第一步：安装 Linux-Ubuntu系统
- 系统语言设置为英文 ENGLISH，防止系统 BUG；
- 选择-清除整个磁盘并安装系统；
- 设置用户名和密码，实验室统一
- 其余全部默认设置
开机后设置磁盘挂载
- 在系统设置中找到 desk 打开，然后在系统盘中把全部分区合并为 1 个（方便数据存储），然后初始化该分区，最后重命名分区路径到
/home/user/data并重启加载硬盘。
第二步：配置深度学习环境
- 安装英伟达驱动
- 安装 CUDA
- 安装 Anaconda/MiniAnaconda
bash
# 更新包
sudo apt-get upgrade
# 或者
sudo apt update
# 安装必备依赖：包括gcc g++ mark等必备依赖
sudo apt install build-essential
# 安装指定依赖
sudo apt install gcc-9 g++-9
# 验证安装
gcc --version
# 安装包
sudo sh *.sh
# 1.安装英文达驱动
sudo sh *.sh
# 查看驱动
nvidia-smi
# 查看cuda版本
nvcc -V
# 2.安装 cuda11.1
sudo sh *.sh
# 取消选择 driver，因为在 NVIDIA 驱动中已经包含了
# 此时 nvcc -V命令应该不起作用，因此需明确指向
# 打开家目录的.bashrc文件
gedit ~/.bashrc
# 在最后 2 行加上该命令，记得把 cuda 版本改成你一样的
export PATH=/usr/local/cuda-11.1/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
# 关闭并保存更新
source ~/.bashrc
# 继续下载 cudnn 深度学习加速库，移动到对应文件夹：这一步应该是不必须的，对其进行扩充专用于深度学习加速
# 英文达官网下载对应 cuda 版本的 cuDNN
# 将解压后的文件全部放到自己cuda对应版本/usr/local/cuda-11.1的include和lib64中
# 使用命令验证安装是否成功
nvcc -V
# 3.安装Anaconda：不使用sudo 命令，将其安装在 user 下
# 设置默认打开 codna 的 base 环境
gedit ~/.bashrc
# 文件最后添加
export PATH="~/anaconda3/bin":$PATH
source ~/anaconda3/bin/activate # 终端默认的 python 为 anaconda的 base
# 关闭并保存更新
source ~/.bashrc
# 额外命令
# 打开根目录下的命令行
control+command+T
# 可视化打开文本
gedit text.txt
# 安装 ssh 远程连接
sudo apt-get install openssh-server
# 查看 IP 地址
ifconfig第三步：网络设置
-
首先在自己 Ubuntu 服务器上，将 IP 地址设置为手动
Gateway 和 DNS 保持一致，前面9 位与学校 IP 保持一致最后为.1，其中的 Addresses前面相同.本机端口，端口命名规则为： 100+本机号，比如6 号机位 106。
-
路由器上设置端口转发（路由器管理界面的高级设置中），用于本机访问路由器下的指定服务器
6 号机的外部端口 命名规则为： 1000+6=1006
第四步：开机时在启动面板中设置接通电源自动开机
更新记录
- 2023年08月20日15:25:36今天实验室师弟带着我重新安装了一遍服务器，希望以后有新机器的时候由我来负责安装系统和配置环境；
- 2023年08月22日20:18:00 师弟带领下安装完了实验室的服务器以及配置，把整个过程记录下来，以后要靠自己摸索；