Linux服务器登录、环境配置和使用（个人总结版_纯小白版）

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

学习要用到深度学习，跑代码和数据集的工作量很大，有幸得到实验室分配的服务器使用机会，从一个完全小白的角度总结一下服务器的使用。

---

提示：以下是本篇文章参考的文献
1、https://blog.csdn.net/zxxxiazai/article/details/102780990
2、https://blog.csdn.net/weixin_45766759/article/details/114677710

一、服务器是什么

就我自己的理解而言，服务器也是一个计算机但配置的功能更为强大，所以它操作系统也有以Linux为内核的系统（最常用：因为维护成本低）和Windows系统等，通常服务器用的都是以Linux为内核的开源系统的Ubuntu(乌邦图)。

二、服务器如何使用

1、安装配套软件

在这直接列出需要用到的一套软件
提示：不止有这些，可以尝试其它的，以下为windows系统可以使用的软件
①Xshell(ge控制服务器，写操作命令)
②Xftp（向服务器传输文件）

以上两个软件的安装：
1、直接百度Xshell,进入官网
2、选择校园/家庭免费专栏
填写邮箱后->勾选两者->查看邮件->点击邮件内的两个链接，分别下载，自定义安装即可，没有需要注意的点

③EasyConnect（挂某个局域网的,比如校园网）

直接在学校官网找到下载的位置，安装好后，使用用户名和密码登陆即可，登陆后自动挂到学校局域网

2.服务器登陆

第一步，新建会话

打开Xshell,点击左上角文件，选择新建

名称自己随意起一个，协议默认SSH，端口号默认22

第二步，填IP

主机处填写服务器IP，这里有两种填写方式
第一种：这个地方直接填写服务器公网IP
第二种：先挂学校VPN，这个地方填写服务器局域网IP

这里要注意你拿到的服务器IP是公网IP和局域网内的IP

如何分辨

其它分辨方法请自行百度

填写完后点击左侧用户身份验证

第三步，填写用户名和密码

这个界面填写拿到的用户名和密码，点击确定即可

第四步、连接会话

新建完成后，会在会话管理处出现刚才创建的会话
双击该会话之后，会自动连接到服务器，出现以下结果即为成功登陆

3、服务器操作指令

服务器因为不是可视化界面，需要通过指令进行操作比如新建文件、删除文件等，在此列出一些常用的指令
1、文件操作

cd 文件名  #打开文件（cd .. 返回）
ls #列出目前目录文件下所含的子文件
mkdir 文件名  #新建一个文件
rm    文件名  #删除一个文件（rm -rf 子目录下也全部删掉）

2、查看服务器属性操作

nvidia-smi #查看Driver Version:和CUDA Version
nvidia-smi -L  #查看服务器显卡型号

4、环境配置

（一）安装Anaconda

Anaconda理解

Anaconda是一个开源的Python发行版本，包含了包括Python、Conda、科学计算库等180多个科学包及其依赖项。因此，安装了Anaconda就不用再单独安装Python。

第一步、创建文件夹

使用的是空服务器，为了后续其他人使用方便，先创建一个home文件夹，在此文件夹下创建单个用户文件夹如user1,在user1下创建workspace文件夹，用以配置环境。

第二步、下载

方式一：
用自己的电脑下载对应版本的安装包（.sh结尾，Linux），一般选最新的即可。
然后打开自己电脑的cmd窗口，用scp命令将安装包拷贝到远程服务器，然后根据提示输入密码即可。

cd ~/文件路径
scp Anaconda3-2019.10-Linux-x86_64.sh username@远程服务器IP:/home/username

方式二：
使用服务器下载安装包并安装
登陆服务器，打开workspace文件，使用**wget**指令直接将anaconda安装包下载到远程服务器：

1.下载安装包

cd /home/username
wget https://repo.anaconda.com/archive/Anaconda3-2023.03-Linux-x86_64.sh 

此处，最后为anaconda的版本号，替换即可，推荐使用清华源下载，嘎嘎快
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.03-Linux-x86_64.sh

2.安装

在当前文件目录中输入：

bash Anaconda3-2023.03-Linux-x86_64.sh

按Enter,继续按加等一会

输入yes接受许可条款

输入yes,自动添加环境变量

3.查看是否安装成功
重新连接服务器，输入指令python，可见python版本为anaconda中的python版本

第三步、Conda常用指令

conda list  # 查看这个环境下安装的包和版本
conda install numpy scikit-learn  # 安装numpy sklearn包
conda env list  # 查看所有的环境

