先说结论：在Windows上用Anaconda安装d2l库，90%的坑都集中在两个地方：依赖链太长，以及pip子进程权限不足。尤其是标题里那个PermissionError: [WinError 5] 拒绝访问。error loading "D:\Users\ww117\Anaconda..."，几乎每个在Windows下装d2l的人都会撞上一次，这个报错看起来吓人，但本质上不是d2l这个包本身有问题，而是安装器的执行权限和路径策略出了问题。
d2l是《动手学深度学习》这本书配套的Python工具库，它封装了数据加载、模型训练、绘图等一堆常用函数，目的是让人把精力放在理解深度学习原理上，而不是每次写代码都重复造轮子。它支持PyTorch、TensorFlow、MXNet三种后端，默认安装时可能会给你拉一堆依赖。很多初学者跟着教程走，在Windows命令行里输pip install d2l，结果跑了一半直接红字报错，心态当场崩掉。这篇文章就是把我在Windows 10/11下装d2l的整个流程、踩坑点、以及PermissionError的完整解决方案写清楚，适合刚学深度学习的本科生、转行做算法的朋友，以及任何在Windows上用Anaconda管理Python环境的人参考。
1. 先说清楚 d2l 是什么，为什么在 Windows 上装它比想象中更折腾
1.1 d2l 库解决什么问题
《动手学深度学习》这本书早期版本用的是MXNet作为默认后端，后来社区主力转向了PyTorch。d2l库本身是一个轻量级的教学辅助包，里面包括了几个核心模块：
d2l.data：封装了常见数据集的下载和预处理，比如Fashion-MNIST、ImageNet的子集等。d2l.train：封装了模型训练、评估、学习率调度等流程。d2l.plot：基于matplotlib封装了可视化函数，用于绘制损失曲线、权重分布等。d2l.torch/d2l.mxnet/d2l.tensorflow：按后端区分的API入口。
正因为它是教学库，所以它依赖的第三方包非常杂：numpy、pandas、matplotlib、requests、jupyter、torch（或mxnet/tensorflow）、scipy等等。这套依赖链一拉下来，少说几十个包，任何一个环节的网络超时、权限拦截、版本冲突，都会导致安装失败。
1.2 Windows 安装 d2l 的三个核心痛点
第一，依赖链过长。pip在安装时会把所有依赖包一次拉取下来，中途只要有一个包下载超时，整个安装就会回滚，但已下载的缓存不会清理，下次装的时候可能因为缓存损坏继续报错。
第二，pip子进程权限问题。这正是标题里PermissionError: [WinError 5]的直接来源。pip安装某些包时，会调用子进程去执行一些脚本（比如编译C扩展、更新命令行入口），而Windows对Anaconda安装目录默认有严格的权限控制，尤其是装在C:\ProgramData\Anaconda3或者用户目录下的Anaconda文件夹，如果当前终端不是管理员权限，子进程创建文件时就会触发拒绝访问。
第三，软件源网络问题。默认的PyPI源、甚至conda默认源，在国内网络环境下经常超时，导致下载一半失败。这个好解决，换清华镜像源就行，后面我会给出具体命令。
注意：如果你看到的报错是
error loading "D:\Users\ww117\Anaconda\..."，说明你是在安装过程中某个包的post-install script阶段挂掉了。这不是包没下载下来，而是下载完了、解压完了、准备写脚本入口时被系统拦了。
2. 动手前的准备：Anaconda、Python 版本与软件源选型
2.1 Anaconda 安装要点与路径选择
如果你还没装Anaconda，先去清华镜像站下载安装包，版本建议选Anaconda3-2024.02以后的版本，自带Python 3.11，兼容性比较稳。安装时有两个地方一定要注意：
一是安装路径不要选择默认的C:\ProgramData\Anaconda3，也不要放在带中文或空格的路径下。Windows对ProgramData目录的权限控制非常严格，普通用户没有写权限，pip子进程在那边创建临时文件时极易触发PermissionError。我的建议是直接装在D:\Anaconda3或C:\Anaconda3这种盘符根目录下的纯英文路径。
二是安装向导里有一个选项叫Add Anaconda3 to my PATH environment variable，这里我的建议是勾选，但如果你担心和系统已有的Python冲突，那也可以不勾，后面用Anaconda Prompt操作就行。个人经验，初学者还是勾上更省事，但要注意，勾选之后打开CMD，python命令指向的必须是Anaconda的Python，否则后面会出现pip装到系统Python里、conda环境里却找不到包的情况。
2.2 配置 conda 和 pip 镜像源
安装完成后，先别急着建环境，把软件源配好可以省掉后面90%的超时烦恼。
