Linux服务器登录、情况设置和利用（个人总结版_纯小白版） ...

提示：文章写完后，目次可以自动天生，怎样天生可参考右边的帮助文档
  
  

---

前言

提示：这里可以添加本文要记录的大概内容：
学习要用到深度学习，跑代码和数据集的工作量很大，有幸得到实行室分配的服务器利用时机，从一个完全小白的角度总结一下服务器的利用。

---

提示：以下是本篇文章参考的文献
1、https://blog.csdn.net/zxxxiazai/article/details/102780990
2、https://blog.csdn.net/weixin_45766759/article/details/114677710
一、服务器是什么

就我自己的理解而言，服务器也是一个盘算机但设置的功能更为强大，所以它操作体系也有以Linux为内核的体系（最常用：因为维护本钱低）和Windows体系等，通常服务器用的都是以Linux为内核的开源体系的Ubuntu(乌邦图)。
二、服务器怎样利用

1、安装配套软件

在这直接列出需要用到的一套软件
提示：不止有这些，可以尝试其它的，以下为windows体系可以利用的软件
①Xshell(ge控礼服务器，写操作命令)
②Xftp（向服务器传输文件）
   以上两个软件的安装：
1、直接百度Xshell,进入官网
2、选择校园/家庭免费专栏
填写邮箱后->勾选两者->查看邮件->点击邮件内的两个链接，分别下载，自定义安装即可，没有需要注意的点
  ③EasyConnect（挂某个局域网的vpn,比如校园网）
   直接在学校官网找到下载的位置，安装好后，利用用户名和暗码登陆即可，登陆后自动挂到学校局域网
  2.服务器登陆

第一步，新建会话

打开Xshell,点击左上角文件，选择新建

   名称自己随意起一个，协议默认SSH，端标语默认22
  第二步，填IP

主机处填写服务器IP，这里有两种填写方式
第一种：这个地方直接填写服务器公网IP
第二种：先挂学校VPN，这个地方填写服务器局域网IP
   这里要注意你拿到的服务器IP是公网IP和局域网内的IP
  怎样分辨

   其它分辨方法请自行百度
  填写完后点击左侧用户身份验证
第三步，填写用户名和暗码

这个界面填写拿到的用户名和暗码，点击确定即可
第四步、连接会话

新建完成后，会在会话管理处出现刚才创建的会话
双击该会话之后，会自动连接到服务器，出现以下效果即为成功登陆

3、服务器操作指令

服务器因为不是可视化界面，需要通过指令进行操作比如新建文件、删除文件等，在此列出一些常用的指令
1、文件操作

1. cd 文件名  #打开文件（cd .. 返回）
2. ls #列出目前目录文件下所含的子文件
3. mkdir 文件名  #新建一个文件
4. rm    文件名  #删除一个文件（rm -rf 子目录下也全部删掉）

复制代码

2、查看服务器属性操作

1. nvidia-smi
2. #查看Driver Version:和CUDA Version
3. nvidia-smi
4. -L  #查看服务器显卡型号

复制代码

4、情况设置

（一）安装Anaconda

Anaconda理解

Anaconda是一个开源的Python发行版本，包含了包罗Python、Conda、科学盘算库等180多个科学包及其依赖项。因此，安装了Anaconda就不用再单独安装Python。
第一步、创建文件夹

利用的是空服务器，为了后续其他人利用方便，先创建一个home文件夹，在此文件夹下创建单个用户文件夹如user1,在user1下创建workspace文件夹，用以设置情况。
第二步、下载

方式一：
用自己的电脑下载对应版本的安装包（.sh结尾，Linux），一样平常选最新的即可。
然后打开自己电脑的cmd窗口，用scp命令将安装包拷贝到远程服务器，然后根据提示输入暗码即可。

1. cd ~/文件路径
2. scp Anaconda3-2019.10-Linux-x86_64.sh username@远程服务器IP:/home/username

