[linux服务器深度学习环境搭建]

总结一下花费三天在服务器上搭建的服务器：

1、先在本地下载linux版anaconda，然后使用xftp传到服务器，然后解压即可。

2、安装CUDA，https://blog.csdn.net/scl52tg/article/details/126299974,https://blog.csdn.net/weixin_45690176/article/details/119062059，不需要使用root权限（不需要sudo）.

        CUDA下载网址如下,注意选择runfile文件，我这里的服务器没有root权限，且yum无法正常使用，指令安装时去掉sudo，使用sh即可。

https://developer.nvidia.com/cuda-toolkit-archive

在bash安装cuda时无法修改路径，可以用以下格式指令安装

bash ./cuda_10.1.243_418.87.00_linux.run --toolkit --toolkitpath=/home/data/yangwg/qh/cuda_10.1 --defaultroot=/home/data/yangwg/qh/cuda_10.1

2.5、中途出现的空间不够但实际上空间充足（[Errno 28] No space left on device），可以创建一个tmp文件夹替换系统tmp文件夹,更改tmp路径(tmp为创建的文件夹)，原因是系统临时内存不足：

export TMPDIR=/data/liuyichen/tmp

3、安装cudnn，链接同上

        检查cudnn是否安装成功

https://blog.csdn.net/tangjiahao10/article/details/125227005

4、去torch官网安装合适版本的torch，记得拉到最后选择准确的CUDA版本(以下错误示例，注意到-f后跟的链接里是cu113，可能是这个原因导致我下载cu111没成功)

# CUDA 11.1
pip install torch==1.10.1+cu111 torchvision==0.11.2+cu111 torchaudio==0.10.1 -f https://download.pytorch.org/whl/cu113/torch_stable.html

5、常用清华源

-i https://pypi.tuna.tsinghua.edu.cn/simple

 6、查看服务器支持的CUDA版本以及查看CUDA是否安装成功

nvidia -smi
nvcc -V

7、查询torch是否可用

import torch
print(torch.cuda.is_available())
torch.cuda.get_device_name(0)