源由

由于需要做分布式的pytorch实验，首先需要在本地上进行分布式调试后才便于将pytorch部署到天河二号中 进行实验，由于最初使用的是Win10系统，Win10不支持pytorch(0.4)的分布式，即在python环境下，查看下列代码返回的是False还是True，如果是False，则说明该系统下Pytorch无法实现分布式。

import torch
torch._C._has_distributed()

Deepin(15.7)双系统安装

1.下载Deepin，一般可以从官网中获取最新版本的镜像资源，如若想获取旧版本的Deepin，可以从这个网站上获取。
2.利用U盘作为系统安装的启动盘，可以参考使用Rufus来制作启动盘，特别方便。
3.启动盘制作完毕后，关机，重开机，进入系统的BIOS设置界面，这时选择从U盘启动电脑，就可以顺利的进入操作系统的安装界面了，具体的安装界面引导可以参考官网介绍。

Nvidia驱动+Cuda(9.0)+Cudnn

Pytorch是支持GPU的，并且GPU运行深度学习能够极大的提高我们的工作效率和实验运行速度。但使用GPU前，需要我们安装相应的cuda以及显卡驱动。这个过程我安装的时候踩了挺多的坑，现记录下来，仅供参考。

Nvidia驱动

1.根据自己电脑显卡的型号下载相对应的显卡驱动。
2.禁用系统自带的集显驱动

sudo gedit /etc/modprobe.d/blacklist-nouveau.conf
插入两条语句
blacklist nouveau
options nouveau modeset=0

3.执行下列语句，并根据系统提示补装包，可以通过apt-get的方式补装。

sudo update-initramfs -u

4.执行成功后，重新开机，在进入Deepin系统的选择界面后，不要选择直接进入系统，界面上有三个选项，第一个是直接进入Deepin，第二是进入保护模式，第三忘了....。这个时候需要摁e键，进入boot parameter参数设置界面，需要更改boot启动参数，找到Linux开头的那行，在行末添加3和nomodeset，例如：

linux XXXXXXXXXXXXXX 3 nomodeset

然后根据提示保存重新boot的。
5.修改正确后，boot会进入命令行界面，输入用户名和密码，

关闭Xwindow服务
sudo service lightdm stop
进入驱动的下载目录，执行驱动安装程序即可。安装完毕后重新开启Xwindow服务后正常重启。
sudo service lightdm restart
sudo reboot

6.终端检查驱动是否安装成功。

nvidia-smi

显卡驱动安装成功界面

Cuda(9.0)

1.根据自己系统的版本号下载对应的Cuda
2.进入安装包的目录，正常运行安装，安装过程中如若提醒缺少相应的.so文件，可以通过下面的方法补装相对应的编译文件。

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

3.安装过程中，由于deepin系统的gcc是7代以上的，而Cuda9.0需要使用低版本的gcc和g++编译器，那么则需要我们安装gcc5.5和g++5.5来进行编译，然后再添加软连接，更改系统默认的g++和gcc版本。

#下载安装gcc5.5和g++5.5
sudo apt-get install gcc-5 g++-5
#添加软连接，更改系统默认使用的gcc和g++编译器
sudo ln -s /usr/bin/gcc-5.5 /usr/local/bin/gcc
sudo ln -s /usr/bin/g++-5.5 /usr/local/bin/g++
#查看系统g++和gcc版本是否已经修改成功
gcc --version
g++ --version

4.重新安装Cuda即可，一般的问题都是出在gcc和g++版本过高以及缺少相应的.so文件导致安装失败的，目前我在安装Cuda的过程中就只遇到了这两个问题。安装完成之后，添加环境变量。

gedit ~/.bashr，#cuda export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64/:$LD_LIBRARY_PATH
#插入下面的语句至文件中
export PATH=/usr/local/cuda-9.0/bin:$PATH
#激活环境变量
source ~/.bashrc

5.验证Cuda安装成功

cd /usr/local/cuda-9.0/samples/1_Utilities/deviceQuery
sudo make ./deviceQuery
#显示Pass即表示安装成功

Cudnn

1.根据自己的Cuda版本下载对应的Cudnn，我下载的是CuDnn7.1.4。
2.解压安装包并安装。

#进入安装包目录
cd Downloads
tar -zxvf cudnn-9.0-osx-x64-v7.tgz
#返回cuda文件夹的上一级
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib/libcudnn* /usr/local/cuda/lib64
#激活权限
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
#同样的添加环境变量
sudo vim ~/.bashrc
#cudnn 
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda
source ~/.bashrc

3.验证CuDNN安装成功。

nvvc -V

CuDNN安装成功

基于Anaconda3安装Pytorch0.4

1.首先选择喜欢的版本下载Anaconda3，我使用的是Anaconda3-4.3.1-Linux-x86_64.sh。
2.正常安装即可，安装过程中可以让系统帮忙添加路径也可以自己手动添加路径。

sudo vim ~/.bashrc
export PATH="/home/user_name/anaconda3/bin:$PATH"
source ~./bashrc
#查看conda是否已安装成功
conda list
#可以给anaconda3加一个清华源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
#查看.condarc文件
sudo vim .condarc
#删除-defaults

3.创建一个虚环境，在虚环境下安装pytorch

#先查看基环境的名字，有的是叫root，有的是叫base
conda info --envs
#创建虚环境，并且克隆基础环境的所有已安装的包
conda create -n pytorch --clone root(base)
#创建成功后激活虚环境
source activate pytorch
#退出虚环境
source deactivate pytorch

4.在虚环境下安装pytorch，详细教程可以参考pytorch官网，但是按照conda的方法来安装，因为被墙的缘故，所以安装下载pytorch很慢，torchvision速度正常。建议翻墙后直接使用迅雷或者浏览器的下载器，下载相对应的pytorch安装包，例如pytorch_9.0_gpu。
5.验证安装成功。

import torch
a = torch.Tensor(2,4)
print (a.cuda())

如果正常显示，说明pytorch可以正常使用，并且cuda也是正常的。

结语

哈哈哈，第一次写博客，有些不详细的地方还请大家谅解，其实初衷还是因为自己在安装的过程当中踩了好多坑，而且网上其他的博客有些写得跳跃性太强了一点，自己边看边摸索，虽说Linux技能有增长，但还是耽误了一点点时间的，希望这篇博文可以帮你们快速解决环境配置的问题，立马上手pytorch。后面我还会记录自己做分布式pytorch(单机单卡，单机多卡，多机多卡)这些的攻略，尽请期待啦～

引用

上述内容都是从前人的博客啊，官网的内容啊总结而来的，所以也是大家的功劳。

https://blog.csdn.net/pursuit_zhangyu/article/details/79362128
https://blog.csdn.net/cvrszeng/article/details/78314859
https://blog.csdn.net/flyyufenfei/article/details/79187656
https://www.deepin.org/installation/
https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html