深度学习软件开发环境搭建

这个双十一，我下了一个狠单，配置了一台深度学习主机，详情请参考我之前的文章：

这个双十一，我配了一台深度学习主机

这几天，我花了一些时间，装系统，装软件，进行系统设置，搭建了一套令我比较满意的深度学习环境。下面就介绍一下我的深度学习软件配置。

在操作系统的选择上，我毫不犹豫的选择了Ubuntu 180.4 LTS（长期支持系统）。Linux虽然对普通用户不友好，但对开发人员却非常友好，各种开发软件，在Linux系统上均首先得到支持（微信小程序开发工具是个例外，这点很让人无语）。Linux的发行版本众多，而Ubuntu系统是我长期使用的发型版本，上手容易，使用方便，所以选择Ubuntu是自然而然的事情。版本上当然选择新版本，但我没有选择Ubuntu 19.04或Ubuntu 19.10，因为Ubuntu版本出的非常勤，每年都会出两个版本，但每隔两年会出一个LTS版本，支持期为4年，所以为了稳定起见，选择LTS版本是一个稳妥的选择，最近的一个LTS版本就是18.04。

选择Linux系统还有一个好处，就是专心开发，虽然这台主机很适合玩大型游戏，但没装Windows系统，玩不了。另外好多常见的软件，都没有Linux版本。总结一下，这台机器就是用来干活的。

这篇文章略过Ubuntu系统的安装，重点说一说各种深度学习软件的安装与配置。

安装基本的开发工具

作为一名Linux开发人员，通常gcc、jdk、git是必不可少的，另外ssh登录，可以方便远程登录。下面是我安装的一些基本软件：

接下来设置github访问。首先，使用您会记住的密码（或者为空）生成一个公共RSA密钥。

登录到您的GitHub帐户，然后在“设置”下单击SSH和GPG密钥并添加新的SSH密钥。

接下来安装CUDA开发与运行时库：

要检查CUDA开发库是否正确安装，可以编译CUDA提供的示例程序。

$ cuda-install-samples-10.0.sh ~
$ cd ~/NVIDIA_CUDA-10.0_Samples
$ make

运行编译示例程序：

输出结果中包含Result = PASS，表明CUDA是正常工作的。

Docker

关于Docker以及Docker中的硬件加速支持，请参考我前面一篇文章：

启用Docker虚拟机GPU，加速深度学习

关于Docker虚拟机，这里补充一点知识。docker在安装完成之后，是需要root权限才能执行docker命令。通常情况下，使用sudo是一个危险的操作，应该尽量避免，Docker给出解决方案，将用户加入到名为docker的用户组，这个用户组在安装docker软件的过程中会创建。

登出机器再登入，或者执行以下的命令，即可生效：

确定当前用户是否属于docker用户组:

这个时候直接运行 docker 命令就不会出错了，可以运行以下命令验证一下：

Anaconda

谈到机器学习，python肯定是首选语言。但是Python语言发展过程中，一直深受Python 2和Python 3两个版本分裂的困扰，虽然Python 3是大势所趋，但Python 2的生命力很顽强，现在依然有许多代码只能运行在python 2下。另外Tensorflow 1.X和Tensorflow 2.0也不兼容，让开发人员头疼不已。所以Python虚拟环境就非常有存在的必要。

前面讲到的docker虚拟机能解决这一问题，但是docker虚拟机相对而言比较“重”，更优雅的方案是Python虚拟环境，虽然只适用于python编程，但足够轻量。Python虚拟环境也有很多方案，这里我推荐Anaconda。

Anaconda就是可以便捷获取包且对包能够进行管理，同时对环境可以统一管理的发行版本。Anaconda包含了conda、Python在内的超过180个科学包及其依赖项。

Anaconda具有如下特点：

• 开源

• 安装过程简单

• 高性能使用Python和R语言

• 免费的 区支持

我之前针对Win 10操作系统写过一篇，有兴趣可以看看：

Win10下配置机器学习python开发环境

Ubuntu下的安装和Win 10下差不多，首先去Anaconda官 下载安装包，下载地址为：

https://www.anaconda.com/distribution/#download-section

下载得到一个自解压shell包，用shell执行即可：

按照安装说明：

• 回车 通读许可条款。

• yes 同意许可条款。

• 回车 接受默认安装位置（/home/{User}/anaconda3），或指定其他目录

• yes 将Anaconda3安装位置添加到 ~/.bashrc 文件中

为了方便后续使用anaconda中的命令，登出再登入当前会话，或者简单的使 ~/.bashrc 生效：

有了anaconda，接下来可以创建各种python虚拟环境，比如为python 2的代码建立一个名为py2的虚拟环境，并激活这个虚拟环境：

可以看出现在python解释器的版本是2.7.17。

还可以尝试为tensorflow 2.0 GPU创建一个虚拟环境，python版本可以选择3.6。

创建python虚拟环境是如此轻量，如此方便。你可以查看现有所创建的虚拟环境列表：

前面有 * 标记的表明当前激活的虚拟环境。

验证 tf2-gpu 虚拟环境是否启用了GPU加速：

Jupyter notebook

在很多深度学习教程中，我们都可以看到Jupyter notebook，作为一种WEB交互环境，做演示、写samples非常方便。

我们可在 tf2-gpu 虚拟环境中安装Jupyter notebook，当然也可以为Jupyter notebook新建一个虚拟环境，看情形而定。

运行 jupyter notebook 命令即可启动服务。

Visual Studio Code

前往 https://code.visualstudio.com/download# 下载deb包，然后安装：

• Python: 请认准微软出品，提供了代码分析，高亮，规范化等很多基本功能，装好这个就可以开始愉快的写python了。

• Anaconda Extension Pack: 依然是微软出品，配合前面推荐的Anaconda使用，非常方便切换Anaconda虚拟环境，还大大增强了代码提示功能，各种第三方库基本都能实现代码提示了，并且还会额外显示每个方法的帮助。

• Bracket Pair Colorizer: 代码颜色高亮一般只会帮你区分不同的变量，这款插件给不同的括 换上了不同的颜色，括 的多的时候非常实用。

• filesize: 一款在左下角显示文件大小的插件，还是挺实用的

• Trailing Spaces: 自动删除行尾的空格，代码提交到gerrit上，如果代码行存在空格符，就会出现刺眼的红色，这个插件可以解决这一问题。

• Project Manager: 顾名思义，就是管理VS Code的多个项目，方便在不同项目间切换。

当然VS Code还有很多主题、皮肤，只要你愿意折腾，可以打造一个非常炫酷的开发环境，这里就不过多介绍。

至此，我的深度学习开发环境介绍完毕，你觉得还有哪些必备软件呢，欢迎留言。

参考

1. How To Install and Use Docker on Ubuntu 18.04

2. TensorFlow GPU support

文章知识点与官方知识档案匹配，可进一步学习相关知识Python入门技能树桌面应用开发Tkinter213117 人正在系统学习中