conda 换清华源的命令如下，在终端里逐行执行：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --set show_channel_urls yespip 换清华源，执行：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple换源这件事，不要跳过。我见过太多人卡在Downloading xxx半天然后Read timed out，换了清华源之后，整包下载速度能提升好几倍，尤其是PyTorch那种1GB以上的大包，效果立竿见影。
2.3 不要装到 base 环境，一定要建虚拟环境
d2l库的依赖比较重，而且它的教程经常要求特定版本的PyTorch或numpy，如果你直接往base环境里怼，很容易把Anaconda自带的numpy、scipy版本搞乱，最后连conda本身都用不了。建一个干净的虚拟环境，所有依赖都隔离在里面，出问题直接删掉重建，成本极低。
打开Anaconda Prompt或者普通终端，执行：
conda create -n d2l python=3.9 -y为什么选择Python 3.9而不是3.11？因为d2l库以及它所依赖的某些包，在3.9下兼容性最稳定。虽然d2l官方声明支持3.9到3.11，但实测下来，Python 3.9几乎不会遇到版本冲突，省心。
注意：创建环境后，每次安装前都先确认自己在哪个环境里。终端命令行开头会显示
(base)或(d2l)，如果显示(base)，执行conda activate d2l切换过去。
3. 完整安装 d2l 的实操过程（以 PyTorch 后端为例）
3.1 创建虚拟环境并安装基础包
假设你已经按照上文创建了名为d2l的环境，接下来第一步是升级pip，这一步经常被忽略，但新版pip对依赖解析更合理，也能减少子进程报错的概率：
conda activate d2l python -m pip install --upgrade pip如果你在不该出现的阶段碰到了PermissionError，比如说官方文档压根没提但你就是遇到了，那大概率就是这里。因为pip升级的时候，需要覆盖Anaconda目录下旧版本的pip文件，权限不足时就会被拒。
接着安装Jupyter和基础依赖：
pip install jupyter matplotlib pandas scipy requests这几个包是d2l运行的基础，也可以直接等安装d2l时自动拉取，但拆开装的好处是如果某一个包下载失败，你只重试那一个就行，不用整个依赖链全部重来。
3.2 安装 PyTorch CPU 版和 d2l 库
如果你用的是NVIDIA显卡且CUDA环境已配置好，可以去PyTorch官网生成对应的安装命令。但如果你只是跟着教材学原理，CPU版足够用，安装命令也最简单：
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu然后安装d2l：
pip install d2l此时大概率会看到pip开始解析一堆依赖，然后下载、安装、执行脚本。如果你运气好，一路走到Successfully installed d2l-...，恭喜你，可以直接跳到第3.3节做验证。
如果你看到PermissionError: [WinError 5] 拒绝访问。error loading "D:\Users\ww117\Anaconda..."，别慌，这个就是下一节要解决的核心问题，先继续读。
装d2l的时候，它默认会安装支持所有后端的版本，包括mxnet和tensorflow的额外依赖。如果你确定只用PyTorch，可以稍微缩小安装范围，但不是必须的。个人建议直接全装，因为《动手学深度学习》有些章节会做后端对比，全装了反而省事。
3.3 导入验证与 Jupyter Notebook 内核关联
装完之后先做一次导入验证，确保环境没问题：
python -c "import d2l; import torch; print('d2l version:', d2l.__version__); print('torch version:', torch.__version__)"如果输出正常说明安装成功。接下来把当前环境关联到Jupyter Notebook：
pip install ipykernel python -m ipykernel install --user --name d2l --display-name "Python (d2l)"以后再打开Jupyter Notebook，新建内核时选择Python (d2l)就会自动使用你这个虚拟环境，不用再手动切换。
4. PermissionError [WinError 5] 拒绝访问：原因分析与完整解决方案
4.1 这个报错到底是在哪个环节出现的
先理清楚报错出现的时机，这决定了你用哪种方案解决。
第一种情况是pip安装过程中，某个依赖包下载完成后，pip会运行它自带的setup.py或post-install脚本来生成可执行入口文件。这些脚本需要向Python的Scripts目录写入.exe文件。如果你的Anaconda目录权限不允许当前用户写入，就会爆出PermissionError: [WinError 5] 拒绝访问。
