服务器容器配置日志（Linux+x86_64+Ubuntu18.04+CUDA11.0+python3.7)
一、创建并进入容器
（平台使用教学详细，这部分略写）
登上服务器后，打开终端输入如下进入自己建的容器
ssh -p XXXXX root@10.XXX.XXX.XXX //按自己的宿主机端口写
二、安装Conda（miniconda3）
（平台使用教学详细，这部分略写）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
chmod +x Miniconda3-latest-Linux-x86_64.sh
./Miniconda3-latest-Linux-x86_64.sh
进入和退出conda的base环境
三、安装Jupyter
（平台使用教学详细，这部分略写）
jupyter notebook --no-browser --port=80 --ip=0.0.0.0 --allow-root
在browser中直接输入容器端口（这里是80）对应的宿主机端口，enter即可打开Jupyter。
之前在本地配置的时候参考的是这个博客（https://blog.csdn.net/qq_42971035/article/details/118547151）写得很好，实践挺成功，但没有使用教学给的这个流程简洁。
四、安装CUDA
输入以下命令查看服务器的gpu情况，确定对应的CUDA版本
nvidia-smi
结果如下，驱动是450，CUDA是11.0
（一定要看清楚不要搞错啦，我第一次配环境的时候下的是12.1，发现错了后，试了网上的各种博客都删不掉，万念俱灰BUSHI，遂偷懒重新建了一个新的容器，嘿嘿）
（插个话题，曾有一次，输入这个命令后，报错了，报错信息为
Failed to initialize NVML: Driver/library version mismatch
找了各种解决方法，最后发现“关闭容器然后再打开”就好了，哈哈哈哈，就很玄学）
进入官网，找到CUDA Toolkit 11.0 Download
按照步骤走即可，这里没有踩雷，需要注意的是要有点耐心，一句一句复制，运行时间比较长。
下载完成后，添加路径
vi ~/.bashrc
（其实可以先到各个路径底下看看，看看nvcc在哪里，有利于理解这些代码的含义，万一与博客有出入，便于修改）
在最底端加上
export CUDA_HOME=/usr/local/cuda-11.0export LD_LIBRARY_PATH=${CUDA_HOME}/lib64export PATH=${CUDA_HOME}/bin:${PATH}
更新
source ~/.bashrc
测试一下，会显示cuda的版本号
nvcc -V
五、安装cudnn
（暂时还没有装）
六、安装pytorch
在小火苗Pytorch官网上ctrl+f找到CUDA 11.0安装。
这里要检查自己python版本，第一次没有查看版本，直接用base中3.10的来运行，会产生版本不匹配的报错。我的解决方案是：不更改base里的配置，而是新建了一个虚拟环境
conda create --name python37 python=3.7
conda activate python37
在python37中打开python,测试是否安装成功（参考博客）
import torch # 如果pytorch安装成功即可导入
print(torch.cuda.is_available()) # 查看CUDA是否可用
print(torch.cuda.device_count()) # 查看可用的CUDA数量
print(torch.version.cuda) # 查看CUDA的版本号七、废话箩筐
看着浏览器爆炸式增长的浏览记录，感觉一路上踩了好多坑，查了好多报错，遇到了好多复杂的看不懂的问题，感受到了莫大的痛苦。但真动手记录下来，就会发现这些报错和解决方案都是一些小tips，甚至写得时候会想，这真的值得一提吗。或许用“一览众山小”来形容有些夸张，但这个过程确实有点像费劲力气爬山再到登顶俯瞰大地的心路历程。由此引发了一些胡思乱想：是爬山本身就是辛苦的“历经风雨才能见彩虹”，还是要学会在爬任何山中发现乐趣，还是要选择一座风景秀丽充满趣味的山去爬。