服务器只有一台，大家天天用sudo改环境最后炸了？可以采用Docker，在容器里面爱装啥装啥。
目录
深度学习服务器环境配置
安装Ubuntu Server 16.04。这一步骤网上教程很多，简略带过。
连接服务器、配置用户信息、SSH密钥登录、防火墙端口、Ubuntu软件源等。
安装显卡驱动，Docker CE 19.03（已支持GPU，无需再安装Nvidia Docker），并配置用户Docker权限。
Docker容器深度学习环境配置
使用指南
连接服务器与文件传输
容器创建与使用
深度学习服务器环境配置
安装Ubuntu Server 16.04。这一步骤网上教程很多，简略带过。
1.下载Ubuntu16的iso镜像，建议server版。
2.用UltraISO把镜像加载完烧录到U盘里面。
3.插U盘，进BIOS设置优先U盘启动，进入Ubuntu安装环节。
4.完成各项配置并完成安装。
连接服务器、配置用户信息、SSH密钥登录、防火墙端口、Ubuntu软件源等。
1.连接服务器。
推荐使用MobaXterm。新建Session，设置好IP，以及安装系统配置的用户信息，端口默认22。
2.添加需要的用户并配置信息。
adduser $USER
3.登入用户并设置SSH密钥对。
ssh-keygen -t rsatouch .ssh/authorized_keyscat .ssh/id_rsa.pub >> .ssh/authorized_keys
4.开启SSH密钥登录，关闭密码登录，并更换SSH端口。
修改SSH的配置文件/etc/ssh/sshd_config
找到
PasswordAuthentication yes
加上#注释或改为no以关闭密码登录。
找到：
Port 22
修改端口。
5.防火墙设置。
使用Ubuntu的ufw设置防火墙，将新端口添加进去，并启动防火墙。后续看使用情况用ufw对端口进行设置。
sudo ufw allow xxxx
6.之后重启SSH服务，重新连接。IP不变，需要修改用户（只需要用户名，不需要密码），端口，以及密钥。
重启SSH服务：
sudo /etc/init.d/ssh restart
7.重新登录后，切换root，修改ubuntu软件源。切换root后直接复制粘贴即可（清华源）。
touch /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial main multiverse restricted universe' >> /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial-backports main multiverse restricted universe' >> /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial-proposed main multiverse restricted universe' >> /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial-security main multiverse restricted universe' >> /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial-updates main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial-backports main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial-proposed main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial-security main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial-updates main multiverse restricted universe' >> /root/untitled.txtcp /root/untitled.txt /etc/apt/sources.listapt-get updateapt-get upgrade
安装显卡驱动，Docker CE 19.03（已支持GPU，无需再安装Nvidia Docker），并配置用户Docker权限。
1.下载对应显卡和系统的Nvidia驱动并进行安装。网上教程较多，不予赘述，本文采用的是最新驱动。
2.安装Docker CE 19.03与NVIDIA Docker，该版本Docker已支持GPU，无需再安装Nvidia Docker 2。教程可参考清华镜像安装（比较快）以及参考官网和Nvidia Docker以及该教程。
# Add the package repositories$ distribution=$(. /etc/os-release;echo $ID$VERSION_ID)$ curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -$ curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list$ sudo apt-get update && sudo apt-get install -y nvidia-container-toolkit$ sudo systemctl restart docker
3.创建Docker用户组并配置用户Docker权限。
groupadd dockergpasswd -a $USER docker
4.拉取nvidia/cuda:10.0-cudnn7-devel-ubuntu16.04镜像，其他支持cuda的镜像可以在这里找到。
docker pull nvidia/cuda:10.0-cudnn7-devel-ubuntu16.04
Docker容器深度学习环境配置
配置到这里已经可以让用户自行拉取镜像创建容器，并在容器中自定义环境。为了方便多用户更简易使用，最好对初始镜像进行一定配置，再重新做成镜像给每个用户使用。本文在每个容器中安装anaconda，方便用户在个人的容器内进行自定义。
1.根据拉取的镜像创建容器。Docker命令可查。
docker imagesdocker run --name lab403 --gpus all -itd nvidia/cuda:10.0-cudnn7-devel-ubuntu16.04
2.下载Anaconda安装包，并使用docker cp命令拷入容器内/root/目录中以便后续安装。拷入后使用docker exec -it lab403 /bin/bash进入容器。
docker cp data/Anaconda3-.07-Linux-x86_64.sh lab403:/root/docker exec -it lab403 /bin/bash
docker exec -it lab403 /bin/bash是常用进入容器的命令。这里有个检查镜像是否调用CUDA的方法，进入镜像后通过nvidia -smi以及 nvcc -V查看GPU驱动和CUDA版本。
3.进入镜像后，修改源并更新软件，同装完系统的更新源操作。
如果该步骤出现了其他源（developer.），请删除/etc/apt/sources.list.d/中的对应文件。
