AI开发软件环境概览
内容提要
本文介绍AI开发环境配置：安装Ubuntu系统，建议用zsh替代bash；使用包管理器（winget、brew、apt）；安装NVIDIA GPU驱动及CUDA；配置ssh、Git；推荐Miniconda而非Anaconda；安装TensorFlow、PyTorch，注意CUDA版本对应；配置Jupyter Lab远程访问及VSCode远程开发。
延伸解读
虚拟机无法调用GPU，深度学习需物理机或服务器
文章明确指出，在Windows虚拟机中安装Ubuntu时，显卡由物理CPU模拟，无法调用物理GPU，因此不能用于深度学习训练。这意味着如果读者计划进行模型训练，必须直接在物理机上安装Ubuntu，或使用带有GPU的远程服务器。这一限制是环境配置前需要优先考虑的关键点，避免后续因硬件不可用而返工。
Miniconda相比Anaconda更节省空间，适合按需安装
文章推荐使用Miniconda而非Anaconda，因为Anaconda默认包含大量AI开发中可能用不到的包，占用较多磁盘空间；Miniconda仅提供conda、Python和必要依赖，允许用户按需安装所需包。对于磁盘空间有限或希望保持环境简洁的开发者，Miniconda是更轻量的选择。同时，文章建议将Miniconda安装在SSD上以加快读写速度。
TensorFlow对CUDA版本要求严格，PyTorch相对灵活
文章对比了TensorFlow和PyTorch在CUDA版本兼容性上的差异：TensorFlow不同版本对CUDA有严格的对应要求，例如系统安装CUDA10.1时安装tensorflow-2.4.0会报错；而PyTorch基于动态图，不同版本不需要严格对应系统CUDA。因此，在配置环境时，若使用TensorFlow需仔细核对版本匹配，而PyTorch则提供了更大的灵活性。
远程开发配置：Jupyter Lab与VSCode的服务器连接要点
文章介绍了在无图形界面的服务器上使用Jupyter Lab的步骤：生成配置文件、设置密码、修改IP和端口，并通过nohup后台启动，最后在本地浏览器用服务器IP替换localhost访问。VSCode则通过Remote-SSH扩展连接服务器，并建议配置SSH密钥免密登录。这些方法帮助开发者在本地获得接近图形界面的开发体验，同时利用服务器计算资源。
Q&A
为什么在虚拟机中安装Ubuntu不能用于深度学习训练？
因为虚拟机中的显卡是由物理CPU模拟的，无法调用物理GPU，所以不能用于深度学习训练。
为什么推荐使用Miniconda而不是Anaconda？
Miniconda只包含conda、Python和必要依赖，占用磁盘空间小，可以按需安装包；而Anaconda默认包含大量包，很多对典型AI开发环境不必要。
安装TensorFlow和PyTorch时对CUDA版本有什么要求？
TensorFlow不同版本对CUDA有严格对应要求，例如系统安装CUDA10.1时安装tensorflow-2.4.0会报错；PyTorch基于动态图，不同版本不需要严格对应系统CUDA。
如何在远程服务器上配置Jupyter Lab并实现本地访问？
步骤：1. 通过ssh连接服务器；2. 激活conda环境；3. 安装jupyterlab并添加环境到Jupyterlab；4. 生成配置文件；5. 设置登录密码；6. 编辑配置文件，设置IP为'*'、不打开浏览器、指定端口；7. 后台启动jupyter lab并查看输出获取IP；8. 在本地浏览器中用服务器IP替换localhost访问。
在Linux上安装NVIDIA GPU驱动有哪些方法？
方法1：使用PPA（不能保证安全或最新版）；方法2：通过CUDA Toolkit安装（推荐，包括安装驱动和CUDA）；方法3：使用ubuntu-drivers（不推荐）。
如何配置VSCode进行远程开发？
安装Remote-SSH扩展，配置SSH连接，生成SSH密钥并复制到远程主机，然后通过Remote-SSH连接服务器进行开发。
