Linux系统部署深度学习环境

设置jupyter notebook远程访问

一般安装教程参考,我的问题在于软件安装完成也弄好配置,但通过iptables开放端口后死活不能访问。最后才发现是redhat系和debian系防火墙管理应用不同的问题,我所用的是redhat系列的centos,所以应该用firewall开放端口:
在防火墙添加开放8888端口
firewall-cmd --zone=public --add-port=80/tcp --permanent (--permanent永久生效,没有此参数重启后失效)
也可以直接开放一个范围的端口,因为多用户系统可能大家都有这个需求,notebook发现8888端口不可用时会自动开放下一端口8889
firewall-cmd --zone=public --add-port=8888-9000/tcp --permanent
防火墙重新载入配置
firewall-cmd --reload
查看某端口开放情况
firewall-cmd --zone=public --query-port=8888/tcp
查看已开放端口
firewall-cmd--zone=public --list-ports
删除开放该端口
firewall-cmd --zone=public --remove-port=80/tcp --permanent

更多firewall命令可参考教程

### 配置深度学习开发环境 #### 安装 Anaconda 并设置 Python 环境 为了简化管理和配置过程,在 Linux 上推荐使用 Anaconda 来管理软件包和虚拟环境。通过安装 Anaconda 可以轻松创建、激活环境,并在此环境中安装所需的 Python 版本以及相关深度学习框架[^1]。 ```bash # 创建一个新的 conda 虚拟环境并指定 python 版本 conda create --name dl_env python=3.8 # 激活新创建的环境 conda activate dl_env ``` #### 安装系统级依赖项 对于 Ubuntu 用户来说,除了准备 Python 运行时外,还需要预先安装一些基础构建工具和其他可能被后续组件调用的基础库文件: ```bash sudo apt-get update && sudo apt-get upgrade -y sudo apt-get install build-essential cmake git libgtk2.0-dev pkg-config \ libavcodec-dev libavformat-dev libswscale-dev \ python-dev python-numpy libtbb2 libtbb-dev \ libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev ``` 这些命令会确保机器上有足够的资源支持更高级别的应用程序编译与运行需求[^2]。 #### CUDA 工具包部署 如果计划利用 GPU 加速模型训练,则需下载对应版本的 NVIDIA CUDA Toolkit 。例如可以获取官方提供的二进制文件来进行本地化安装: ```bash wget https://developer.download.nvidia.com/compute/cuda/12.4.1/local_installers/cuda_12.4.1_550.54.15_linux.run chmod +x cuda*.run ./cuda*.run ``` 完成上述操作之后记得按照提示重启计算机使更改生效[^3]。 #### PyTorch 的集成 最后一步是在已有的 anaconda 环境里加入 pytorch 库。由于其基于 Python 实现并且提供了丰富的 API 接口用于快速原型设计及研究工作,因此非常适合用来开展深度学习项目[^4]: ```bash pip install torch torchvision torchaudio ``` 以上步骤完成后即成功建立了一个完整的深度学习开发平台。
评论
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