【Pytorch】在实验室linux系统服务器上搭建自己的pytorch-gpu环境过程详解！一篇就足够！
最近要继续学pytorch，想了想不如直接在实验室的服务器上配一个环境吧，毕竟资源不能浪费，要用来搬砖（不是）！！！下面是总结的步骤。
1. 下载anaconda安装包
首先在Anaconda官网下载anaconda-linux的安装包，然后上传到服务器中。或直接在终端进入要存放下载包的目录，然后输入以下命令，系统会自动将资源条下载到当前目录。wget https://repo.anaconda.com/archive/Anaconda3-2020.07-Linux-x86_64.sh
2. 安装anaconda
在anaconda安装包目录下输入命令：bash Anaconda3-2020.07-Linux-x86_64.sh -p PATH -u，前面是安装包名字，后面是指定的安装路径。之后再一路yes就可了。
测试是否安装成功：
先输入：source ~/.bashrc #使更新后的环境变量立即生效
再输入：python
显示的python版本后面有Anaconda标识，代表安装成功
Python 3.8.3 (default, Jul 2 2020, 16:21:59)
[GCC 7.3.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>>
#退出python的命令交互行输入exit()回车就可以了。
3.创建并激活虚拟环境
大家最好养成良好的习惯，在虚拟环境中配置各种库和框架环境。在终端输入conda create --name NAME python=3.7 创建虚拟环境，其中NAME为你的虚拟环境名称[最好名称中带有版本号以区分，如pytorch-gpu-1.2.0]。创建完后可以输入conda info -e查看所有虚拟环境。
输入conda activate NAME进入虚拟环境中，接下来我们要在该环境中配置pytorch。
4.配置pytorch-gpu环境
（1）为了安装gpu版本，我们必须先安装并行计算框架CUDA和深度神经网络加速库cuDNN【其实可跳过，因为师姐之前已经装好了】
首先用命令watch nvidia-smi查看服务器的gpu情况。并根据表确定对应的CUDA版本
之后CUDA和cuDNN的安装参考别人的博客叭，反正我是没装啦(10.16)
Ubuntu18.04下安装深度学习框架Pytorch（GPU加速）
时隔一个月后的我又回来装了，所以干脆把这一部分也补全（dbq）
因为在github上跑一个模型的时候，总说这个错：
但我不知道实验室其它人到底把cuda装在哪，所以也就没法添加路径了。所以我只能自己老老实实装了【我很疑惑为什么我之前自己没装但是torch也能找到别人的cuda】
①安装cuda
根据我的显卡驱动版本，对应的我应该安装cuda10.0版本，
进入到下载路径去执行就好
./cuda_9.0.176_384.81_linux.run
安装过程中会有一系列的选项，要注意以下显卡驱动不用重新安装了，选no
Do you accept the previously read EULA? (accept/decline/quit): accept You are attemptingto install on an unsupported configuration. Do you wish to continue? ((y)es/(n)o) [ default is no ]: y
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 352.39? ((y)es/(n)o/(q)uit): n
Install the CUDA 10.0 Toolkit? ((y)es/(n)o/(q)uit): y
Enter Toolkit Location [ default is /usr/local/cuda-8.0 ]:
Do you want to install a symbolic link at /usr/local/cuda? ((y)es/(n)o/(q)uit): y Install the CUDA 8.0 Samples? ((y)es/(n)o/(q)uit): y Enter CUDA Samples Location [ default is /home/kyle ]:
接着配置环境变量，这应该就是我前面出现问题的地方。
1.打开用户目录下的bashrc文件
vi ~/.bashrc
2.在文末加入下面语句，添加环境变量，并激活
#cuda add
export CUDA_HOME=/cuda下载路径/cuda_10_2
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}
source ~/.bashrc
3.测试一下
输入：
nvcc -V
显示：、
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2017 NVIDIA Corporation
Built on Fri_Sep__1_21:08:03_CDT_2017
Cuda compilation tools, release 9.0, V9.0.176
②安装cudnn
同样找到与cuda对应版本的cudnn下载，可恶的是NVDIA要注册，还要，于是找到CSDN上的资源下载。
1.解压
tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz
2.将解压后的lib和include这两个目录拷贝到cuda的对应bin和include目录下，即是所谓插入式设计，把cuDNN数据库添加CUDA里，cuDNN是CUDA的扩展计算库，不会对CUDA造成其他影响。
先进入压缩包解压后的路径，再执行下面的指令
cp -r lib/* /home/lq/cuda_10_0/bin/
cp -r include/* /home/lq/cuda_10_0/include/
到此，cuda和cudnn安装完成。
（2）安装pytorch-gpu
在pytorch官网中可以找到对应CUDA10.0版本的pytorch安装命令
然后在终端直接输入该命令conda install pytorch==1.2.0 torchvision==0.4.0 cudatoolkit=10.0 -c pytorch就可以。但是你会发现速度极慢，上图！这大概是我等了一个多小时的结果吧。
解决的办法就是直接去官网手动下载包了。注意要下载两个，分别是torch和torchvision。文件名写出了pytorch版本号和python版本号。
下载到本地后上传至服务器。然后在虚拟环境中进入到存放目录，分别pip install一下就可了
$ pip install torch-1.2.0-cp37-cp37m-linux_x86_64.whl
$ pip install torchvision-0.4.0-cp37-cp37m-manylinux1_x86_64
大功告成，这一次我居然没有出一点点意外，真是sufu。最后我们来测试一下。
(pytorch-gpu_1.2.0) lq@ubuntulab-Precision-7920-Tower:~$ python
Python 3.7.9 (default, Aug 31 2020, 12:42:55)
[GCC 7.3.0] :: Anaconda, Inc. on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import torch
>>> import torchvision
>>> torch.cuda.is_available()
True
PS:我没有关掉之前那个一句命令安装的终端，当我码完这篇博客，它变成了这样，还好我及时止损了emmmm
最后在pycharm中指定下环境就好了【在existing environment中指定】。
测试一下：
import torch as t
x = t.rand(5,3)
y = t.rand(5,3)
if t.cuda.is_available():
x = x.cuda()
y = y.cuda()
print(x+y)
最后祝大家搬砖顺利~
一些后续：最后实在忍不住回来吐槽一句，那个一句命令安装的——失败了…所以说鸡蛋不能放在一个篮子里，还是边自己手动安装好，有这时间留着造轮子它不香吗！
参考博客：
CUDA版本与显卡驱动版本的对应关系
linux下离线安装pytorch与测试
CUDA和cuDNN的下载1
CUDA和cuDNN的下载2与pycharm上的测试
cuda和cudnn的安装过程