云服务器ECS搭建jupyter notebook环境

安装

安装anaconda3
安装jupyter
  • 创建子用户
useradd <name>
passwd <name>
  • 给子用户sudo权限
    vi /etc/sudoer 退出用wq!强制修改保存
    在这里插入图片描述

  • 测试su 进入子用户模式,然后执行sudo ls,不报错成功

  • 创建文件夹/opt/software

  1. mkdir anaconda
  2. 选择安装python3.6版本的anaconda3,先进入anaconda文件夹,然后
    wget https://repo.continuum.io/archive/Anaconda3-4.4.0-Linux-x86_64.sh
  3. bash Anaconda3-4.4.0-Linux-x86_64.sh,系统提示需要bzip2
  4. 先删除刚bash执行建立的文件夹,rm -rf /root/anaconda3/,e在这里插入图片描述
  5. 安装bzip2,yum search bzip2,yum install bzip2.x86_64
    在这里插入图片描述
  6. 继续3的bash安装,添加path路径,yes
    在这里插入图片描述
  7. 执行jupyter,没安装成功执行这个试试在这里插入图片描述
  8. 执行jupyter,如下安装成功,否需要添加环境变量
    在这里插入图片描述
配置

生成jupyter配置文件

  1. jupyter notebook --generate-config ,系统提示添加–allow-root,即是jupyter notebook --allow-root --generate-config在这里插入图片描述
  2. 修改配置文件:
    vi ~/.jupyter/jupyter_notebook_config.py
    注意去掉#号
c.NotebookApp.ip='*'	#表示全部允许其他连接
c.NotebookApp.password = u'此处填写密码'	#由python生成
c.NotebookApp.open_browser = False	#是否运行开始开启浏览器
c.NotebookApp.port =8889	#指定运行端口	
c.NotebookApp.notebook_dir = '/root/py3jupyterproject/'	#指定根目录
  • 生成密码
from notebook.auth import passwd
passwd() 

在这里插入图片描述
**注意:**linux中看不见输入的密码,也没有警告
在这里插入图片描述

  • 阿里云控制台打开端口-参考2

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 云主机默认防火墙已关闭
运行

jupyter notebook --allow-root
通过http://[all ip addresses on your system]:port/即可连接
在这里插入图片描述
后面的SSL加密传输,尝试失败SSL安全连接

后台运行,断开也不影响,touch test.log
nohup jupyter notebook --allow-root > test.log 2>&1 &
在这里插入图片描述

技巧

输入出错了,比如输入yes、no,输了其他命令又删除不了,可以先把任务挂起Ctrl+z,然后fg 1恢复重新输入yes即可。

anacron 是一个定时任务,开始没安装好

我犯了一个好笑的错误,我没有将文件中‘#’去掉,而花费很多时间去百度之类的,却没想到是注释没去掉qwq

参考

阿里云ECS搭建Jupyter Notebook
阿里云ECS云服务器如何开放8080端口?
Linux上配置Jupyter Notebook远程访问

### 如何在阿里云ECS服务器上配置深度学习框架及GPU支持 #### 配置概述 为了在阿里云ECS服务器上搭建适合AI模型训练的环境,需要完成以下几个核心部分的工作:选购合适的GPU实例、初始化并连接到服务器、安装必要的依赖以及配置深度学习框架。 --- #### 购买GPU服务器 选择具有高性能计算能力的GPU实例是第一步。这些实例专为机器学习和科学计算设计,能够显著加速模型训练过程[^3]。通过阿里云官网进入弹性计算服务页面,在创建实例时可以选择NVIDIA GPU系列的实例规格族,例如Pascal架构或Volta架构的GPU型号。 --- #### 远程连接至服务器 一旦购买了GPU实例,可以通过SSH协议远程登录到该服务器。具体方法如下: - 使用Linux/Mac终端运行命令 `ssh root@<your_server_ip>` 或者借助Windows上的PuTTY工具。 - 登录成功后可以查看当前系统的硬件资源情况,比如确认GPU设备是否正常加载: ```bash nvidia-smi ``` 如果显示详细的显卡信息,则表明驱动程序已正确安装[^1]。 --- #### 安装基础软件与依赖项 构建完整的深度学习环境之前,需先设置好操作系统的基础环境。这通常涉及更新系统包管理器、安装CUDA Toolkit及相关cuDNN库版本匹配所选的深度学习框架需求。例如对于TensorFlow而言,官方文档会明确指出兼容的具体组合[^2]: ```bash sudo apt-get update && sudo apt-get upgrade -y wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-keyring_1.0-1_all.deb sudo dpkg -i cuda-keyring_1.0-1_all.deb sudo apt-get update sudo apt install cuda ``` 随后验证CUDA安装状态: ```bash nvcc --version ``` 接着按照相同方式获取对应版次的cuDNN文件解压放置于指定目录下即可。 --- #### 构建Jupyter Notebook交互界面 为了让开发者更便捷地调试代码逻辑或者监控实验进展,推荐利用Jupyter notebook来操控整个流程。首先确保pip已经就绪之后执行下面指令完成部署工作流: ```python pip install jupyterlab tensorflow matplotlib scikit-learn pandas numpy seaborn opencv-python ``` 最后启动notebook服务端口监听外部访问请求以便随时随地开展研究活动: ```bash jupyter lab --ip=0.0.0.0 --port=8888 --allow-root ``` 此时可通过浏览器输入公网地址加上相应端口号(如http://<server-ip>:8888)进入到图形化操作面板之中。 --- #### TensorFlow框架集成测试 当上述准备工作全部完成后就可以着手编写第一个简单的神经网络样例加以检验实际效果啦!这里给出一段基本示例供参考: ```python import tensorflow as tf mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 model = tf.keras.models.Sequential([ tf.keras.layers.Flatten(input_shape=(28, 28)), tf.keras.layers.Dense(128, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(10) ]) loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True) model.compile(optimizer='adam', loss=loss_fn, metrics=['accuracy']) history = model.fit(x_train, y_train, epochs=5, validation_split=0.2) test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print(f'\nTest accuracy: {test_acc}') ``` 观察输出日志中的每轮迭代耗时时长变化趋势判断是否存在明显的性能瓶颈现象存在。 ---
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