第二种情况是安装时终端不是管理员权限，同时Anaconda安装目录是在C:\ProgramData或C:\Users\你的用户名\Anaconda这类受Windows UAC保护的位置。此时pip子进程执行命令时没有提升权限，写入动作被系统拦下。
第三种情况是杀毒软件（尤其是Windows自带的Defender或某些国产杀软）正在实时扫描Anaconda目录，锁定了某些正在被pip操作的文件，导致写入失败。
从报错信息里的路径D:\Users\ww117\Anaconda来看，这个用户是把Anaconda装在D盘了，这已经避开了C:\ProgramData的权限坑，但仍然出现拒绝访问，那多半就是杀软锁文件，或是pip子进程的执行上下文权限不够。
4.2 常规修复手段：管理员运行、关杀软、改路径
方法一：用管理员身份重新运行终端。
在开始菜单找到Anaconda Prompt，右键“以管理员身份运行”，然后重新执行：
conda activate d2l pip install d2l这个操作解决的是子进程权限不足的问题。用管理员运行时，pip子进程获取到的token是提升过的，写入Scripts目录不会碰到UAC拦截。实测中，这一招能解决大约五成的WinError 5问题。
方法二：临时关闭杀毒软件和Defender的实时保护。
Windows Defender的“实时保护”会锁定目录里的.exe和.dll文件进行扫描，pip写入新文件时如果被锁，就会报拒绝访问。临时关闭的路径是：设置 -> 隐私和安全性 -> Windows 安全中心 -> 病毒和威胁防护 -> 管理设置 -> 实时保护，关掉之后再去重试安装。装完后记得重新打开。如果你装的是其他杀软，同样先退出再重试。
注意：如果你用的是公司电脑或校园网环境，可能存在组策略强制开启杀毒的情况，这时候关不掉实时保护，就往下看方法三。
方法三：把Anaconda放到纯英文短路径，并放开Users目录的权限。
有些人的Anaconda虽然装在D盘，但用户目录D:\Users\ww117\Anaconda里包含特殊字符，或者目录层级太深，Windows在解析长路径时也可能触发奇怪的权限问题。建议直接装到D:\Anaconda3，然后右键文件夹 -> 属性 -> 安全 -> 编辑 -> 给当前用户勾上“完全控制”。这一步是给pip子进程一个明面上的写入许可，能解决一部分路径权限问题。
4.3 针对“子进程报错”场景的进阶解决
如果你已经用管理员身份运行、关了杀毒，仍然报error loading "D:\Users\ww117\Anaconda\..."，说明问题不在权限本身，而在于pip的post-install脚本执行时，加载的某个动态链接库或依赖模块被占用或损坏。
这时候尝试下面几步，按顺序执行：
第一步，清理pip缓存。缓存里可能存着下载一半或损坏的wheel文件，重新安装时pip会优先用缓存，结果反复失败：
pip cache purge第二步，强制重装出问题的包。报错信息里通常会显示是在安装哪个包时执行的脚本，或者在报错上方有几行Running setup.py install for xxx的日志，找到那个包名，单独重装它：
pip install --no-cache-dir --force-reinstall 包名第三步，如果依然报错，可以考虑用--no-build-isolation参数避免隔离构建环境带来的权限切换：
pip install --no-build-isolation d2l第四步，终极手段：绕过pip的post-install脚本，改用conda安装d2l相关依赖。conda在Windows上的安装机制和pip不同，它不执行setup.py生成入口文件，而是直接分发编译好的二进制包，基本不会触发WinError 5。
conda install -n d2l jupyter matplotlib pandas scipy -y pip install d2l前面几个重包用conda装好，剩下的d2l本体再让pip去装，它需要执行的脚本就少很多，不容易触发权限问题。
4.4 终极兜底：把环境的 Scripts 目录权限全部放开
如果你装了很多包，不想一个一个排查，可以直接把Anaconda目录下当前环境的Scripts、Lib、DLLs三个文件夹的写入权限全部放开。具体操作：在文件资源管理器里进入D:\Anaconda3\envs\d2l，右键Scripts文件夹 -> 属性 -> 安全 -> 编辑 -> 选中“Users” -> 在“Users的权限”下方勾选“完全控制”，应用确定。Lib和DLLs文件夹做同样的操作。
这个办法确实有点粗暴，但非常有效。Windows下的权限模型比较迷，你明明已经给了当前用户完全控制，但pip子进程可能是以另一个账户上下文去执行的，直接把Users组放开，能覆盖绝大多数场景。