touch /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial main multiverse restricted universe' >> /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial-backports main multiverse restricted universe' >> /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial-proposed main multiverse restricted universe' >> /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial-security main multiverse restricted universe' >> /root/untitled.txtecho 'deb http://mirrors.tuna./ubuntu/ xenial-updates main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial-backports main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial-proposed main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial-security main multiverse restricted universe' >> /root/untitled.txtecho 'deb-src http://mirrors.tuna./ubuntu/ xenial-updates main multiverse restricted universe' >> /root/untitled.txtcp /root/untitled.txt /etc/apt/sources.listapt-get updateapt-get upgrade
4.修改pip源（清华源）。
mkdir /root/.piptouch /root/.pip/pip.confecho '[global]' >> /root/.pip/pip.confecho 'index-url = https://pypi.tuna./simple' >> /root/.pip/pip.confecho '[install]' >> /root/.pip/pip.confecho 'trusted-host=' >> /root/.pip/pip.conf
5.安装Anaconda。本文时间关系没有更换Anaconda源并进行其他配置，详细可以参考这里的Anaconda教程。
安装Anaconda，一路yes，装完exit，重新使用docker exec -it lab403 /bin/bash命令进入容器的bash
chmod +x /root/Anaconda3-.07-Linux-x86_64.sh && /root/Anaconda3-.07-Linux-x86_64.sh
6.使用Anaconda创建新的虚拟环境。
conda create -n py3 python=3.7conda activate py3
7.安装常用深度学习环境包。这里主要用pip安装，笔者对anaconda不熟悉，也可以用anaconda直接进行包安装，可以参考上面的anaconda教程，进行源配置与包安装。
pip install numpy tensorflow-gpu keras torch torchvision scikit-learn Scipy Pydot Matplotlib Pandas XGBoost LightGBM CatBoost Eli5 NLTK SpaCy Gensim Scrapy pydicom opencv-python scikit-image SimpleITK graphviz
这里也可以加上--no-cache-dir 的参数，后续不需要再清理缓存。若网络条件不好，建议用上述命令。安装完分别对tensorflow，pytorch测试是否正常调用GPU，参考该教程以及该教程。
tf2.0的GPU测试如下
import tensorflow as tfversion = tf.__version__gpu_ok = tf.test.is_gpu_available()print("tf version:",version,"\nuse GPU",gpu_ok)
tf测试GPU成功的话应该是显示
tf version: 2.0.0use GPU True
pytorch测试为
import torchflag = torch.cuda.is_available()print(flag)ngpu= 1# Decide which device we want to run ondevice = torch.device("cuda:0" if (torch.cuda.is_available() and ngpu > 0) else "cpu")print(device)print(torch.cuda.get_device_name(0))print(torch.rand(3,3).cuda())
成功的结果为
Truecuda:0GeForce GTX 1070tensor([[0.0100, 0.9075, 0.7111],[0.6928, 0.5959, 0.4963],[0.1099, 0.2922, 0.8152]], device='cuda:0')
8.整理完所有需要的包，可以将容器重新打包成镜像了。
如果服务器磁盘资源有限，可以对无用的包和文件进行清理，减小镜像体积。
rm /root/Anaconda3-.07-Linux-x86_64.shconda clean -p# 删除没有用的包 --packagesconda clean -t# 删除tar打包 --tarballsconda clean -y -all # 删除所有的安装包及cache(索引缓存、锁定文件、未使用过的包和tar包)rm -rf ~/.cache/pip/* #删除pip缓存
之后需要先关闭容器，可以exit后，使用docker stop lab403关闭容器的后台运行。之后使用docker ps -a查看容器的Container ID。并使用docker commit对其进行发布。-m为消息，-a为作者，后接容器ID与镜像名称。
docker commit -m="deep learning environment has been successfully built" -a="root" b43837545aa1 lab403
至此环境配置全部完成，后续可以分发密钥让每个用户从新的镜像进行容器创建并使用。
使用指南
docker的使用指南有很多，基本概念需要进行简单的学习与了解。容器可以简单理解为一个新的linux系统，在容器内的任意操作都不会影响到外部环境。每个用户可以按自己的需求定制容器。
连接服务器与文件传输
用户获得密钥后，按前文所述SSH连接教程连接至服务器。
使用MobaXterm可以通过sftp实现与本地的文件传输，还能在命令行中光标拖选后左键点击完成复制，右键直接粘贴等。MobaXterm提供了很多便捷的方法和工具，建议进行学习使用，能提高很多工作效率。
容器创建与使用
切记环境配置不易，不要再动机器的默认环境了，所有操作自行去容器内操作。
登录完成后，通过docker images查看现有镜像。
使用docker run来创建容器，这里建议多学习docker使用手册，上文中也有链接。其中-p为指定端口映射（有需要使用的话记得服务器防火墙也要打开对应端口），-v为指定目录共享（支持多目录映射）。
docker run --name test --gpus all -p 1088:80 -v /home/gaoqiang/data:/data -itd lab403:latest
之后日常使用方式建议采用screen + docker exec的方式进行方便的后台管理。访问docker前可以先开启screen，在screen内使用docker exec命令开启一个bash，第一次打开bash后需要记得使用conda activate切换anaconda的环境。
screen -R testdocker exec -it test /bin/bashconda activate py3
注意环境已经配置在py3中，所以碰到问题第一时间检查环境是否正确。
后续进行操作，需要退出可以exit直接关闭screen。更多时候需要后台挂起bash，在screen内快速按顺序同时按下Ctrl A D三个键即可。这样就能将screen挂起在后台，其中打开容器的bash也仍在后台运行。
再重新打开只需再次使用screen -R test即可。使用screen -ls可以查看已开启哪些screen。
screen也是非常便捷的多终端管理工具，可以跨终端进行后台程序管理，也强烈建议学习。
教程主要内容介绍完毕，更多的使用如容器开放web端口使用，anaconda配置环境等笔者也在学习，总之用户也需要不断的学习这些工具的教程与使用。希望读者能有所收获。
