深度学习环境配置及其注意事项

本文详细介绍了如何在Ubuntu系统中配置深度学习环境,包括禁用内核自动更新以避免与显卡驱动冲突,使用UEFI+GPT模式安装系统,以及通过不同方法进行系统迁移,同时讲解了CUDA核心部分和Nvidia-Docker 2.0的设置步骤。

深度学习环境配置及其注意事项

  • 只建议安装Ubuntu18.04.1LTS版本,因为LTS版本的原因,内核默认自动更新,会导致内核与显卡驱动不兼容的问题,默认4.5内核无故障,5.7内核(ubuntu18.04.5LTS)存在与显卡驱动的兼容性问题!

  • 推荐使用UEFI+GPT模式。使用diskgenius可以确认硬盘的分区和引导类型.

  • windows下可以运行 msinfo32可以查看.

禁用内核自动更新

# 查看系统所有内核.
dpkg --get-selections |grep linux-image

# 查看当前使用内核.
uname -a

# 移除所有不需要的内核,如:
sudo apt-get remove linux-image-5.3.0-42-generic linux-image-extra-5.3.0-42-generic

# 删除对应的配置文件
sudo apt-get purge linux-image-5.3.0-42-generic linux-image-extra-5.3.0-42-generic

# 带head类型的文件亦可以一样移除,删除配置.

# 关闭自动更新,锁定该内核.
sudo apt-mark hold linux-image-5.3.0-42-generic
sudo apt-mark hold linux-image-extra-5.3.0-42-generic

系统安装

  • 使用软件rufus将Ubuntu系统写入u盘,安装即可.建议将Ubuntu安装nvme0n1p4,引导在nvme0n1p1,引导默认挂载Ubuntu的/boot/efi目录下此为注意事项.
  • 写系统时候注意选择GPT,UEFI(非GCM),其余无任何注意事项.

系统迁移

本质上就是系统文件的拷贝问题,但是由于Ubuntu有每个文件有不同的权限的问题,所以不能简单的直接拷贝,需要保留对应权限结构的拷贝.
方式一如下:
进入Ubuntu live模式后

# 无须mount新硬盘.
sudo dd if=/dev/ssda4 of=/dev/nvme0n1p4

# 取消挂载,若有.
sudo umount /dev/nvme0n1p4

# 更新分区大小
### PyTorch 深度学习环境配置教程 配置 PyTorch 深度学习环境是一个涉及多个步骤的过程,包括安装 Anaconda、创建虚拟环境、安装 PyTorch 及其依赖项等。以下是详细的配置说明: #### 1. 安装 Anaconda Anaconda 是一个广泛用于数据科学和机器学习的开源 Python 发行版本,它集成了众多科学计算和数据分析所需的库和工具[^5]。可以从官方网站下载适用于 Windows、macOS 或 Linux 的安装包,并按照安装向导完成安装。 #### 2. 创建 Conda 虚拟环境 使用 Conda 创建一个虚拟环境可以有效隔离不同项目的依赖关系。以下命令用于创建一个名为 `pytorch_env` 的新环境,并指定 Python 版本为 3.9: ```bash conda create -n pytorch_env python=3.9 ``` 激活该虚拟环境的命令如下: ```bash conda activate pytorch_env ``` #### 3. 配置镜像源(可选) 为了加速安装过程,可以添加国内的 PyTorch 镜像源。例如,添加北京外国语大学的 PyTorch 镜像源: ```bash conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch ``` #### 4. 安装 PyTorch 根据硬件条件选择安装方式。如果设备支持 GPU 并已安装 CUDA 和 cuDNN,则可以安装 GPU 版本的 PyTorch;否则安装 CPU 版本即可。 - **安装 CPU 版本**: ```bash conda install pytorch torchvision torchaudio cpuonly -c pytorch ``` - **安装 GPU 版本**(假设已安装 CUDA 11.1): ```bash conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch ``` #### 5. 验证安装 安装完成后,可以通过以下代码验证 PyTorch 是否正确安装并能够检测到 GPU(如果有): ```python import torch print("CUDA Available:", torch.cuda.is_available()) print("Current Device:", torch.cuda.current_device()) print("Device Name:", torch.cuda.get_device_name(0)) ``` #### 6. 配置 PyCharm 使用 Conda 环境 在 PyCharm 中配置 Conda 虚拟环境以进行开发。点击添加解释器,选择现有的 Conda 环境(如 `pytorch_env`),勾选“可用于所有项目”,然后点击确定[^2]。 --- ### 注意事项 - 确保系统已安装合适的显卡驱动程序以支持 CUDA[^4]。 - 如果需要更高级的功能(如分布式训练),可以额外安装相关工具包[^1]。 ---
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值