【深度学习项目实战·02】Linux服务器环境搭建：从SSH登录到稳定运行项目

文章目录

• • [01 本篇要解决什么问题](#01 本篇要解决什么问题)
  • [02 背景：先分清本地电脑、登录节点与计算节点](#02 背景：先分清本地电脑、登录节点与计算节点)
  • [03 实操：把远程环境逐层建立起来](#03 实操：把远程环境逐层建立起来)
  • • （1）先用普通SSH连接
    • （2）确认当前主机与系统
    • （3）选择已有Conda，或在用户目录安装
    • （4）创建与Windows同名的独立环境
    • （5）固定项目位置，再传代码
    • （6）先在前台验证，再保存日志
    • （7）理解tmux的用途与边界
  • [04 一个具体例子：同一个脚本，在两台机器上分别验收](#04 一个具体例子：同一个脚本，在两台机器上分别验收)
  • [05 常见问题与自测](#05 常见问题与自测)
  • [06 本篇回顾与下一步](#06 本篇回顾与下一步)

01 本篇要解决什么问题

Windows上的代码能跑了，搬到服务器却又多出一批问题：当前操作的是哪台机器？文件应该放在哪里？没有管理员权限能不能建环境？关掉终端后任务会不会停止？

本篇以常见Linux x86_64服务器、Bash终端为例，建立可定位、可记录、便于后续远程开发的工作目录。Ubuntu 22.04/24.04可作为操作示例，具体系统与资源使用方式以所在平台为准。

• 本篇关键词：SSH、Linux、用户目录、Conda、tmux、日志、计算节点。
• 完成标志：能识别远程主机，在自己的环境里运行脚本，并知道输出在哪里。
• 一句话概括：服务器环境既包含Python依赖，也包含主机、权限、存储和任务运行方式。

02 背景：先分清本地电脑、登录节点与计算节点

本地电脑提供终端和编辑器；远程机器保存代码与数据，并执行程序。如果平台有调度系统，SSH进入的可能只是登录节点，训练需要进入分配到的计算资源。

位置或资源	主要用途	需要确认什么
本地电脑	编辑、发起连接、查看结果	SSH客户端与网络
用户目录	环境、配置、小型文件	容量、权限与备份政策
数据盘或工作盘	数据集和较大输出	挂载、配额与清理政策
GPU计算节点	实际训练	分配的GPU、CPU和运行时限

**有SSH账号，不自动代表能在任意节点长期训练。**先按照平台说明使用资源，后面的Conda与PyTorch命令再在正确节点上执行。

03 实操：把远程环境逐层建立起来

（1）先用普通SSH连接

在本地终端检查客户端：

ssh -V

下面的地址来自文档示例网段，用户名和端口都需要替换为管理员提供的信息：

ssh -p 22 your_name@203.0.113.10

首次连接按管理员提供的信息核对主机指纹，再完成认证。先让命令行SSH正常，后面再配置VS Code，便于区分网络、认证和编辑器问题。

（2）确认当前主机与系统

成功登录后，以下命令在远程Linux终端执行：

whoami
hostname
pwd
uname -m
cat /etc/os-release
df -h "$HOME"

uname -m帮助区分x86_64与aarch64，安装器不能不看架构就通用。df反映文件系统容量；平台若另有用户配额，还要查看平台提供的配额信息。

使用NVIDIA GPU时再检查：

nvidia-smi

在没有GPU的登录节点上查不到设备，并不能直接证明计算节点驱动坏了。先确认是否已经进入分配到GPU的环境。

（3）选择已有Conda，或在用户目录安装

若平台已经提供Conda或模块环境，优先按其使用说明加载，再执行conda --version。个人安装示例如下，仅适用于Linux x86_64，且目标目录尚未安装过Miniconda：

mkdir -p "$HOME/software"
cd "$HOME/software"
curl -fL https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -o miniconda-installer.sh
sha256sum miniconda-installer.sh

对照官方安装入口及下载页提供的信息核对安装文件，然后：

bash miniconda-installer.sh -b -p "$HOME/miniconda3"
source "$HOME/miniconda3/etc/profile.d/conda.sh"
conda --version

