Linux 系统环境配置教程

最新推荐文章于 2025-10-17 00:57:14 发布

原创最新推荐文章于 2025-10-17 00:57:14 发布 · 2.5k 阅读

23 ·

CC 4.0 BY-SA版权

文章标签：

#linux #运维 #服务器 #深度学习 #人工智能 #python

部署运行你感兴趣的模型镜像

0. 前言

本文将详细记录在 Linux 服务器上进行环境配置的步骤，适用于深度学习、开发等场景。本文步骤亲测有效，适用于 Ubuntu 系统环境。

1. 系统设置

1.1 网络配置

对于刚安装操作系统的服务器，可能处于无网络的状态。首先需要连接网络，然后再进行后续配置。

配置静态 IP 地址（如果需要），并使用以下命令检查网络状态：
```
ifconfig
```
更新系统包列表，确保所有包信息都是最新的：
```
sudo apt-get update
```

1.2 更换软件源

由于国内网络原因，下载软件包可能比较慢。建议更换为清华源（或其他国内源），提升下载速度。

备份原有源文件：

sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup

编辑源文件：

sudo vim /etc/apt/sources.list

在文件末尾添加以下内容（清华源）：

deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse
deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse

更新软件包列表：
```
sudo apt-get update
```

2. 显卡驱动安装 (nvidia-smi)

2.1 移除现有 NVIDIA 驱动

首先，检查并移除现有的 NVIDIA 驱动：
```
sudo apt-get remove --purge nvidia*
```

禁用默认的 Nouveau 驱动（NVIDIA 驱动的冲突驱动）：

sudo vim /etc/modprobe.d/blacklist.conf

在文件末尾添加以下内容：

blacklist nouveau
blacklist nvidiafb
options nouveau modeset=0

更新初始化文件：
```
sudo update-initramfs -u
```
重启系统：
```
sudo reboot
```

2.2 安装 NVIDIA 驱动

停止图形界面服务（以便安装 NVIDIA 驱动）：
```
sudo service lightdm stop  # 对于 LightDM
```
或者，如果你使用的是 GDM：
```
sudo service gdm stop
```

添加 NVIDIA 官方 PPA：

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update

检查推荐安装的 NVIDIA 驱动：
```
ubuntu-drivers devices
```

安装推荐的 NVIDIA 驱动：

sudo apt-get install nvidia-driver-xxx  # 替换 xxx 为推荐的驱动版本号

安装完成后，重启系统：
```
sudo reboot
```
验证是否安装成功：
```
nvidia-smi
```

3. CUDA Toolkit 安装

CUDA 是 NVIDIA 提供的并行计算平台和编程模型，用于加速计算。为确保 CUDA 与 PyTorch 版本兼容，建议手动安装。

检查当前 CUDA 版本：
```
nvcc -V
```
如果未安装 CUDA，可以使用以下命令安装：
```
sudo apt-get install nvidia-cuda-toolkit
```
注意：如果遇到版本问题，手动安装 CUDA，访问 NVIDIA 官方网站选择并下载所需版本：CUDA Toolkit 下载页面。

配置环境变量：

sudo vim ~/.bashrc

添加以下行：

export PATH=/usr/local/cuda-10.1/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64:$LD_LIBRARY_PATH

然后更新配置：

source ~/.bashrc

4. Miniconda/Anaconda 安装

推荐使用 Miniconda，体积小，灵活且满足大多数需求。

下载 Miniconda 安装包（选择 Python 版本和架构）：

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py38_4.8.3-Linux-x86_64.sh

安装 Miniconda：

bash Miniconda3-py38_4.8.3-Linux-x86_64.sh

配置环境变量：
```
vim ~/.bashrc
```
在文件末尾添加：
```
export PATH="/home/username/miniconda3/bin:$PATH"
```
使用 source ~/.bashrc 刷新配置。
验证安装：
```
conda -V
```

5. 虚拟环境创建

创建一个新的虚拟环境：
```
conda create -n myenv python=3.9
```
激活虚拟环境：
```
conda activate myenv
```

设置 pip 使用清华源（加速包的安装速度）：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple/

安装 PyTorch：

pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu116

6. SSH 远程设置

如果需要远程访问服务器，可以启用 SSH 服务。

安装 SSH 服务：
```
sudo apt-get install openssh-server
```
启动 SSH 服务：
```
sudo service ssh start
```
验证是否启用：
```
ps -e | grep ssh
```
使用 SSH 客户端连接服务器：
```
ssh user@your_server_ip
```

