Linux服务器配置Python+PyTorch+CUDA深度学习环境
前言
远程链接Linux服务器 - Windows：详见本人另一篇文章，链接 。
本地配置Python+PyCharm+PyTorch+CUDA深度学习环境：详见本人另一篇文章，链接 。
Python安装第三方库：详见本人另一篇文章，链接 。
pip常用命令：详见本人另一篇文章，链接 。
本篇文章介绍如何在Linux服务器上配置Python+PyTorch+CUDA深度学习环境。包含安装Anaconda、Python虚拟环境、配置PyTorch+CUDA环境、服务器使用教程、conda命令、等内容。
配置前需要通过Xshell软件连接到Linux服务器，连接方法详见我的另一篇文章，链接 。
安装Anaconda
下载
Anaconda官网：链接 。
个人版下载网址：链接 。
早期版本下载网址：链接 。
安装
使用Xftp软件将Linux版安装包传到服务器端，并使用Xshell软件连接到服务器命令行，cd到安装包所在文件夹，使用bash命令进行安装，命令如下：
bash package
输入命令anaconda -V可以查看Anaconda的版本。
更新
输入如下命令可更新Anaconda：
conda update anaconda
或将新的Linux版安装包传输到服务器上，cd到安装包所在文件夹，使用如下命令可以进行Anaconda的更新：
bash package -u
Python虚拟环境
创建Python虚拟环境
注意： 若初次使用conda命令报错，是因为没有将conda添加到环境变量，根据报错的提示输入命令即可将其添加到环境变量。
安装好Anaconda后，可以通过命令创建Python虚拟环境，命令如下：
conda create -n [venvName] python=[version]
如：
conda create -n py36 python=3.6
即创建一个Python版本为3.6的名为py36的虚拟环境。
进入虚拟环境
要使用虚拟环境，需要先激活它，即进入虚拟环境，命令如下：
conda activate [venvName]
# 或
source activate [venvName]
删除虚拟环境
命令如下：
conda remove -n [venvName] --all
配置PyTorch+CUDA环境
安装显卡驱动
若Linux服务器已经安装好显卡驱动，则无需重复安装，可以通过命令nvidia-smi查看是否安装驱动，若安装，则效果如下图：
若未安装显卡驱动，则需安装显卡驱动。
NVIDIA官网：链接。
简要流程：在NVIDIA官网搜索指定显卡型号（如，RTX3090）的驱动下载并安装，驱动的版本越新，支持的最高CUDA版本越新（新版本的CUDA要求新版本的驱动，新版本的驱动可以兼容旧版本的CUDA）。
具体安装过程在这里不在详细介绍，因为不是本文的重点，读者可以自行查看其他教程进行驱动安装。
查看服务器CUDA版本
在服务器命令行中输入命令：
nvidia-smi
可以查看CUDA的版本，效果如下图：
安装PyTorch
一定要安装对应CUDA版本的PyTorch，安装命令点击官网的Get started查看。
服务器使用教程
查看GPU使用状态
安装gpustat
输入命令：
pip install gpustat
查看GPU使用状态：
gpustat
# 或
gpustat -cpu
实时查看GPU使用状态：
gpustat -i
或
gpustat -i [time]
其中，[time]的单位为秒。
运行Python代码
命令如下：
python path/filename.py
或cd到代码文件夹，输入如下命令：
python filename.py
为代码指定显卡
在服务器终端指定GPU
CUDA_VISIBLE_DEVICES=0 python your_file.py # 指定GPU集群中第一块GPU使用,其他的屏蔽掉
CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen
CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible
CUDA_VISIBLE_DEVICES="0,1" Same as above, quotation marks are optional 多GPU一起使用
CUDA_VISIBLE_DEVICES=0,2,3 Devices 0, 2, 3 will be visible; device 1 is masked
CUDA_VISIBLE_DEVICES="" No GPU will be visible
在python代码中指定
import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0" #指定第一块gpu
为GPU设置使用量
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.9 # 占用GPU90%的显存
session = tf.Session(config=config)
使GPU的使用量可持续增长
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.Session(config=config)
附录：conda命令
详细命令
请查看这篇文章：链接 。
常用命令如下
conda update conda #更新 conda
conda update anaconda #更新 anaconda
conda activate xxxx #开启xxxx环境
conda deactivate #关闭环境
conda remove -n xxxx --all #删除xxxx环境
conda env list #显示所有的虚拟环境
conda info --envs #显示所有的虚拟环境
conda list #查看已经安装的文件包
conda list -n xxxx #指定查看xxxx虚拟环境下安装的package
conda update xxxx #更新xxxx文件包
conda uninstall xxxx #卸载xxxx文件包
数据源
若国外的数据源导致下载缓慢，则可以更换为国内的数据源：
#显示目前conda的数据源有哪些
conda config --show channels
#添加数据源：例如, 添加清华anaconda镜像：
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
#删除数据源
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/