从零到炼丹手把手教你在CentOS云服务器上配置Jupyter Lab GPU环境含TensorFlow/PyTorch双框架测试当你刚拿到一台崭新的CentOS云服务器准备开始深度学习项目时最令人头疼的莫过于环境配置。本文将带你从零开始在CentOS 7/8系统上搭建一个完整的GPU加速开发环境包括Jupyter Lab远程访问、TensorFlow和PyTorch双框架支持。不同于简单的安装指南我们更关注实际研究场景中的完整工作流——从服务器安全配置到最终验证GPU加速效果。1. 云服务器基础配置在开始安装任何软件之前我们需要确保服务器的基础环境准备就绪。这包括系统更新、安全组设置和必要的依赖安装。首先更新系统并安装基础开发工具sudo yum update -y sudo yum groupinstall Development Tools -y sudo yum install epel-release -y对于GPU服务器安全组需要开放以下端口Jupyter Lab默认端口8888SSH端口22建议修改为非常用端口使用firewall-cmd配置防火墙sudo firewall-cmd --permanent --add-port8888/tcp sudo firewall-cmd --reload关键检查点确认GPU型号lspci | grep -i nvidia检查内核版本一致性uname -r rpm -q kernel-devel2. NVIDIA驱动与CUDA工具链安装正确的驱动安装是GPU加速的基础。我们推荐使用官方runfile安装方式这比仓库版本更可靠。2.1 禁用nouveau驱动sudo echo -e blacklist nouveau\noptions nouveau modeset0 /etc/modprobe.d/blacklist-nouveau.conf sudo dracut --force2.2 安装NVIDIA驱动从官网下载对应驱动后chmod x NVIDIA-Linux-x86_64-*.run sudo ./NVIDIA-Linux-x86_64-*.run --no-opengl-files验证安装nvidia-smi预期看到类似输出----------------------------------------------------------------------------- | NVIDIA-SMI 450.51.06 Driver Version: 450.51.06 CUDA Version: 11.0 | |---------------------------------------------------------------------------2.3 通过conda安装CUDA Toolkitconda install -c nvidia cudatoolkit11.0版本匹配参考表框架版本CUDA版本cuDNN版本TensorFlow 2.411.08.0PyTorch 1.711.08.03. 创建隔离的Python环境使用conda创建专用环境能避免包冲突conda create -n dl python3.8 -y conda activate dl安装基础科学计算包conda install numpy scipy pandas matplotlib jupyterlab -y配置Jupyter Lab远程访问jupyter lab --generate-config echo c.ServerApp.ip 0.0.0.0 ~/.jupyter/jupyter_lab_config.py echo c.ServerApp.open_browser False ~/.jupyter/jupyter_lab_config.py4. 深度学习框架安装与验证4.1 TensorFlow GPU版安装conda install -c conda-forge tensorflow-gpu -y验证脚本import tensorflow as tf print(fTF Version: {tf.__version__}) print(fGPU Available: {tf.config.list_physical_devices(GPU)})4.2 PyTorch GPU版安装conda install pytorch torchvision torchaudio cudatoolkit11.0 -c pytorch验证脚本import torch print(fPyTorch Version: {torch.__version__}) print(fCUDA Available: {torch.cuda.is_available()})4.3 性能对比测试矩阵乘法基准测试# TensorFlow import time import tensorflow as tf matrix_size 5000 a tf.random.normal((matrix_size, matrix_size)) b tf.random.normal((matrix_size, matrix_size)) start time.time() c tf.matmul(a, b) print(fTF GPU time: {time.time()-start:.4f}s) # PyTorch import torch a torch.randn(matrix_size, matrix_size, devicecuda) b torch.randn(matrix_size, matrix_size, devicecuda) start time.time() c torch.mm(a, b) print(fPyTorch GPU time: {time.time()-start:.4f}s)5. Jupyter Lab高级配置5.1 设置访问密码jupyter lab password5.2 配置系统服务创建服务文件/etc/systemd/system/jupyter.service[Unit] DescriptionJupyter Lab [Service] Useryour_username WorkingDirectory/home/your_username ExecStart/path/to/conda/envs/dl/bin/jupyter lab Restartalways [Install] WantedBymulti-user.target启动服务sudo systemctl daemon-reload sudo systemctl enable jupyter sudo systemctl start jupyter5.3 常用扩展安装jupyter labextension install jupyter-widgets/jupyterlab-manager jupyter labextension install jupyterlab/toc6. 实际应用技巧多版本CUDA切换conda install -c conda-forge cudatoolkit10.1内存监控watch -n 1 nvidia-smiJupyter Lab主题更换jupyter labextension install telamonian/theme-darcula远程开发技巧使用ssh -L 8888:localhost:8888建立隧道VS Code配合Remote SSH扩展在项目实践中我遇到过conda环境突然无法识别GPU的情况通常是由于CUDA运行时库路径问题。解决方法是在激活环境后显式设置LD_LIBRARY_PATHexport LD_LIBRARY_PATH$LD_LIBRARY_PATH:$CONDA_PREFIX/lib
