科研第一步：实现Linux服务器上创建python虚拟环境
为什么要创建python虚拟环境
第一次写博客，想通过写博客的方式记录下自己研究生阶段的学习，回答标题，进入实验室之后，如果需要经常在github上跑别人的代码或者baseline的时候，基于现在的AI大多由python实现，但是在跑实验的时候由于python版本和tensorflow以及keras等各类库不兼容问题的时候很是头痛，因此我们需要实现快速构建一个python虚拟环境使得可以快速跑baseline模型，并且进行调试并且学习。
如何实现
第一步GPU驱动安装
- 查看服务器上linux的版本以及GPU信息，使用如下指令:
- 根据系统版本及GPU型号寻找合适的显卡驱动并下载安装 NVIDIA显卡驱动安装网址 linux安装指令
wget -c https://us.download.nvidia.com/XFree86/Linux-x86_64/450.66/NVIDIA-Linux-x86_64-450.66.run
测试：输入nvidia-smi,如有表格输出说明驱动安装成功，如下：
第二步anaconda实现创建虚拟环境
为什么选择anaconda
Anaconda可以帮助我们创建多个开发环境，也可以帮助我们安装第三方包。比如在安装tensorflow的时候，它会帮我们安装很多其余所配套的包，以至于不会发生版本兼容问题
安装anaconda指令
- 下载安装包
这里我们使用清华镜像文件下载会更快
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2020.07-Linux-x86_64.sh - 安装
bash Anaconda3-2020.07-Linux-x86_64.sh
- 更新环境变量
source ~/.bashrc
创建python虚拟环境
conda创建
anaconda安装成功后即可以使用conda指令来创建虚拟环境
建立环境指令：
conda create -n name python=3.6
name即想创建的虚拟环境名称，python后面可以输入想安装的python
版本，如果github上面的代码会出现python2.x的情况的时候，也可以安装python2.x版本
示例：conda create -n tf27 python=2.7
如上图，创建了一个python=2.7，名称为tf27的虚拟环境
conda激活
创建完环境之后需要激活，使用指令
conda activate name
name为刚才自己命名的虚拟环境名
示例：conda activate tf27
此时注意左边的括号内已经从base变成了tf27，即我们从base环境切换到了tf27这个虚拟环境内，在这个虚拟环境中安装的任何python库都是只对这个虚拟环境生效的，即我们可以实现唯一的虚拟环境配置自己想要的库版本，注意：在这个虚拟环境内配置的包在base环境下是不能用的，但是我们也一般不用base环境跑代码。
若想切换回base环境只需使用指令
conda deactivate
验证
在base环境内输入conda env list，即可查看当前已经安装了哪些虚拟环境，
若要删除虚拟环境，需要conda env remove -n （环境名称）
在当前虚拟环境内安装tensorflow-gpu
只需要使用conda命令即可，
conda install tensorflow-gpu
如果需要选择版本，也可以conda install tensorflow-gpu=xxx
但是这样做conda会检测要安装的tf版本是否与当前python版本兼容，不兼容则拒绝安装
验证tf安装
输入python会看到当前python的版本信息
在python编辑环境下输入import tensorflow as tf以及tf.__version__即可看到tf的版本信息
附录
附上经常容易忘记的安装指令：
pytorch-cuda版本的安装：
pytorch官网版本下载
选择对应的适配，就可以使用不同的指令
经常下的是python3.6的pytorch
conda install pytorch==1.6.0 torchvision==0.7.0 -c pytorch
总结
至此，我们完成了在linux服务器上面搭建一个虚拟环境，并且可以实现安装任意版本的python和tensorflow，通过anaconda我们理论上可以创建很多的虚拟环境，用作跑出需要不同版本python以及深度学习框架的代码，但是为了更加方便的跑代码，我们一般会使用pycharm连接服务器或者jupyter与本次博客所用的东西结合起来，实现图形化编辑界面并且可以在服务器上跑代码，实现速度快，环境多，观感好等优点的写代码环境，使得更加方便的在不同虚拟环境下跑模型，下篇博客将写的就是pycharm连接服务器以及jupyter的使用。
