VMware虚拟机安装Ubuntu并部署PyTorch：本地开发与测试环境搭建

VMware虚拟机安装Ubuntu并部署PyTorch本地开发与测试环境搭建1. 为什么选择虚拟机做深度学习开发在开始之前你可能会有疑问为什么要在虚拟机里搭建深度学习环境直接在本机安装不更方便吗其实虚拟机方案有几个独特的优势首先它能保持你主系统的干净整洁。深度学习环境往往需要安装大量依赖包这些包可能会与你日常使用的软件产生冲突。通过虚拟机你可以随时创建一个全新的环境而不用担心搞乱主系统。其次虚拟机环境可以轻松备份和迁移。当你需要重装系统或更换电脑时只需复制虚拟机文件就能恢复整个开发环境省去了重新配置的麻烦。最重要的是VMware提供了显卡直通功能如果你的硬件支持让你能在虚拟机中充分利用GPU加速。即使没有独立显卡我们也可以使用纯CPU模式进行学习和测试。2. 准备工作与环境搭建2.1 所需软件和硬件在开始之前请确保你已准备好以下内容VMware Workstation Pro推荐使用16.x或更新版本也可以使用免费的VMware PlayerUbuntu镜像建议选择LTS版本如22.04 LTS下载ISO文件硬件要求至少8GB内存推荐16GB以上50GB以上的可用磁盘空间支持虚拟化的CPUIntel VT-x或AMD-V2.2 创建Ubuntu虚拟机让我们一步步创建虚拟机打开VMware点击创建新的虚拟机选择自定义(高级)配置硬件兼容性选择最新版本如Workstation 16.x选择稍后安装操作系统客户机操作系统选择Linux版本选择Ubuntu 64位为虚拟机命名并选择存储位置处理器配置根据你的CPU核心数建议至少2核4核更好内存分配建议8GB如果主机内存足够可以分配更多网络类型选择NAT最简单易用I/O控制器类型保持默认磁盘类型选择SCSI选择创建新虚拟磁盘磁盘大小建议至少50GB选择将虚拟磁盘存储为单个文件指定磁盘文件名称保持默认即可完成虚拟机创建2.3 安装Ubuntu系统现在我们可以开始安装Ubuntu了右键点击新建的虚拟机选择设置在CD/DVD选项中选择使用ISO镜像文件浏览并选择你下载的Ubuntu ISO启动虚拟机你将看到Ubuntu安装界面选择Install Ubuntu键盘布局选择默认英语US安装类型选择Normal installation并勾选Install third-party software分区选择Erase disk and install Ubuntu不用担心这只会影响虚拟磁盘设置你的时区创建用户账户记住你的用户名和密码等待安装完成约15-30分钟安装完成后重启虚拟机3. 配置Ubuntu开发环境3.1 基础系统设置首次登录后建议先进行一些基础配置# 更新软件包列表 sudo apt update # 升级已安装的软件包 sudo apt upgrade -y # 安装常用工具 sudo apt install -y build-essential git curl wget vim如果你的屏幕分辨率不合适可以在VMware菜单选择虚拟机→设置→显示器调整分辨率设置。3.2 显卡驱动配置可选如果你有NVIDIA显卡并希望启用GPU加速需要安装显卡驱动首先检查你的显卡是否支持直通关闭虚拟机右键虚拟机→设置→硬件→添加→PCI设备如果能看到你的NVIDIA显卡说明支持直通如果支持直通添加PCI设备你的显卡启动虚拟机安装驱动sudo apt install -y nvidia-driver-535 sudo reboot重启后验证nvidia-smi如果不支持直通或没有独立显卡我们可以继续使用CPU模式PyTorch也支持CPU运算4. 安装PyTorch环境4.1 安装Miniconda推荐使用Miniconda管理Python环境# 下载Miniconda安装脚本 wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh # 运行安装脚本 bash Miniconda3-latest-Linux-x86_64.sh # 按照提示完成安装一路按Enter和yes即可 # 激活conda source ~/.bashrc4.2 创建PyTorch环境# 创建新环境 conda create -n pytorch python3.10 -y # 激活环境 conda activate pytorch4.3 安装PyTorch根据你的硬件情况选择安装命令有NVIDIA显卡已安装驱动conda install pytorch torchvision torchaudio pytorch-cuda12.1 -c pytorch -c nvidia仅使用CPUconda install pytorch torchvision torchaudio cpuonly -c pytorch安装完成后验证python -c import torch; print(torch.__version__); print(torch.cuda.is_available())如果使用GPU应该能看到CUDA可用性为True。5. 测试PyTorch环境让我们运行一个简单的测试脚本来验证环境是否正常工作创建一个名为test_pytorch.py的文件import torch # 检查PyTorch版本和设备 print(fPyTorch版本: {torch.__version__}) print(f可用设备: {GPU可用 if torch.cuda.is_available() else 仅CPU}) # 创建一个张量并执行简单运算 x torch.rand(5, 3) print(f随机张量:\n{x}) # 如果有GPU将张量移动到GPU if torch.cuda.is_available(): x x.to(cuda) print(f张量已移动到GPU:\n{x}) # 矩阵乘法示例 y torch.rand(3, 4) if torch.cuda.is_available(): y y.to(cuda) z torch.mm(x, y) print(f矩阵乘法结果:\n{z})运行脚本python test_pytorch.py你应该能看到类似这样的输出表明PyTorch已正确安装并能够使用GPU如果可用。6. 常见问题与解决方案在配置过程中可能会遇到一些问题这里列出几个常见问题及解决方法问题1虚拟机启动时卡住或黑屏解决方案尝试关闭虚拟机在设置中减少分配的内存或CPU核心数问题2安装NVIDIA驱动后无法进入图形界面解决方案尝试使用不同版本的驱动或暂时移除PCI直通配置问题3PyTorch无法识别CUDA解决方案确保你安装了与CUDA版本匹配的PyTorch版本并正确配置了显卡直通问题4磁盘空间不足解决方案可以在VMware设置中扩展虚拟磁盘或在Ubuntu中使用sudo apt autoremove清理不需要的包问题5网络连接问题解决方案检查虚拟机网络设置确保选择的是NAT模式或在Ubuntu中尝试sudo service networking restart7. 环境使用建议与总结经过以上步骤你现在应该拥有了一个完整的PyTorch开发环境。这个环境非常适合学习和测试深度学习模型特别是当你需要隔离开发环境或频繁切换不同项目配置时。使用过程中有几点建议定期使用conda env export environment.yml备份你的环境配置对于重要项目考虑使用虚拟机快照功能保存状态如果性能不足可以尝试调整虚拟机资源配置更多CPU核心或内存对于大型数据集建议挂载主机目录而不是存储在虚拟磁盘中整体来看VMware虚拟机方案提供了一个灵活、可复用的开发环境特别适合深度学习初学者和需要多环境切换的开发者。虽然性能可能不如裸机安装但对于学习和中小规模实验已经足够。最重要的是它保持了主系统的整洁让你可以大胆尝试各种配置而不必担心系统崩溃。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。