我线上帮人排查这个报错时，发现一个规律：凡是报错路径里出现
Users\xxx\Anaconda或ProgramData\Anaconda的，放开Scripts目录权限后基本都能解决；凡是报错路径里出现Temp\pip-...的，多半是杀软锁缓存文件，清理缓存或关闭实时保护后就能解决。
5. 装完之后常见问题速查表
5.1 六个高频问题与对应解法
| 问题现象 | 大概率原因 | 解决方案 |
|---|---|---|
pip install d2l卡在Solving environment...超时 | conda依赖解析时间过长，或源速度慢 | 用pip代替conda安装；或给conda换上清华源 |
ERROR: Could not install packages due to an OSError: [WinError 5] | Scripts目录无写权限 | 管理员运行终端，或放开环境目录权限 |
ModuleNotFoundError: No module named 'd2l' | pip装到了其他环境 | 执行conda activate d2l再验证python -c "import d2l" |
ImportError: numpy.core.multiarray failed to import | numpy版本和PyTorch不兼容 | pip install --upgrade numpy或降级numpy到1.24.x |
torch.cuda.is_available()返回False | 安装的是CPU版或CUDA版本不匹配 | 安装GPU版：卸载torch后去官网重新安装对应CUDA版 |
| Jupyter里 import d2l 成功但 import torch 失败 | Jupyter内核选错环境 | 重新执行python -m ipykernel install --user --name d2l |
第一行的“Solving environment”问题特别容易出现在conda安装大包时，我个人的经验是：凡是conda解析超过5分钟还在转圈，直接Ctrl+C取消，改用pip。pip虽然也会有依赖解析，但通常几十秒内就出结果。
第二行的OSError也就是WinError 5的不完全形态，有时pip会把它报成OSError: [WinError 5] 拒绝访问而不是PermissionError，处理思路和上文一致。
5.2 建议的排查顺序
碰到任何安装异常，先按下面的顺序排查，不要一上来就重装Anaconda：
- 确认当前激活环境是不是d2l：
conda info --envs，看有没有星号标记。 - 确认pip指向的是哪个Python：
pip --version，看路径里有没有envs\d2l。 - 查看报错信息的完整日志，不只是最后一行。往上翻10到20行，定位是在下载、解压、编译还是执行脚本时出错。
- 依次执行：管理员运行、关杀软、清理pip缓存、放开目录权限、conda+pip混合安装。
- 最后才考虑删掉环境重来：
conda deactivate && conda env remove -n d2l -y。
排查时最重要的一点是一次只改一个变量。不要同时又是管理员运行又是关杀毒又是改权限，否则就算问题解决了，你也不知道到底是哪一步起的作用，下次换台电脑照样抓瞎。
5.3 给新手的额外提示
第一次装d2l的人，还有两个容易忽略的小点：
一是不要同时开会多个终端窗口操作conda环境，多个conda进程同时访问同一个环境时偶尔会触发文件锁定，表现出来也是PermissionError，但很多人会误以为是权限问题。
二是《动手学深度学习》代码里面经常用d2l.show_fashion_mnist这类绘图函数，如果之后运行代码时提示找不到某个可视化相关的库，多半是d2l的某个额外依赖没装上，执行pip install matplotlib补一下就行，别又想着去重装整个d2l。
6. 写在后面：关于环境安装，我的一点个人体会
装d2l这件事本身不复杂，真正复杂的其实是Windows环境下Python生态的权限和路径管理。我在实际安装中踩得最多的坑，恰恰不是d2l本身的依赖冲突，而是那些看起来和Python毫无关系的系统级问题：杀毒软件锁文件、目录权限不对、终端权限不够。这些问题的共同特点是报错信息特别吓人，但解决方式往往简单得让人想笑。
所以我个人的习惯是，装完Anaconda之后第一件事就是建一个单独的虚拟环境，然后把镜像源、权限、杀毒软件相关的策略全部提前配好，而不是等报错来了再逐项排查。另外一个小技巧是，安装d2l这种依赖繁多的库时，把pip命令加上--progress-bar off，日志会清爽很多，报错时更容易定位是哪一个包出的问题。
希望这篇指南能帮你在Windows下一次性把d2l装好，少走几步弯路。如果中途碰到别的报错，建议先去pip或conda的日志文件里看一眼真实出错原因，再对症下药。环境装好了以后，真正花时间的地方就在理解深度学习本身了，祝学习顺利。
实现：从本原元到查表法)
