前言：
? ? ? ? 最近做橫向需要使用實驗室服務器跑模型，之前用師兄的賬號登錄服務器跑yolo，3張3090一輪14秒，我本地一張4080laptop要40秒，效率還是快很多，（這么算一張4080桌面版居然算力能比肩3090，老黃好刀法），不過一直用師兄的號也不好意思，所以開了自己單獨的號記錄下如何配置Linux深度學習的環境。
? ? ? ? 本文使用的是Anaconda進行配置，因為使用 Anaconda 安裝深度學習環境時，通常不需要單獨安裝 CUDA 和 cuDNN，當然前提是你通過?conda install?直接安裝 PyTorch 的 CUDA 版本。
前置工具：
先下好下面兩個工具Xshell和Xftp到自己電腦上，前者負責遠程連接，輸入指令，后者負責文件傳輸，以及提供可視化文件管理。鏈接如下（注意下載免費版本的）：
XSHELL - The Industry's Most Powerful SSH Client
https://www.netsarang.com/en/xshell/
下載后打開，兩者使用方式差不多，新建會話->輸入主機ip->輸入用戶名密碼
然后點擊連接就能進入遠控的界面。
XFTP同理連接后能夠看到下面界面，左邊為本機文件管理，右邊為遠程主機文件管理，左鍵單擊或右鍵選擇傳輸可實現兩機文件交換，同時也可可視化操作linux的文件比如復制粘貼刪除重命名而不用輸指令。
一、Python版本檢查
（雖然理論上感覺安裝anaconda前不需要額外安裝python，畢竟它本身其實就是為了完成python環境的隔離，但似乎后續conda install失敗時使用pip install要是版本不對可能會發生問題？以及我確實找到了一些關于anaconda和python版本的對應關系圖，姑且就安裝對應的版本。）
python3或python查看本地python版本,顯示為3.10.6，exit()退出
二、Anaconda下載和安裝
這是找到的對應圖，不過也是陳年老博客了，鏈接如下：
Index of /archivehttps://repo.anaconda.com/archive/
依次輸入下面指令：
下載：換成自己對應的鏈接
wget https://repo.anaconda.com/archive/Anaconda3-2023.03-1-Linux-x86_64.sh添加權限：
chmod +x Anaconda3-2023.03-1-Linux-x86_64.sh運行：
./Anaconda3-2023.03-1-Linux-x86_64.sh按enter:
輸入yes：
使用默認地址就好，按enter：
使用初始化，輸入yes：
等待后輸入ls能夠看見創建了一個anaconda3的文件夾，使用rm刪除之前下載的sh腳本
重新加載環境
source ~/.bashrc
查看版本校驗是否安裝成功
conda --version
創建一個環境，這里命名為yolo，使用3.9版本的python（師兄建議不要使用3.10+版本）
激活對應環境：
source activate yolo三、安裝torch
點擊下面鏈接，
https://pytorch.org/get-started/previous-versions/https://pytorch.org/get-started/previous-versions/
復制下面指令：
conda install pytorch==2.4.1 torchvision==0.19.1 torchaudio==2.4.1 pytorch-cuda=11.8 -c pytorch -c nvidia
然后等待一段時間都顯示done后就配置好環境了。
（是的就這么幾步，倒騰了一下午就弄好了，windows的環境配置我反而折騰了一個多星期）
四、驗證
1.看所有安裝的庫:
conda list（前面括號里面表示激活的環境，使用source activate切換）
很明顯這邊以及安裝上cuda版本的torch
2.代碼驗證：
依次輸入
pythonimport torchprint(torch.cuda.is_available())
結果為true即可。
最后：
?????????難得這部分配置環境順順利利沒有出錯，不過后面yolo在linux上的環境還是報了不少錯，好在最后順利解決，后續會出一篇使用yolo在windows和linux分別訓練自己的模型的博客，可以點點關注！
)
)
