新系统如何进行模型环境配置

在机器学习和深度学习中，一个良好的开发环境能够显著提高工作效率。本篇博客将详细介绍如何在新的Linux系统（以Ubuntu为例）上进行模型环境的配置，包括基础系统设置、Python虚拟环境搭建、常用库的安装以及GPU驱动和CUDA的安装等。

一、系统版本识别

1. 系统类型

Ubuntu和大多数基于Debian的系统都支持lsb_release命令：

lsb_release -a

这个命令会显示系统的详细信息，包括发行版的名称和版本。例如：

Distributor ID: Ubuntu
Description:    Ubuntu 22.04.1 LTS
Release:        22.04
Codename:       jammy

2. CPU架构

运行以下命令查看系统的架构信息：

uname -m

输出结果解释：

x86_64：表示系统是64位的x86架构（适用于Intel或AMD的64位处理器）。
aarch64：表示系统是ARM 64位架构（适用于ARM64处理器）。
s390x：表示系统是IBM Z或LinuxONE架构。

二、Anaconda

Anaconda是一款面向数据科学和机器学习的开源平台，旨在简化Python和R的包管理及环境配置。它集成了conda工具，支持多种科学计算和数据分析库（如numpy、pandas、scikit-learn），并可以通过虚拟环境隔离不同项目的依赖，确保各项目环境独立。Anaconda还自带Jupyter Notebook和JupyterLab，方便进行交互式数据分析和可视化，极大提升了数据科学工作流的效率。

1. 获取anaconda

Download Now | Anaconda通过进入官网选择对应系统架构的conda类型下载。

也可以通过以下命令获取安装包链接，并通过wget下载：

wget https://repo.anaconda.com/archive/Anaconda3-2024.10-1-Linux-x86_64.sh

2. 安装

为脚本添加执行权限并启动安装程序：

bash Anaconda3-2024.10-1-Linux-x86_64.sh

按提示阅读并接受协议。
默认安装路径为 ~/anaconda3，可选择自定义路径。

3. 初始化anaconda

source ~/anaconda3/bin/activate
conda init

这会修改你的Shell配置文件（如 .bashrc 或 .zshrc）以自动激活Conda。

4. 验证安装

关闭并重新打开终端，运行以下命令检查是否成功安装：

conda --version

5. conda配置全局镜像

运行以下命令，将清华源添加到Conda的配置文件中：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
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/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2
conda config --set show_channel_urls yes

三、PyTorch

1. GPU信息

查看nvidia显卡支持版本

nvidia-smi

观察右上角的CUDA Version，所下载nvidia toolkit版本应该低于该版本，让gpu向下兼容。

2. 下载PyTorch

从PyTorch官网下载对应conda的版本

复制生成的命令，运行。

出现这个的时候则安装成功。

3. 验证安装

在命令行输入python调用python编辑器

然后输入运行以下命令来验证是否成功安装pytorch。

import torch
print(torch.__version__)  # 检查 PyTorch 版本
print(torch.cuda.is_available())  # 检查是否支持 GPU
if torch.cuda.is_available():
    print("GPU is available")
    print(f"Number of GPUs: {torch.cuda.device_count()}")
    print(f"Current GPU: {torch.cuda.get_device_name(torch.cuda.current_device())}")
else:
    print("GPU is not available")

出现类似以下运行结果则安装成功。