Python|Linux服务器配置Python+PyTorch+CUDA深度学习环境 PyTorch|CUDA|Anaconda|Linux

Linux服务器配置Python+PyTorch+CUDA深度学习环境

前言
安装Anaconda
- 下载
- 安装
- 更新
Python虚拟环境
- 创建Python虚拟环境
- 进入虚拟环境
- 删除虚拟环境
配置PyTorch+CUDA环境
- 安装显卡驱动
- 查看服务器CUDA版本
- 安装PyTorch
服务器使用教程
- 查看GPU使用状态
- 运行Python代码
- 为代码指定显卡
附录：conda命令
- 详细命令
- 常用命令如下
- 数据源

前言 【Python|Linux服务器配置Python+PyTorch+CUDA深度学习环境】远程链接Linux服务器 - Windows：详见本人另一篇文章，链接。
本地配置Python+PyCharm+PyTorch+CUDA深度学习环境：详见本人另一篇文章，链接。
Python安装第三方库：详见本人另一篇文章，链接。
pip常用命令：详见本人另一篇文章，链接。
本篇文章介绍如何在Linux服务器上配置Python+PyTorch+CUDA深度学习环境。包含安装Anaconda、Python虚拟环境、配置PyTorch+CUDA环境、服务器使用教程、conda命令、等内容。
配置前需要通过Xshell软件连接到Linux服务器，连接方法详见我的另一篇文章，链接。
安装Anaconda 下载 Anaconda官网：链接。
个人版下载网址：链接。
早期版本下载网址：链接。
安装使用Xftp软件将Linux版安装包传到服务器端，并使用Xshell软件连接到服务器命令行，cd到安装包所在文件夹，使用bash命令进行安装，命令如下：

bash package

输入命令anaconda -V可以查看Anaconda的版本。
更新输入如下命令可更新Anaconda：

conda update anaconda

或将新的Linux版安装包传输到服务器上，cd到安装包所在文件夹，使用如下命令可以进行Anaconda的更新：

bash package -u

Python虚拟环境创建Python虚拟环境注意：若初次使用conda命令报错，是因为没有将conda添加到环境变量，根据报错的提示输入命令即可将其添加到环境变量。
安装好Anaconda后，可以通过命令创建Python虚拟环境，命令如下：

conda create -n [venvName] python=[version]

如：

conda create -n py36 python=3.6

即创建一个Python版本为3.6的名为py36的虚拟环境。
进入虚拟环境要使用虚拟环境，需要先激活它，即进入虚拟环境，命令如下：

conda activate [venvName] # 或 source activate [venvName]

删除虚拟环境命令如下：

conda remove -n [venvName] --all

配置PyTorch+CUDA环境安装显卡驱动若Linux服务器已经安装好显卡驱动，则无需重复安装，可以通过命令nvidia-smi查看是否安装驱动，若安装，则效果如下图：

Python|Linux服务器配置Python+PyTorch+CUDA深度学习环境

文章图片

若未安装显卡驱动，则需安装显卡驱动。
NVIDIA官网：链接。
简要流程：在NVIDIA官网搜索指定显卡型号（如，RTX3090）的驱动下载并安装，驱动的版本越新，支持的最高CUDA版本越新（新版本的CUDA要求新版本的驱动，新版本的驱动可以兼容旧版本的CUDA）。
具体安装过程在这里不在详细介绍，因为不是本文的重点，读者可以自行查看其他教程进行驱动安装。
查看服务器CUDA版本在服务器命令行中输入命令：

nvidia-smi

可以查看CUDA的版本，效果如下图：

文章图片

安装PyTorch PyTorch官网：链接。
早期版本的安装命令：链接。
一定要安装对应CUDA版本的PyTorch，安装命令点击官网的Get started查看。
服务器使用教程查看GPU使用状态安装gpustat
输入命令：

pip install gpustat

查看GPU使用状态：

gpustat # 或 gpustat -cpu

实时查看GPU使用状态：

gpustat -i 或 gpustat -i [time]

其中，[time]的单位为秒。
运行Python代码命令如下：

python path/filename.py

或cd到代码文件夹，输入如下命令：

python filename.py

为代码指定显卡在服务器终端指定GPU

CUDA_VISIBLE_DEVICES=0pythonyour_file.py# 指定GPU集群中第一块GPU使用,其他的屏蔽掉CUDA_VISIBLE_DEVICES=1Only device 1 will be seen CUDA_VISIBLE_DEVICES=0,1Devices 0 and 1 will be visible CUDA_VISIBLE_DEVICES="0,1"Same as above, quotation marks are optional 多GPU一起使用 CUDA_VISIBLE_DEVICES=0,2,3Devices 0, 2, 3 will be visible; device 1 is masked CUDA_VISIBLE_DEVICES=""No GPU will be visible

在python代码中指定

import os os.environ["CUDA_VISIBLE_DEVICES"] = "0"#指定第一块gpu

为GPU设置使用量

config = tf.ConfigProto() config.gpu_options.per_process_gpu_memory_fraction = 0.9 # 占用GPU90%的显存 session = tf.Session(config=config)

使GPU的使用量可持续增长

config = tf.ConfigProto() config.gpu_options.allow_growth = True session = tf.Session(config=config)

附录：conda命令详细命令请查看这篇文章：链接。
常用命令如下

conda update conda #更新 conda conda update anaconda #更新 anaconda conda activate xxxx #开启xxxx环境 conda deactivate#关闭环境 conda remove -n xxxx --all#删除xxxx环境 conda env list #显示所有的虚拟环境 conda info --envs #显示所有的虚拟环境conda list#查看已经安装的文件包 conda list -n xxxx#指定查看xxxx虚拟环境下安装的package conda update xxxx#更新xxxx文件包 conda uninstall xxxx#卸载xxxx文件包

数据源若国外的数据源导致下载缓慢，则可以更换为国内的数据源：

#显示目前conda的数据源有哪些 conda config --show channels #添加数据源：例如, 添加清华anaconda镜像： conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes #删除数据源 conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/