需配置Python虚拟环境、VSCode解释器路径、必要扩展、框架专属调试及GPU依赖；具体包括用pyenv管理Python版本，为PyTorch/TensorFlow分别创建虚拟环境，VSCode中绑定对应解释器，安装Python/Pylance/Jupyter/TensorBoard扩展，定制launch.json调试配置，并按官网指引安装匹配CUDA或Metal的框架GPU版本。
如果您希望在VSCode中高效进行PyTorch与TensorFlow的AI/ML开发，需完成Python环境、扩展插件、调试配置及框架依赖的协同设置。以下是实现该目标的具体步骤：
本文运行环境：MacBook Pro，macOS Sequoia。
一、安装Python环境与虚拟环境管理
使用独立虚拟环境可避免PyTorch与TensorFlow因CUDA版本、Python兼容性或依赖冲突导致的运行异常，确保各项目环境隔离且可复现。
1、通过Homebrew安装pyenv与python-build插件。
2、使用pyenv install 3.10.14命令安装Python 3.10.14版本。
3、执行pyenv global 3.10.14设为全局默认版本。
4、运行python -m venv ~/venvs/ml-pytorch创建PyTorch专用虚拟环境。
5、运行python -m venv ~/venvs/ml-tf创建TensorFlow专用虚拟环境。
二、配置VSCode Python扩展与解释器路径
VSCode需识别并绑定正确的Python解释器，才能提供语法高亮、智能补全、断点调试等核心功能；不同框架应分别绑定对应虚拟环境中的Python可执行文件。
1、在VSCode中打开命令面板（Cmd+Shift+P）并输入Python: Select Interpreter。
2、点击“Enter interpreter path...”，浏览至~/venvs/ml-pytorch/bin/python。
3、对TensorFlow项目，重复步骤1后选择~/venvs/ml-tf/bin/python。
4、确认状态栏右下角显示已选解释器路径，且无红色波浪线报错。
三、安装必需扩展与Jupyter支持
Python扩展提供基础语言服务，Pylance增强类型推导，Jupyter扩展启用交互式笔记本开发，而TensorBoard扩展可直接在VSCode内可视化训练过程。
1、在扩展市场搜索并安装Python（by Microsoft）。
2、安装Pylance（by Microsoft），确保settings.json中"python.languageServer": "Pylance"已启用。
3、安装Jupyter（by Microsoft），重启VSCode后可新建.ipynb文件并运行代码单元。
4、安装TensorBoard（by ms-python），在终端中启动tensorboard --logdir=runs后，点击右上角“TensorBoard”按钮即可内嵌查看。
四、配置launch.json实现框架级调试
为支持PyTorch分布式训练或TensorFlow Estimator模式下的断点调试，需为每个框架定制launch.json配置，明确指定模块入口、参数传递方式与环境变量注入机制。
1、在项目根目录创建.vscode/launch.json文件。
2、为PyTorch添加配置：设置"module": "torch.distributed.run"，"args": ["--nproc_per_node=2", "train.py"]。
3、为TensorFlow添加配置：设置"module": "tensorflow.python.keras.applications"不适用，改用"python": "${file}"并前置设置"env": {"TF_CPP_MIN_LOG_LEVEL": "2"}。
4、保存后，在train.py文件中设置断点，按F5启动调试会话。
五、安装GPU加速依赖与验证脚本
本地GPU支持需匹配CUDA Toolkit、cuDNN与框架预编译版本；仅安装PyPI包不足以启用GPU，必须通过官方渠道获取对应CUDA版本的wheel包。
1、访问PyTorch官网，选择CUDA 12.1选项，复制pip install命令并执行。
2、访问TensorFlow官网，确认macOS不支持CUDA，改用tensorflow-macos与tensorflow-metal插件组合。
3、在PyTorch虚拟环境中运行python -c "import torch; print(torch.cuda.is_available())"，输出True表示GPU就绪。
4、在TensorFlow虚拟环境中运行python -c "import tensorflow as tf; print(tf.config.list_physical_devices('GPU'))"，返回非空列表即表示Metal加速生效。