已有目标目录时先检查现有安装，不把上述命令当作覆盖升级命令。ARM服务器应选择对应安装器，并确认操作系统与软件包支持。

驱动、系统库和全局工具属于另一层，通常由管理员维护；用户目录里的Python环境可以独立建立。

（4）创建与Windows同名的独立环境

conda create -n dl-course python=3.11 pip -y
conda activate dl-course
python -m pip install --upgrade pip
python -m pip install numpy pillow matplotlib tqdm
python -c "import sys; print(sys.executable)"
python -m pip --version

环境名相同便于交流，不代表两个系统的二进制包完全相同。不要把Windows环境文件夹原样复制到Linux；应该依据项目依赖重新创建。

（5）固定项目位置，再传代码

在远程创建项目目录：

mkdir -p "$HOME/dl-course-lab/examples"
mkdir -p "$HOME/dl-course-lab/data"
mkdir -p "$HOME/dl-course-lab/artifacts"
cd "$HOME/dl-course-lab"

然后回到本地PowerShell的项目根目录，把第01篇的练习脚本传过去：

scp -P 22 -r .\examples your_name@203.0.113.10:~/dl-course-lab/

SSH选择端口用小写-p，SCP选择端口用大写-P。以上只传代码；大数据集应按平台的数据传输要求处理。

（6）先在前台验证，再保存日志

在远程项目根目录运行：

conda activate dl-course
python examples/check_image_io.py
python -u examples/check_image_io.py > artifacts/io_check.log 2>&1
tail -n 30 artifacts/io_check.log

-u让Python输出更及时，重定向把标准输出和错误写入日志。示例日志名会被覆盖；不同实验应换成独立文件名，避免覆盖已有记录。

绝对路径与相对路径都可以用，关键是清楚相对路径依赖哪个工作目录。Linux路径区分大小写，Data与data通常不是同一目录。

（7）理解tmux的用途与边界

平台允许交互式持续任务，且已提供tmux时：

tmux new -s dl-course

进入后重新确认环境与目录，再运行任务。按Ctrl+b，松开后按d可以分离；之后重新连接：

tmux ls
tmux attach -t dl-course

tmux把会话保留在远程，常能避免单纯关闭本地终端造成会话丢失；它不防服务器重启，也不替代作业调度器或检查点保存。调度平台上的长训练应按平台规则提交。

图：本地连接、远程用户环境与计算资源是不同位置。项目目录和运行输出应归属到实际执行程序的机器。

04 一个具体例子：同一个脚本，在两台机器上分别验收

第01篇在Windows生成了图片；现在在Linux执行同一个check_image_io.py。正常结果仍应为64×64 RGB图片，像素读写一致，但输出绝对路径会变成远程路径。

再比较：

python -c "import sys, socket; print(socket.gethostname()); print(sys.executable)"

这能把"运行成功"变成更明确的描述：**在什么主机、用哪个解释器、从什么项目运行，结果写到哪里。**第03篇安装PyTorch后，再追加CPU与已分配GPU的训练验证。

05 常见问题与自测

问题1：没有sudo权限，能建立Python环境吗？

通常可以在有写权限的用户目录安装环境管理器。系统驱动和系统依赖另由管理员或平台维护。

问题2：SSH能登录，为什么看不到GPU？

可能当前是登录节点、未分配GPU或设备受隔离，也可能是驱动问题，需要按平台架构逐项判断。

问题3：把Conda环境文件夹复制过去能省安装吗？

跨Windows/Linux不能这样迁移。即使同系统，也需要考虑前缀路径和二进制兼容，应使用适当的环境重建或打包流程。

问题4：使用tmux后是否就不需要保存模型？

仍然需要。会话持续与训练状态可恢复是两件事，重启、超时或进程退出仍可能中断任务。

问题5：一段命令到底应该在本地还是远程执行？

看它操作谁的文件、环境和设备。连接命令从本地发起，远程依赖安装与训练在目标机器执行。

06 本篇回顾与下一步

服务器环境搭建完成后，应能回答主机、账号、环境、目录、设备和日志六个问题。保持这些信息明确，后面的远程调试和训练排错会简单很多。

中文	常用英文
远程登录	SSH login
登录节点／计算节点	Login node / Compute node
用户目录	Home directory
会话分离	Session detaching
日志重定向	Log redirection

下一篇集中处理CUDA与PyTorch：选择兼容构建，并用一次真实的前向、反向与模型保存验证运行链路。

参考与延伸阅读

• Conda安装与环境管理。
• tmux项目入门文档。
• PyTorch官方安装入口：后续核对系统和构建。