需先确保终端中深度学习库可导入，再在vs code中激活对应python环境并手动选择解释器；调试时避免num_workers>0和jupyter内核冲突；添加类型注解、拆分链式调用以提升pylance推断；linux/macos用code .启动vs code继承环境变量，windows用anaconda prompt启动。
怎么在 VS Code 里直接运行 Python 深度学习脚本
VS Code 本身不运行代码，它靠 Python 扩展调用你本地的 python 解释器。所以第一件事不是配 VS Code，而是确认你的深度学习环境（比如 torch 或 tensorflow）真正在终端里能 import 成功。
实操建议：
- 打开 VS Code 终端（
Ctrl+`），输入python -c "import torch; print(torch.__version__)"，看是否报错 - 如果报
ModuleNotFoundError，说明 VS Code 当前没激活对的 Python 环境——别急着改设置，先在终端用conda activate myenv或source venv/bin/activate激活它，再用命令面板（Ctrl+Shift+P）选Python: Select Interpreter，手动指向这个已激活环境里的python可执行文件 - 检查右下角状态栏：必须显示类似
Python 3.9.16 ('myenv': conda)，而不是系统默认的/usr/bin/python3
为什么按 F5 调试时卡住或报 CUDA 初始化失败
这不是 VS Code 的锅，是 PyTorch/TensorFlow 在子进程里初始化 GPU 时和调试器有冲突，尤其常见于用了 torch.multiprocessing 或 DataLoader(num_workers>0) 的训练脚本。
实操建议：
- 临时把
DataLoader的num_workers改成0，再 F5 —— 如果能跑通，问题就在这儿 - 不要在调试模式下启动 Jupyter Notebook 内核；VS Code 的 Python 扩展会自动拉起一个 kernel，但深度学习模型加载时可能抢显存，导致 kernel 崩溃，表现为 notebook 单元格一直转圈
- 想边训边看变量？用
print()或logging.info()更稳；断点调试适合查逻辑错误，不适合盯 tensor shape 或 grad flow
怎么让 VS Code 正确识别 model.train() 这类链式调用的类型提示
PyTorch 的动态属性（比如 model.layer1）和 fluent 接口（.cuda().half().train()）会让 VS Code 的 Pylance 推断失效，导致补全不准、跳转失灵。
实操建议：
- 在关键对象后加类型注解，例如：
model: torch.nn.Module = MyNet()，比单纯model = MyNet()强得多 - 避免写
model.cuda().train()这种连写；拆成两行，Pylance 对model.train()的推断更准 - 升级到最新版
Pylance扩展，并在settings.json里加："python.analysis.typeCheckingMode": "basic"，太激进的类型检查反而会让 PyTorch 提示变差
训练脚本在终端能跑，但在 VS Code 里报 OSError: [WinError 126]（Windows）或 libcuda.so not found（Linux）
根本原因是 VS Code 启动时没读取 shell 的环境变量（比如 LD_LIBRARY_PATH 或 PATH 里 CUDA 的路径），而你在终端里 source 过 setup.sh 或激活过 conda。
实操建议：
- Linux/macOS：不要从桌面图标启动 VS Code，改用终端输入
code .启动，它会继承当前 shell 的所有环境变量 - Windows：用 Anaconda Prompt 启动 VS Code，或者修改快捷方式目标为：
cmd /c "call C:\path\to\anaconda3\Scripts\activate.bat && code" - 验证方法：在 VS Code 终端里运行
echo $LD_LIBRARY_PATH（Linux）或echo %PATH%（Windows），确认输出里包含cuda/lib64或cudnn相关路径
GPU 相关错误永远优先查环境变量是否透传，而不是怀疑代码或驱动。这点容易被忽略，但几乎覆盖了 80% 的“终端能跑、VS Code 报错”场景。
