【人工智能】实验室GPU资源申请使用

实验室独占实例Ubuntu 20.04 配置 Pytorch GPU

一、换源

1. 备份原来的文件

sudo cp /etc/apt/sources.list /etc/apt/sources.list.backup

2. 编辑vi /etc/apt/sources.list文件

vim /etc/apt/sources.list

3. 将内容全部替换为下面

# 默认注释了源码镜像以提高 apt update 速度，如有需要可自行取消注释
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-updates main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-updates main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-backports main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-backports main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-security main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ focal-security main restricted universe multiverse

4. 更新软件

sudo apt-get update

二、安装 anaconda

1. 去官网登录、下载 官网链接

2. 将下载的文件 Anaconda3-2024.06-1-Linux-x86_64.sh 文件上传到服务器，并在该目录下执行下面代码，一路回车

bash Anaconda3-2024.06-1-Linux-x86_64.sh

3. 创建conda虚拟环境

conda create -n pytorch241 python=3.10.0

pytorch241 为环境名，自己随便取，python 版本根据要安装的pytorch要求指定。pytorch 官网 有每个pytorch的最低python版本要求。

如果报错conda找不到，vim ~/.bashrc，将export PATH=$PATH:/home/vincent/anaconda3/bin添加到末尾，再进行刷新source ~/.bashrc

4. 初始化conda环境

conda init

5. 切换到刚才建立的环境

conda activate pytorch241

pytorch241 自己创建的虚拟环境名

三、安装 pytorch

1. 检查显卡信息

 nvidia-smi

如果显示下面图图片，说明显卡安装没问题，右上角CUDA Version 为显卡支持CUDA最高版本，也就是说过会安装pytorch的时候，cuda版本不能超过这个。

否则就需要自己安装显卡驱动

确认自己电脑安装了NVIDIA显卡：lspci | grep -i nvidia
查看合适的版本：ubuntu-drivers devices
安装带recomended标记的显卡驱动（别安装带open的）：sudo apt install nvidia-driver-535(如果提示 sudo 找不到 conda： vim ~/.bashrc 在最后添加 alias sudo="sudo env PATH=$PATH"，再执行source ~/.bashrc)

2. 打开pytorch官网 官网链接，选择合适的配置

conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

3. 验证是否安装成功

打开 python：python
导入 torch：import torch
查看GPU是否可用：print(torch.cuda.is_available())，如果返回TRUE，则GPU版安装成功。

实验室共享性实例

一、申请实例

1. 申请cpu节点

salloc

salloc 将会分配一个cpu，该语句执行后将会返回cpu编号，我申请返回cpu1

请特别注意，不要在workstation进行其他操作，在cpu、gpu节点进行操作。

2. 切换到CPU节点

ssh cpu1

3. 申请GPU资源

salloc -p gpu-rtx3080ti -N1 -n1 --gres=gpu:1 -t 30-24:00:00

-p gpu-rtx3080ti：表示申请的要申请的分区为gpu-rtx3080ti
-N1：代表申请1个节点
-n1：代表申请1块GPU
–gres=gpu:1：代表每个节点申请1块GPU
-t 30-24:00:00：代表最大占用时间为30天24小时0分0秒
申请成功会返回GPU编号，我申请到的GPU编号为gpu10

4. 切换掉GPU节点

ssh gpu10

接下来就可以在GPU节点安装anaconda、pytorch GPU等。