由 dawei Unix系统（如Linux、macOS）是机器学习开发的主流平台，其稳定性和可定制性深受研究者与工程师青睐。环境搭建需兼顾系统兼容性、依赖隔离与可复现性。
基础工具链应优先安装：GNU编译器套件（gcc）、CMake、pkg-config及Python（推荐3.9–3.12）。macOS用户通过Xcode Command Line Tools获取核心编译支持；Linux发行版则使用原生包管理器，如Ubuntu/Debian执行sudo apt install build-essential python3-dev，CentOS/RHEL使用sudo dnf groupinstall \”Development Tools\” python3-devel。
Python包管理以venv + pip为核心。避免全局安装，始终用python3 -m venv myenv创建隔离环境，source myenv/bin/activate激活后，再pip install –upgrade pip setuptools。建议配合requirements.txt固定版本：pip freeze > requirements.txt，并通过pip install -r requirements.txt复现环境。
2026AI生成内容，仅供参考
科学计算与深度学习库需额外注意底层依赖。NumPy、SciPy依赖OpenBLAS或Intel MKL以提升线性代数性能；PyTorch、TensorFlow则推荐从官网获取预编译wheel——它们已静态链接CUDA/cuDNN（若启用GPU）或编译为CPU-only版本，避免手动构建引发ABI冲突。
Conda在跨语言依赖（如R、Fortran扩展）或二进制不兼容场景中具独特优势。Miniconda轻量且可控，创建环境时指定python=3.11和channel优先级（如conda-forge），再conda install numpy pytorch torchvision cpuonly -c pytorch可精准拉取优化后的CPU包。但不宜混用conda与pip安装同一包，以防环境污染。
环境可复现性关键在于锁定全部层级：Python解释器版本、pip包哈希（pip freeze –require-hashes）、系统库版本（如glibc≥2.28）。Docker进一步封装这些要素，Dockerfile中FROM ubuntu:22.04、COPY requirements.txt、RUN pip install –no-cache-dir -r requirements.txt构成最小可靠镜像基础。
工具链本身也需维护：定期更新系统包管理器，谨慎升级核心工具（如gcc主版本变更可能破坏现有扩展编译），并始终在非生产环境验证新环境。一次可靠、可审计、易迁移的环境，比追求最新版本更重要。