复制代码

方式二：
利用服务器下载安装包并安装
登陆服务器，打开workspace文件，利用**wget**指令直接将anaconda安装包下载到远程服务器：
1.下载安装包

1. cd /home/username
2. wget https://repo.anaconda.com/archive/Anaconda3-2023.03-Linux-x86_64.sh

复制代码

  此处，最后为anaconda的版本号，更换即可，推荐利用清华源下载，嘎嘎快
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.03-Linux-x86_64.sh
  清华镜像网站Anaconda下载网址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=D
error
   如果出现与清华源网站出现连接错误的问题：

1. ubuntu:~$ wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.03-Linux-x86_64.sh
2. --2024-01-04 07:03:29--  https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2023.03-Linux-x86_64.sh
3. Resolving mirrors.tuna.tsinghua.edu.cn (mirrors.tuna.tsinghua.edu.cn)... 101.6.15.130, 2402:f000:1:400::2
4. Connecting to mirrors.tuna.tsinghua.edu.cn (mirrors.tuna.tsinghua.edu.cn)|101.6.15.130|:443... connected.
5. HTTP request sent, awaiting response... 403 Forbidden
6. 2024-01-04 07:03:29 ERROR 403: Forbidden.

复制代码

解决方法：wget –user-agent=“Mozilla”+安装包链接
2.安装
在当前文件目次中输入：

1. bash Anaconda3-2023.03-Linux-x86_64.sh

复制代码

按Enter,继续按加等一会

输入yes接受许可条款

输入yes,自动添加情况变量
3.查看是否安装成功
重新连接服务器，输入指令python，可见python版本为anaconda中的python版本

error

1. @ubuntu:~$ conda list
2. conda: command not found

复制代码

  解决方法：将anaconda添加到情况路径中

1. echo 'export PATH="~/anaconda3/bin:$PATH"' >> ~/.bashrc
2. source ~/.bashrc

复制代码

第三步、Conda常用指令

1. conda list  # 查看这个环境下安装的包和版本
2. conda install numpy scikit-learn  # 安装numpy sklearn包
3. conda env list  # 查看所有的环境

复制代码

更换镜像源（可选）

为了加速下载速度，通常不从官网下，而从国内的镜像源下载，以清华源为例
添加

1. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
2. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
3. conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

复制代码

  直接复制到服务器base情况下即可
  验证

1. conda config --set show_channel_urls yes | cat ~/.condarc

复制代码

显示如下效果则证实添加成功

利用
在接纳指令下载时，注意去掉后缀，比如-c pytorch
删除

1. # 删除已添加的源
2. conda config --remove-key channels

复制代码

（二）创建情况并设置

第一步、创建新情况

为什么要创建新情况

可以理解为Anaconda为一个大的商场，需要针对不同Projec的要求创建不同的情况往复提供一个个市肆（项目）完成详细的使命的平台，Github上的开源项目Readme部分会详细提出项目情况Requirements
示例

创建

1. conda create -n 环境名称 python=xxx(python版本)

复制代码

查看已有的情况

1. conda env list   #查看已有的环境

复制代码

删除情况

1. conda env remove -n name

复制代码

激活情况

1. conda activate 环境名称

复制代码

  此时，进入新情况后，可以进行创建文件夹、安装pytorch等

1. conda deactivate  #返回base环境

复制代码

第二步、在新情况中设置pytorch等

①概念理解

• Pytorch:一个框架，具有强大的GPU加速的张量盘算，包含自动求导体系的深度神经网络，所以在深度学习的时候用PyTorch会比较快。
  
• CUDA：在进行深度学习的时候，需要用到GPU，CUDA就是一个调用GPU的工具。只有NVidia显卡才能利用CUDA。现有的主流深度学习框架基本都是基于CUDA进行GPU加速的。
  
• CUDA Toolkit：CUDA运行版本，可以或许使得利用GPU进行通用盘算变得简单和优雅。
  
• cuDNN：CUDA看作是一个工作台，上面配有许多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的盘算。它就相称于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作。
  