7. XRDP 远程桌面安装

为了便于图形界面操作，安装 XRDP 远程桌面。

安装桌面环境：
```
sudo apt-get install xubuntu-desktop
```
安装 XRDP：
```
sudo apt-get install xrdp
```

配置 XRDP：

sudo adduser xrdp ssl-cert
sudo systemctl restart xrdp

连接远程桌面，使用 xfce 或其他桌面环境。

8. 创建新用户及文件权限设置

创建新用户：
```
sudo adduser newuser
```
设置文件夹权限（注意不要使用 777，除非确实需要）：
```
sudo chmod -R 755 /mnt/*
```

9. 总结

本文详细介绍了在 Linux 服务器上进行常见环境配置的步骤，包括系统设置、显卡驱动、CUDA Toolkit 安装、Miniconda/Anaconda 安装、虚拟环境配置、远程访问配置等。通过这些步骤，你可以完成一个适用于深度学习、机器学习、开发等工作的 Linux 环境。

关键步骤回顾：

系统设置：确保网络连接和软件源更换，保证环境稳定。
显卡驱动安装（nvidia-smi）：正确安装并配置 NVIDIA 驱动，确保 GPU 计算功能可用。
CUDA Toolkit 安装：安装合适版本的 CUDA，并配置环境变量，确保与其他工具兼容。
Miniconda/Anaconda 安装：使用 Miniconda 安装 Python 环境，管理依赖库。
虚拟环境创建：使用 Conda 创建和管理虚拟环境，安装 PyTorch 等深度学习框架。
远程访问配置：通过 SSH 和 XRDP 配置远程访问，方便进行远程开发和调试。
新用户和文件权限设置：创建新用户，配置文件权限，确保安全的文件访问控制。

附加提示

备份配置：在进行重大系统更改（如更改软件源、安装新驱动等）时，建议先备份相关配置文件。这样，若出现问题，可以轻松恢复：
```
sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup
sudo cp ~/.bashrc ~/.bashrc.backup
```
检查驱动和库的兼容性：安装显卡驱动、CUDA 和其他库时，确保它们与所使用的深度学习框架（如 TensorFlow、PyTorch）版本兼容。可以查阅框架官方文档或使用 nvidia-smi 检查显卡驱动是否安装正确。
网络安全：
- 如果你开启了 SSH 远程访问服务，确保修改默认的端口号（22），增加额外的安全性。
- 设置强密码或使用 SSH 密钥认证来增强安全性。
- 配置防火墙限制只允许必要的 IP 地址访问 SSH 服务。
虚拟环境管理：
- 虚拟环境可以帮助你隔离不同项目的依赖，避免版本冲突。在需要使用不同版本库时，创建新的虚拟环境，切换环境时使用 conda activate <env_name>。
- 使用 conda list 查看当前环境中已安装的包。
驱动安装问题：
- 在安装 NVIDIA 驱动时，如果出现问题，可以查看驱动日志文件进行排查：
```
cat /var/log/nvidia-installer.log
```
- 如果安装时出现“找不到驱动程序”的问题，检查 NVIDIA 的官方文档，手动选择合适的版本。
硬件支持检查：
- 对于使用 CUDA 或其他 GPU 加速任务的环境，确保你的硬件和驱动版本支持所安装的 CUDA 版本。可以参考 NVIDIA CUDA 版本兼容性矩阵。
远程桌面使用注意：
- 使用 XRDP 远程桌面时，确保虚拟机或物理机的网络配置正确，且可以远程访问。如果是云服务器，确保相关端口（如 3389）已开放。

常见问题解答

Q1: 为什么 `nvidia-smi` 无法识别我的显卡？

可能是驱动未正确安装。请确保 NVIDIA 驱动与 CUDA 版本兼容。你可以使用以下命令检查驱动是否正常：
```
sudo nvidia-smi
```
如果
```
nvidia-smi
```
无法启动，尝试重新安装 NVIDIA 驱动或使用
```
ubuntu-drivers devices
```
检查并安装推荐的驱动。

Q2: 为什么 CUDA 安装后仍然无法找到 `nvcc` 命令？

可能是没有正确设置环境变量。你可以通过以下命令检查
```
nvcc
```
是否存在：
```
which nvcc
```
如果没有找到，确保你已将 CUDA 的
```
bin
```
目录添加到 PATH 环境变量中：
```
export PATH=/usr/local/cuda-10.1/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64:$LD_LIBRARY_PATH
```