服务器win10安装anaconda3+mysql+cuda+Tensorflow-gpu

本文详细介绍在服务器上安装Anaconda3、MySQL、CUDA、TensorFlow及相关依赖的步骤,包括环境变量配置、版本对应关系及常见问题解决,适用于初学者快速上手。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

我服务器显卡是GTX 2080 TI,装的是cuda10.0
一枚小白,第一次在服务器上装这些东西,在网站查的脑袋都大了,自己写一个看起来简单一点的

一、安装anaconda3

1.官网下载anaconda,链接:https://www.anaconda.com/distribution/

2.安装时直接点下一步就好了,需要注意的是,要选择alluser,因为是服务器,所以要让所有人都可以使用

3.最最注意的是,下面这两个勾都要选,不然cmd用的时候会不好使,然后就接着下一步就好了
在这里插入图片描述
4.检查Anaconda是否成功安装:conda --version

5.检测目前安装了哪些环境:conda info --envs
在这里插入图片描述
安装环境只有一个,不用担心。

二、安装mysql

1.直接按照这个教程装就可以了,写的很详细,教程链接:https://blog.youkuaiyun.com/qq_37350706/article/details/81707862

三、安装cuda

1.这个时候我就吐槽一下,网上各种版本,看的我脑袋都大了,小伙伴们一定要针对自己电脑的显卡来选择版本,
那么问题来了,如何检查显卡支持哪个版本的cuda?

2.教程链接:https://jingyan.baidu.com/article/6fb756ec4fabc4241858fbf7.html

3.根据这个教程很容易知道你的电脑或者服务器能够支持哪个版本cuda

4.那么cuda各个版本对应的cudnn、tensorflow_gpu都是个啥???版本对不上又是各种报错,下图一一对应,避免报错,少踩坑
在这里插入图片描述
5.根据对应版本,下载cuda,下载链接:https://developer.nvidia.com/cuda-toolkit-archive

6.cuda和cudnn的安装教程都可以参考这个,教程链接:https://blog.youkuaiyun.com/sinat_23619409/article/details/84202651

7.在下载cudnn之前,会提示你注册一个账号,输入邮箱等相关注册信息注册一个账号,然后用注册的账号进行登录就可以进行下载,cudnn下载链接:https://developer.nvidia.com/cudnn

8.然后解压,将解压后的三个文件夹bin、include、lib文件夹,将这三个文件夹复制到安装cuda10.0的路径覆盖原有的文件。
本机的安装路径为:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0

9.设置环境变量,此电脑选择“属性”打开系统窗口,然后选择并打开“高级系统设置”进入系统属性窗口,打开环境变量,然后将 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
这三个路径填到系统变量的Path中,用分号分隔,这样环境变量就配置好了, 至此,cuda和cudnn安装完成。

10.检查目前有哪些版本的python可以安装:conda search --full-name python
在这里插入图片描述
11.我装的是3.7版本,安装GPU版本:conda create --name tensorflow-gpu python=3.7
中间会让我们确认一下,输入个y回车就好了。安装好后会给我们提示用activate,和deactivate进行环境的切换。

12.按照提示,激活之:activate tensorflow

注意:这个一定要看你上面安装完后给出的提示信息,装的不一样,提示信息也不一样,我之前按照网上查的激活,一直不对,原来就是命令不对,所以一定要看你的提示信息
在这里插入图片描述
13.确保tensorflow环境已经成功添加:conda info --envs
在这里插入图片描述

四、安装Tensorflow

1.在刚才的环境中,安装Tensorflow
在这里插入图片描述
如果你不是在这个环境里,那么先切换到创建好的环境中:conda activate tensorflow-gpu
不用时退回到root环境:deactivate tensorflow-gpu

安装GPU版本的tensorflow:conda install tensorflow-gpu
在这里插入图片描述
2.安装完成后使用命令:import tensorflow as tf
确认tensorflow安装成功,因为我安装的版本一一对应,所以我这里一点错误也没有

