win10+linux双系统，搭建深度学习pytorch环境

### 如何在Linux系统上运行深度学习代码 #### 准备工作 为了确保能够在Linux服务器上顺利执行深度学习任务，前期准备工作至关重要。这包括但不限于安装必要的软件包和支持库。对于Python编程语言而言，在Linux环境中部署深度学习模型通常建议通过Anaconda来管理依赖关系和创建隔离的工作空间。 #### 安装Anaconda 使用清华大学开源软件镜像站提供的资源可以加速下载过程。具体命令如下所示： ```bash wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2021.05-Linux-x86_64.sh ``` 接着按照提示完成Anaconda的安装流程[^2]。 #### 配置环境变量 一旦成功安装了Anaconda之后，则需将其路径添加到系统的环境变量当中以便于后续操作更加便捷高效。可以通过编辑`~/.bashrc`文件并将下面这一行追加进去实现此目的: ```bash source ~/anaconda3/bin/activate ``` 保存更改后记得重新加载该配置文件使设置生效： ```bash source ~/.bashrc ``` #### 创建虚拟环境 考虑到不同项目可能涉及到版本兼容性等问题，因此推荐针对每一个新启动的任务都单独建立一个新的Conda虚拟环境来进行开发测试活动。例如要基于Python 3.9构建名为`python39`的新环境可参照下述指令集行事： ```bash conda create --name python39 python=3.9 ``` 激活刚刚创建出来的这个特定版本号下的解释器实例之前还需要先切换过去才行： ```bash conda activate python39 ``` 此时如果想要验证当前所处的状态是否正确无误的话，那么可以直接调用`which python`查看默认使用的二进制位置信息确认无疑是在预期范围之内即为/home/user_name/anaconda3/envs/python39/bin/python[^3]。 #### 编写与调试脚本 当一切准备就绪以后就可以着手编写具体的业务逻辑部分了。这里假设有一个简单的神经网络训练案例存放在本地计算机之中等待迁移至远程主机上面继续推进下去。利用SCP协议能够轻松达成传输目标；另外也可以考虑借助VSCode这类集成IDE工具直接连接SSH通道在线编码调整参数直至满意为止。 #### 执行程序 最后一步就是实际提交作业给计算节点处理啦。一般情况下只要简单输入类似这样的语句就能让整个工程跑起来： ```bash python your_script.py ``` 不过有时候出于性能优化考量或许会希望进一步指定GPU设备编号从而充分利用硬件加速特性提升效率效果更佳哦！