替换镜像源（可选）

为了加快下载速度，通常不从官网下，而从国内的镜像源下载，以清华源为例
添加

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

直接复制到服务器base环境下即可

验证

conda config --set show_channel_urls yes | cat ~/.condarc

显示如下结果则证明添加成功

使用
在采用指令下载时，注意去掉后缀，比如-c pytorch
删除

# 删除已添加的源
conda config --remove-key channels

（二）创建环境并配置

第一步、创建新环境

为什么要创建新环境

可以理解为Anaconda为一个大的商场，需要针对不同Projec的要求创建不同的环境来去提供一个个商店（项目）完成具体的任务的平台，Github上的开源项目Readme部分会具体提出项目环境Requirements
示例

创建

conda create -n 环境名称 python=xxx(python版本)

查看已有的环境

conda env list   #查看已有的环境

删除环境

conda env remove -n name

激活环境

conda activate 环境名称

此时，进入新环境后，可以进行创建文件夹、安装pytorch等

conda deactivate  #返回base环境

第二步、在新环境中配置pytorch等

①概念理解

• Pytorch:一个框架，具有强大的GPU加速的张量计算，包含自动求导系统的深度神经网络，所以在深度学习的时候用PyTorch会比较快。
• CUDA：在进行深度学习的时候，需要用到GPU，CUDA就是一个调用GPU的工具。只有NVidia显卡才能使用CUDA。现有的主流深度学习框架基本都是基于CUDA进行GPU加速的。
• CUDA Toolkit：CUDA运行版本，能够使得使用GPU进行通用计算变得简单和优雅。
• cuDNN：CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作。

②查看服务器信息

查看服务器CUDA驱动版本
在任一环境的起始界面输入以下命令

nvidia-smi

我的驱动版本是525.89，其能兼容的最高CUDA版本也贴心地写在一旁：12.0

查看服务器型号及其对应的算力
型号查询

nvidia-smi -L  #得到服务器型号

我的型号为RTX 3090

算力查询
通过如下链接可以查询到NVIDIA显卡对应的算力，如果你的GPU型号不在表中，可能GPU太老，或者算力太低。

https://link.csdn.net/target=https%3A%2F%2Fdeveloper.nvidia.com%2Fcu
da-gpus%23collapseOne

算力对应表

可以看到GTX 3090对应的算力是8.6
3090显卡一般使用CUDA11+，而直接pip安装的pytorch可能是cuda10.2版本的，所以只依靠升级pytorch版本是不行的，还需要安装对应cuda版本的pytorch。

③安装GPU版本的pytorch和cunda

a、CUDA版本的确定

根据GPU驱动版本确定CUDA Toolkit版本,从以下链接可以查看
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

注意：驱动版本对CUDAToolkit向下兼容的，具体对应关系可以百度一下
此处的CUDA指的就是运行版本CUDA Toolkit

示例

b、Pytorch版本的确定

根据开源项目Requirements确定即可，不同的Pytorch运行的模型准确度会有差异，尽量保持一致。

c、确定下载命令

以pytorch 1.10.0和CUDA 11.3为例

可以打开Pytorch首页，往下滑，看到

通过前五行的组合，最后一行会自动得到安装命令，会同时安装pytorch、torchvision、CudaToolkit

conda

conda install pytorch==1.10.0 torchvision==0.11.0 torchaudio==0.10.0 cudatoolkit=11.3 -c pytorch -c conda-forge

pip

pip3 install torch==1.10.0+cu113 torchvision==0.11.1+cu113 torchaudio==0.10.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html

通过以上指令会把Pytorch1.10以及需要的CUDA11.3全部安装好（不需要单独安装CUDA）。安装完成后，进入python环境，检查CUDA是否可用，调用torch.cuda.is_available()返回True说明CUDA环境可用。

④出现的问题及应对方法

问题
当使用比较新的显卡（比如NVIDIA GeForce RTX 3090）时，由于显卡的架构比较新，可能旧版本的pytorch库没有支持到。这时候就会出现capability sm_86 is not compatible的问题，同时根据输出可以看到 The current PyTorch install supports CUDA capabilities sm_37 sm_50 sm_60 sm_70 sm_75当前pytorch只能支持上面几种架构。

解决方法
安装高版本的cuda和pytorch，多半是cuda版本较低，使用操作指令直接在workspace文件夹下安装，会自动覆盖之前的版本，不需要提前卸载之前的版本。

3、在服务器的某个环境中运行程序

（一）创建代码文件夹

mkdir  Code   #在环境下创建存放运行代码的文件夹

（二）使用Xftp传输文件

目录打开至上一步存放代码的文件夹处，将本地.py格式文件传输过来
（三）安装用到的Python—Packages
使用pip install 就可以
（四）运行代码
打开至存放代码的文件夹处

python  code名称.py

放一下我用服务器GPU训练的结果

总结

以上是我目前使用服务器运行python程序的学习经验，目前仅涉及到了自己python代码的CPU和GPU运行，还没有真正完成深度学习用到的环境配置，以及大体量数据集下载到服务器的部分，争取尽快更新出来。