②查看服务器信息

查看服务器CUDA驱动版本
在任一情况的起始界面输入以下命令

1. nvidia-smi

复制代码

   我的驱动版本是525.89，其能兼容的最高CUDA版本也知心地写在一旁：12.0
  

查看服务器型号及其对应的算力
型号查询

1. nvidia-smi
2. -L  #得到服务器型号

复制代码

   我的型号为RTX 3090
  算力查询
通过如下链接可以查询到NVIDIA显卡对应的算力，如果你的GPU型号不在表中，可能GPU太老，或者算力太低。
   https://link.csdn.net/target=https%3A%2F%2Fdeveloper.nvidia.com%2Fcu
da-gpus%23collapseOne
  算力对应表

   可以看到GTX 3090对应的算力是8.6
3090显卡一样平常利用CUDA11+，而直接pip安装的pytorch可能是cuda10.2版本的，所以只依靠升级pytorch版本是不可的，还需要安装对应cuda版本的pytorch。
  ③安装GPU版本的pytorch和cunda

a、CUDA版本的确定

根据GPU驱动版本确定CUDA Toolkit版本,从以下链接可以查看
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
   注意：驱动版本对CUDAToolkit向下兼容的，详细对应关系可以百度一下
此处的CUDA指的就是运行版本CUDA Toolkit
  示例

b、Pytorch版本的确定

根据开源项目Requirements确定即可，不同的Pytorch运行的模型准确度会有差异，只管保持一致。
c、确定下载命令

   以pytorch 1.10.0和CUDA 11.3为例
  可以打开Pytorch首页，往下滑，看到

   通过前五行的组合，最后一行会自动得到安装命令，会同时安装pytorch、torchvision、CudaToolkit
  conda

1. conda install pytorch==1.10.0 torchvision==0.11.0 torchaudio==0.10.0 cudatoolkit=11.3 -c pytorch -c conda-forge

复制代码

pip

1. pip3 install torch==1.13.0+cu116 torchvision==0.14.0+cu116 torchaudio==0.13.0+cu116 -f https://download.pytorch.org/whl/cu116/torch_stable.html

复制代码

第二种方式快一点，注意后面的链接不能省略，不然会出现找不到版本的错误
通过以上指令会把Pytorch1.10以及需要的CUDA11.3全部安装好（不需要单独安装CUDA）。安装完成后，进入python情况，查抄CUDA是否可用，调用torch.cuda.is_available()返回True说明CUDA情况可用。
④出现的问题及应对方法

问题
当利用比较新的显卡（比如NVIDIA GeForce RTX 3090）时，由于显卡的架构比较新，可能旧版本的pytorch库没有支持到。这时候就会出现capability sm_86 is not compatible的问题，同时根据输出可以看到 The current PyTorch install supports CUDA capabilities sm_37 sm_50 sm_60 sm_70 sm_75当前pytorch只能支持上面几种架构。
解决方法
安装高版本的cuda和pytorch，多半是cuda版本较低，利用操作指令直接在workspace文件夹下安装，会自动覆盖之前的版本，不需要提前卸载之前的版本。
3、在服务器的某个情况中运行程序

（一）创建代码文件夹

1. mkdir  Code   #在环境下创建存放运行代码的文件夹

复制代码

（二）利用Xftp传输文件
目次打开至上一步存放代码的文件夹处，将当地.py格式文件传输过来
（三）安装用到的Python—Packages
利用pip install 就可以
（四）运行代码
打开至存放代码的文件夹处

1. python  code名称.py

复制代码

  放一下我用服务器GPU练习的效果
  

总结

以上是我目前利用服务器运行python程序的学习经验，目前仅涉及到了自己python代码的CPU和GPU运行，还没有真正完成深度学习用到的情况设置，以及大体量数据集下载到服务器的部分，夺取尽快更新出来。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。