服务器容器配置日志（Linux+x86_64+Ubuntu18.04+CUDA11.0+python3.7)

一、创建并进入容器

（平台使用教学详细，这部分略写）
登上服务器后，打开终端输入如下进入自己建的容器

ssh -p XXXXX [e-mail]  //按自己的宿主机端口写

二、安装Conda（miniconda3）

（平台使用教学详细，这部分略写）

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
chmod +x Miniconda3-latest-Linux-x86_64.sh
./Miniconda3-latest-Linux-x86_64.sh

进入和退出conda的base环境

三、安装Jupyter

（平台使用教学详细，这部分略写）

jupyter notebook --no-browser --port=80 --ip=0.0.0.0 --allow-root

在browser中直接输入容器端口（这里是80）对应的宿主机端口，enter即可打开Jupyter。

之前在本地配置的时候参考的是这个博客（https://blog.csdn.net/qq_42971035/article/details/118547151）写得很好，实践挺成功，但没有使用教学给的这个流程简洁。

四、安装CUDA

输入以下命令查看服务器的gpu情况，确定对应的CUDA版本

nvidia-smi

结果如下，驱动是450，CUDA是11.0
（一定要看清楚不要搞错啦，我第一次配环境的时候下的是12.1，发现错了后，试了网上的各种博客都删不掉，万念俱灰BUSHI，遂偷懒重新建了一个新的容器，嘿嘿）

（插个话题，曾有一次，输入这个命令后，报错了，报错信息为

Failed to initialize NVML: Driver/library version mismatch

找了各种解决方法，最后发现“关闭容器然后再打开”就好了，哈哈哈哈，就很玄学）
进入官网，找到CUDA Toolkit 11.0 Download
按照步骤走即可，这里没有踩雷，需要注意的是要有点耐心，一句一句复制，运行时间比较长。

下载完成后，添加路径

vi ~/.bashrc   

（其实可以先到各个路径底下看看，看看nvcc在哪里，有利于理解这些代码的含义，万一与博客有出入，便于修改）
在最底端加上

 export CUDA_HOME=/usr/local/cuda-11.0export LD_LIBRARY_PATH=${CUDA_HOME}/lib64export PATH=${CUDA_HOME}/bin:${PATH}

更新

source ~/.bashrc

测试一下，会显示cuda的版本号

nvcc -V

五、安装cudnn

（暂时还没有装）

六、安装pytorch

在小火苗Pytorch官网上ctrl+f找到CUDA 11.0安装。

这里要检查自己python版本，第一次没有查看版本，直接用base中3.10的来运行，会产生版本不匹配的报错。我的解决方案是：不更改base里的配置，而是新建了一个虚拟环境

conda create --name python37 python=3.7 
conda activate python37 

在python37中打开python,测试是否安装成功（参考博客）

import torch # 如果pytorch安装成功即可导入
print(torch.cuda.is_available()) # 查看CUDA是否可用
print(torch.cuda.device_count()) # 查看可用的CUDA数量
print(torch.version.cuda) # 查看CUDA的版本号

七、废话箩筐

看着浏览器爆炸式增长的浏览记录，感觉一路上踩了好多坑，查了好多报错，遇到了好多复杂的看不懂的问题，感受到了莫大的痛苦。但真动手记录下来，就会发现这些报错和解决方案都是一些小tips，甚至写得时候会想，这真的值得一提吗。或许用“一览众山小”来形容有些夸张，但这个过程确实有点像费劲力气爬山再到登顶俯瞰大地的心路历程。由此引发了一些胡思乱想：是爬山本身就是辛苦的“历经风雨才能见彩虹”，还是要学会在爬任何山中发现乐趣，还是要选择一座风景秀丽充满趣味的山去爬。