Ubuntu服务器跑jupyter项目环境搭建
查看系统各项情况
首先，可以通过以下命令查看系统各项情况
1.查看操作系统版本：lsb_release -a
2.查看CPU信息（核心数、型号）：lscpu
3.查看内存大小：free -h
4.查看GPU（如果有 NVIDIA 显卡，用于加速训练）：nvidia-smi
5.查看磁盘空间（确保有足够空间安装环境和数据）：df -h
6.查看 Python 是否已安装及版本：
python3 --version
which python3
7.查看 jupyter 版本：jupyter --version
安装jupter项目相关环境
1.下载 Miniconda的安装脚本：wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
Miniconda 是一个轻量级的 Python 环境管理工具，包含 Conda 包管理器和 Python 解释器，方便用户创建和管理多个独立的 Python 环境，适用于开发、数据分析等场景。
2.运行刚刚下载的 Miniconda 安装脚本，进行安装Miniconda：bash Miniconda3-latest-Linux-x86_64.sh
安装完成如下所示：
3.安装完成后重新加载bash配置，使得配置生效：source ~/.bashrc
（白色背景有点点不好看，换成了经典的黑色背景）
4. 创建专用的conda环境：conda create -n ml-env python=3.8
创建一个名为ml-env的conda环境，前面的(base)会变成(ml-env)
5.激活刚刚创建的conda环境：conda activate ml-env
6.安装一些基础的机器学习库和工具：conda install numpy pandas matplotlib scikit-learn jupyterlab
7. 安装PyTorch（兼容CUDA 12.2）：pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
从前面的系统情况看到，本次系统为CUDA 12.2，需要下载兼容的PyTorch版本
8.验证GPU可用性
输入以下命令验证之前安装的是否可用：
python3 -c "import torch; print('PyTorch版本:', torch.__version__); print('CUDA可用:', torch.cuda.is_available()); print('GPU数量:', torch.cuda.device_count()); [print(f'GPU {i}:', torch.cuda.get_device_name(i)) for i in range(torch.cuda.device_count())] if torch.cuda.is_available() else print('未检测到GPU')"
9.配置Jupyter Lab
(1)安装jupyter lab扩展：conda install -c conda-forge jupyterlab
(2)生成jupyter配置：jupyter lab --generate-config
(3)设置密码：jupyter lab password
10.启动Jupyter Lab：nohup jupyter lab --ip=0.0.0.0 --port=8888 --no-browser > jupyter.log 2>&1 &
在浏览器中访问本机地址加端口8888，即可看到相应网页
10.查看当前激活的环境：conda info --envs
在jupyter中使用刚刚创建的canda环境
1.安装ipykernel（如果尚未安装）：pip install ipykernel
查看ipykernel是否安装：pip list | grep ipykernel
2.将刚刚创建的ml-env环境注册到Jupyter：python -m ipykernel install --user --name ml-env --display-name "Python (ml-env)"
3.重启Jupyter Lab使更改生效
找到当前jupyter进程并停止：ps aux | grep jupyter
找到进程ID（第二列的数字），然后使用：kill [进程ID]
4.重新启动Jupyter Lab：nohup jupyter lab --ip=0.0.0.0 --port=8888 --no-browser > jupyter.log 2>&1 &
在浏览器中访问本机地址加端口8888，即可看到相应网页，同时可以看到创建的conda环境
5.测试
在Jupyter Lab中新建一个notebook，选择"Python (ml-env)" kernel，然后运行：
import torch
import tensorflow as tf
print("PyTorch版本:", torch.__version__)
print("PyTorch CUDA可用:", torch.cuda.is_available())
print("GPU数量:", torch.cuda.device_count())
if torch.cuda.is_available():
print("GPU名称:", torch.cuda.get_device_name(0))
print("
TensorFlow版本:", tf.__version__)
print("TensorFlow GPU设备:", tf.config.list_physical_devices('GPU'))
可以看到相关配置如下所示：