3.最后:tensorflow-gpu环境下安装spyder和Keras

安装spyder:conda install spyder
安装keras:pip install keras

然后就都装完啦~~~~

<think>我们正在处理用户关于租用服务器运行U-Net模型教程的请求。根据用户需求,我们需要指导用户如何租用服务器并配置环境来运行U-Net模型。 步骤分解: 1. 租用服务器:推荐几个常见的云服务器提供商,并说明选择标准(如GPU支持、价格、地理位置等)。 2. 配置环境:包括操作系统选择、安装必要的驱动(如NVIDIA驱动)、安装深度学习框架(如PyTorch或TensorFlow)以及U-Net所需的依赖。 3. 运行U-Net教程:下载代码和数据集,运行训练或推理。 考虑到用户可能需要具体的步骤,我们将提供详细的配置指南。 参考引用: 引用[2]提到了Ubuntu系统上MySQL安装,虽然不直接相关,但说明我们可能涉及Ubuntu系统的操作。由于深度学习环境通常在Linux上配置,我们将选择Ubuntu作为服务器操作系统。 引用[4]提到了Xftp,这是一个文件传输工具,用户可能需要用它来上传代码和数据到服务器。 具体步骤: 一、租用服务器 推荐云服务提供商: - Amazon Web Services (AWS) EC2:提供多种GPU实例,如p3系列(V100 GPU),按需或竞价计费。 - Google Cloud Platform (GCP):提供Tesla GPU实例。 - Microsoft Azure:提供NC系列(NVIDIA Tesla K80)等。 - 阿里云、腾讯云等国内云服务商:提供GPU实例,如NVIDIA Tesla V100等。 选择建议: - 根据预算和地理位置选择,国内用户建议选择阿里云或腾讯云(访问速度快)。 - 实例选择:至少需要单GPU(如NVIDIA Tesla T4或更高性能的V100),内存8GB以上,存储空间根据数据集大小确定(建议50GB以上)。 操作步骤(以阿里云为例): 1. 注册账号并实名认证。 2. 进入ECS(弹性计算服务)控制台。 3. 创建实例:选择“GPU计算型”实例(如gn6i系列),选择Ubuntu 18.04或20.04系统。 4. 配置存储:系统盘至少50GB(建议SSD),如果需要更大数据存储,可添加数据盘。 5. 设置安全组:开放SSH端口(22)以及可能需要用到的端口(如Jupyter Notebook的8888端口)。 6. 创建实例并获取公网IP和登录密码(或密钥对)。 二、配置服务器环境 1. 连接服务器:使用SSH(Linux/macOS终端)或PuTTY/Xshell(Windows)连接。使用Xftp进行文件传输。 2. 更新系统: ```bash sudo apt update sudo apt upgrade -y ``` 3. 安装NVIDIA驱动(如果实例未预装): - 查看可用驱动:`ubuntu-drivers devices` - 安装推荐驱动:`sudo ubuntu-drivers autoinstall` - 重启:`sudo reboot` - 验证:`nvidia-smi` 4. 安装CUDA和cuDNN(根据框架要求选择版本,PyTorch通常需要CUDA 10.2或11.x): - 参考NVIDIA官方文档,或使用PyTorch官方提供的命令(会包含CUDA)。 5. 安装Anaconda(推荐): ```bash wget https://repo.anaconda.com/archive/Anaconda3-2021.05-Linux-x86_64.sh bash Anaconda3-2021.05-Linux-x86_64.sh # 按照提示安装,然后激活conda source ~/.bashrc ``` 6. 创建conda环境安装PyTorch(以PyTorch 1.8.1和CUDA 11.1为例): ```bash conda create -n unet python=3.8 conda activate unet conda install pytorch==1.8.1 torchvision==0.9.1 torchaudio==0.8.1 cudatoolkit=11.1 -c pytorch -c conda-forge ``` 7. 安装其他依赖:根据U-Net教程的requirements.txt安装。 ```bash pip install -r requirements.txt ``` 三、运行U-Net教程 1. 上传代码和数据:使用Xftp或scp命令将本地文件上传到服务器。 2. 进入代码目录,运行训练脚本(示例): ```bash python train.py ``` 3. 如果使用Jupyter Notebook,可在服务器上启动: ```bash jupyter notebook --ip=0.0.0.0 --no-browser ``` 然后在本地浏览器通过`http://<服务器公网IP>:8888`访问(需要设置密码或token)。 注意事项: - 长时间训练可使用`nohup`或`tmux`保持会话。 - 监控GPU使用:`nvidia-smi -l`(定期刷新)。 