实验室服务器(非root用户)深度学习环境配置 Miniconda3 + Cuda + Cudnn + pytorch-gpu

1. 连接服务器（需要知道服务器ip地址）

我们在跑深度学习代码时一般都要用gpu加速训练，我们自己的电脑上没有gpu，所以需要连接实验室的服务器（服务器是linux系统），然后将代码传到服务器上运行，下面的方法都要保证本地电脑与服务器在一个局域网内。

如果本地是Linux

如果你的电脑是Linux系统，那么恭喜你，直接用在终端输入

ssh 服务器ip地址

就可以连上服务器

如果本地是Windows

如果你使用的是windows，就需要下载相应的软件，一种是MobaXterm，一种是Xshell6（Xttp是传输文件时要用的），选择任意一个下载就好


在这里我选用的是上面的MobaXterm，打开该软件后新建会话（Session），用ssh连接，输入服务器Ip地址，和你的用户名，最后点击确定

进入后就要输入一下自己服务器用户的密码，然后就可以进入到自己的home/用户名/下，要注意自己没有root权限安装一些文件，所以一般安装文件比较复杂。
如果自己的电脑和服务器不在同一个局域网内，我们需要远程控制，可以使用teamviewer或者向日葵。

2. 安装Miniconda3或者Anaconda3

下载安装包

首先安装Miniconda3，我之前使用的是Ananconda3，其实Miniconda3与Anaconda3的命令相同，是一个更轻量级的Aanaconda，安装速度也更快。
在自己的本地电脑上下载服务器所要的Miniconda安装包，然后上传到服务器上进行安装。在官网或者清华源上下载对应服务器版本的Miniconda3，我选择的是linux版本x64_64。
下载完成是一个.sh文件，然后上传到自己的服务器目录下，可以在MobaXterm中点击上传小图标即可上传文件

进行安装

在服务器上进入上传的Miniconda目录下，用bash运行.sh文件

bash Minconda3-latest-Linux-x86_64.sh    # 安装miniconda

最后init选择yes，即可将miniconda添加到环境变量中，环境变量在.bashrc中，是一个隐藏文件，一般在/home/用户名/ 目录下

ls -a    # 查看当前目录所有文件

打开.bashrc（可以使用vi），在.bashrc最下方我们可以看到conda initialize的语句块就代表成功添加环境变量

如果要对.bashrc进行修改，记着修改完之后运行下面的命令来激活环境变量。

source .bashrc # 激活环境变量

安装完之后目录下也多出了miniconda3的文件夹，

3. 配置虚拟环境

用conda创建虚拟环境是conda很好的用法，因为每一个深度学习项目用的不同的框架，如pytorch，tensorFlow，caffe等，并且有些包的版本也有着严格要求。
我们需要为每一个项目建立一个独立的虚拟环境，在各自的虚拟环境里安装其需要的包，这样可以保证各个代码运行的环境不产生冲突。虚拟环境的名字就是最终端前面（）里面显示的。
我们现在可以看到终端最前面有（base）的符号，代表现在在conda最基本的环境中，我们可以输入

conda list  # 查看当前环境安装的包

创建一个虚拟环境

创建一个名为py37_torch的虚拟环境，代表我运行的项目需要用Python3.7，pytorch框架，名字可以自行定义；最后是Python的版本，可以自己选择。

conda create -n py37_torch python=3.7   # 创建虚拟环境

我们可以创建多个不同的虚拟环境

查看环境列表

列出所有环境

conda env list  # 查看环境列表

激活虚拟环境

每次跑程序时，先要激活相应的虚拟环境，激活后最前面小括号中就会显示当前所在的虚拟环境的名字

conda activate py37_torch   # 激活虚拟环境py37_torch

退出虚拟环境

直接使用以下命令可以退出当前虚拟环境

conda deactivate   # 退出虚拟环境

删除虚拟环境

conda env remove -n py37_torch # 删除名为py37_torch的虚拟环境

其他一些命令(需要时可以查看)