Linux-非Root用户-配置深度学习环境

1|01 简介

Anaconda:是一个开源的Python发行版本，其包含了conda、Python等软件包，numpy，pandas，scipy等科学计算包.
Conda:包管理器, venv+pip的作用，也就是虚拟环境+包管理。
Nvidia: 显卡制造商。
显卡:承担输出显示图形的任务。
GPU:图形处理器,是显卡内部的处理器,
cuda:Nvidia推出的运算平台,用于并行计算的框架,使GPU能够解决负责的计算问题。
cudnn: 针对深度卷积神经网络的加速库
显卡驱动: 可以调用GPU并行计算能力的驱动程序

2|02 前言

图片中的实例路径为文件夹以sl示例，实际操作中更改为本人用户。
数据和软件存放建议存放于 /data/用户 ,小文件可以存放于 /home/用户,通过df -h命令可以查看磁盘使用情况，data下共有3.6T可用。
实际操作通过第四台服务器为例
建议使用MobaXterm连接服务器:具体信息请参考

3|03 Anaconda 安装

Anaconda下载

Anaconda-incividual version-下载地址

上传安装包到服务器
通过MobaXterm工具可以快速将刚才下载的安装包上传到服务器中
Anaconda安装: 新建一个soft文件夹用于存放下载的软件文件

可视化界面中右键可以创建新文件夹(也可以使用mkdir命令),我的软件安装文件都存在/home/sl/soft中,数据和软件都存在/data/sl/中

MobaXterm重新连接服务器,这时候命令输入前多了一个base,说明conda已经在环境变量中，可以使用conda命令。

　　　　或者也可以直接使用命令：source ~/.bashrc

查看已安装的包
其中看到Python版本

4|04 配置虚拟环境

１．创建虚拟环境



2. 虚拟环境中安装第三方包

方法一:conda install package_name
方法二:pip安装,例如安装opencv

5|05 安装PyTorch

官网选择对应命令
在虚拟环境中安装
注意: 使用conda命令安装PyTorch会自动安装对应cuda版本
cuda版本与显卡驱动版本对应
如果不需要使用ncvv命令，安装PyTorch或者tenserflow后也可以使用GPU加速。

6|06 配置cuda

6|1方法1 使用Root下Cuda

查看cuda是否安装,-> 没有安装
查找Root下cuda安装位置
配置自己用户下的环境变量,使用MobaXterm工具可以双击打开文件编辑器
复制以下内容到文件末端

# cuda export CUDA_HOME=/usr/local/cuda-10.0 export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH export PATH=/usr/local/cuda-10.0/bin:$PATH # cuda

关闭MobaTextEditor后会询问是否保存到服务器，选择保存。
查看结果

至此，已经完成了基本环境的配置，已经可以正常使用GPU计算资源。

6|2方法2 非Root用户安装cuda

回到base环境中
查看Linux信息,并记住这些信息
CUDA下载地址

下载完成

安装过程

取消其他安装项目，只安装CUDA Toolkit
进入options,修改Toolkit Options
修改Library install path
完成后安装
安装成功显示

更改环境变量使用新安装的10.2版本,一下内容添加到.bashrc

# cuda export CUDA_HOME=/data/sl/cuda-10.2 export LD_LIBRARY_PATH=/data/sl/cuda-10.2/lib/lib64:$LD_LIBRARY_PATH export PATH=/data/sl/cuda-10.2/bin:$PATH # cuda