根据以上步骤,用户应该能够租用服务器并运行U-Net模型。 生成相关问题: 1. 如何选择适合深度学习的云服务器实例? 2. 如何在Ubuntu系统上安装NVIDIA驱动? 3. 如何配置PyTorch深度学习环境? 4. 如何将本地的代码和数据上传到云服务器? 5. 如何在服务器上运行Jupyter Notebook并远程访问? 6. 如何监控云服务器GPU使用情况?</think>### 租用服务器运行U-Net模型教程 #### 一、租用云服务器步骤 1. **选择云服务商**(推荐国内平台): - **阿里云**:适合企业级需求,提供NVIDIA GPU实例(如GN6i/V100)[^1] - **腾讯云**:性价比较高,学生优惠多(GPU计算型GN7实例) - **AutoDL**:专为深度学习优化,按小时计费,预装环境 2. **配置选择建议**: - **操作系统**:Ubuntu 20.04 LTS(兼容性最佳)[^2] - **GPU**:至少NVIDIA T4(4GB显存),推荐V100(16GB显存)用于医学图像分割 - **存储**:50GB+ SSD系统盘 + 100GB+数据盘(医学影像数据集较大) - **网络**:按流量计费更经济(训练时关闭公网访问) 3. **租用流程**(以阿里云为例): ```mermaid graph TD A[注册/登录阿里云] --> B[控制台-创建ECS实例] B --> C{选择配置} C -->|GPU计算型| D[gn6i实例+Ubuntu20.04] C -->|学生优惠| E[轻量GPU服务器] D --> F[设置安全组:开放SSH端口22] F --> G[生成SSH密钥对] G --> H[完成支付启动实例] ``` #### 二、环境配置步骤 1. **基础驱动安装**: ```bash # 连接服务器(替换your_ip) ssh root@your_ip # 安装NVIDIA驱动和CUDA(以Ubuntu20.04为例) sudo apt update sudo apt install -y nvidia-driver-470 cuda-11-4 ``` 2. **深度学习环境搭建**: ```bash # 安装Miniconda wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh # 创建U-Net专用环境 conda create -n unet python=3.8 conda activate unet # 安装PyTorch(根据CUDA版本选择) pip install torch==1.10.0+cu113 torchvision==0.11.1+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html ``` 3. **安装U-Net依赖**: ```bash # 克隆示例仓库(以医学图像分割为例) git clone https://github.com/milesial/Pytorch-UNet.git cd Pytorch-UNet # 安装依赖 pip install -r requirements.txt ``` #### 三、运行U-Net教程 1. **数据传输**: - 使用`scp`或`Xftp`[^4]上传数据集: ```bash scp -r /本地/数据集路径 root@服务器IP:/root/Pytorch-UNet/data/ ``` 2. **启动训练**: ```bash python train.py --epochs 100 --batch-size 8 \ --dataset-path ./data/medical_images \ --save-checkpoint ``` 3. **监控训练**: - GPU监控:`watch -n 1 nvidia-smi` - 使用TensorBoard: ```bash tensorboard --logdir runs/ --host 0.0.0.0 --port 6006 ``` 访问:`http://服务器IP:6006` #### 四、成本优化技巧 1. **竞价实例**:价格比按量付费低60-90%(适合可中断任务) 2. **镜像备份**:训练完成后创建系统镜像,下次直接恢复环境 3. **自动关机**:训练结束自动关机脚本: ```bash #!/bin/bash python train.py && shutdown -h now ``` > **注意事项**:医疗数据需遵守《个人信息保护法》,建议使用公开数据集如[ISBI Challenge](http://brainiac2.mit.edu/isbi_challenge/)
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

打赏作者

钟一白

走过路过不要错过,赏一块是一块

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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