBoard，因为它不依赖 PATH 环境变量，所以更加可靠。

待续