GPU 工作站 DeepMD-kit 运行环境配置

本案例面向一台用于机器学习势训练和分子模拟相关工作的 GPU 工作站。用户已经安装过 Conda、CUDA 和 DeepMD-kit，但导入 deepmd 时失败，或运行时无法正确调用 GPU。

我们围绕 NVIDIA 驱动、CUDA runtime、TensorFlow 和 DeepMD-kit 的版本关系重新整理环境，建立隔离 Conda 环境并完成 GPU 路径验证。

该工作站用于机器学习势训练、数据处理和后续分子模拟任务。用户希望环境既能用于 DeepMD-kit，又尽量避免和其它 Python / Conda 环境互相污染。

在原环境中，用户曾多次安装和升级 Conda 包，导致 TensorFlow、CUDA runtime 和 DeepMD-kit 的版本关系混乱。此类问题通常不能靠反复 pip install 解决，需要先固定版本矩阵。

本项目以“建立可复现的 DeepMD-kit GPU 运行环境”为目标，先梳理系统层 NVIDIA 驱动和 CUDA runtime，再确定 DeepMD-kit、TensorFlow 与 Python 版本组合。

我们建立独立 Conda 环境，安装匹配版本的软件包，避免污染已有环境，并通过 Python 导入、GPU 可见性检查和基础测试命令完成验收。

本项目解决的不是“安装一个 Python 包”，而是“建立一套不易被随意升级破坏的机器学习势运行环境”。

对于 DeepMD-kit、GPUMD、PyTorch、TensorFlow 等 GPU 计算环境，版本矩阵比单个软件安装更重要。驱动、runtime、框架和 Python 包之间只要一层不匹配，就可能导致环境不可用。

通过隔离 Conda 环境和版本记录，用户后续可在同一机器上并行维护多个计算环境，也便于迁移到新的 GPU 工作站。