从零到炼丹：手把手教你在CentOS云服务器上配置Jupyter Lab + GPU环境（含TensorFlow/PyTorch双框架测试）
发布时间：2026/6/4 10:38:37
从零到炼丹手把手教你在CentOS云服务器上配置Jupyter Lab GPU环境含TensorFlow/PyTorch双框架测试当你刚拿到一台崭新的CentOS云服务器准备开始深度学习项目时最令人头疼的莫过于环境配置。本文将带你从零开始在CentOS 7/8系统上搭建一个完整的GPU加速开发环境包括Jupyter Lab远程访问、TensorFlow和PyTorch双框架支持。不同于简单的安装指南我们更关注实际研究场景中的完整工作流——从服务器安全配置到最终验证GPU加速效果。1. 云服务器基础配置在开始安装任何软件之前我们需要确保服务器的基础环境准备就绪。这包括系统更新、安全组设置和必要的依赖安装。首先更新系统并安装基础开发工具sudo yum update -y sudo yum groupinstall Development Tools -y sudo yum install epel-release -y对于GPU服务器安全组需要开放以下端口Jupyter Lab默认端口8888SSH端口22建议修改为非常用端口使用firewall-cmd配置防火墙sudo firewall-cmd --permanent --add-port8888/tcp sudo firewall-cmd --reload关键检查点确认GPU型号lspci | grep -i nvidia检查内核版本一致性uname -r rpm -q kernel-devel2. NVIDIA驱动与CUDA工具链安装正确的驱动安装是GPU加速的基础。我们推荐使用官方runfile安装方式这比仓库版本更可靠。2.1 禁用nouveau驱动sudo echo -e blacklist nouveau\noptions nouveau modeset0 /etc/modprobe.d/blacklist-nouveau.conf sudo dracut --force2.2 安装NVIDIA驱动从官网下载对应驱动后chmod x NVIDIA-Linux-x86_64-*.run sudo ./NVIDIA-Linux-x86_64-*.run --no-opengl-files验证安装nvidia-smi预期看到类似输出----------------------------------------------------------------------------- | NVIDIA-SMI 450.51.06 Driver Version: 450.51.06 CUDA Version: 11.0 | |---------------------------------------------------------------------------2.3 通过conda安装CUDA Toolkitconda install -c nvidia cudatoolkit11.0版本匹配参考表框架版本CUDA版本cuDNN版本TensorFlow 2.411.08.0PyTorch 1.711.08.03. 创建隔离的Python环境使用conda创建专用环境能避免包冲突conda create -n dl python3.8 -y conda activate dl安装基础科学计算包conda install numpy scipy pandas matplotlib jupyterlab -y配置Jupyter Lab远程访问jupyter lab --generate-config echo c.ServerApp.ip 0.0.0.0 ~/.jupyter/jupyter_lab_config.py echo c.ServerApp.open_browser False ~/.jupyter/jupyter_lab_config.py4. 深度学习框架安装与验证4.1 TensorFlow GPU版安装conda install -c conda-forge tensorflow-gpu -y验证脚本import tensorflow as tf print(fTF Version: {tf.__version__}) print(fGPU Available: {tf.config.list_physical_devices(GPU)})4.2 PyTorch GPU版安装conda install pytorch torchvision torchaudio cudatoolkit11.0 -c pytorch验证脚本import torch print(fPyTorch Version: {torch.__version__}) print(fCUDA Available: {torch.cuda.is_available()})4.3 性能对比测试矩阵乘法基准测试# TensorFlow import time import tensorflow as tf matrix_size 5000 a tf.random.normal((matrix_size, matrix_size)) b tf.random.normal((matrix_size, matrix_size)) start time.time() c tf.matmul(a, b) print(fTF GPU time: {time.time()-start:.4f}s) # PyTorch import torch a torch.randn(matrix_size, matrix_size, devicecuda) b torch.randn(matrix_size, matrix_size, devicecuda) start time.time() c torch.mm(a, b) print(fPyTorch GPU time: {time.time()-start:.4f}s)5. Jupyter Lab高级配置5.1 设置访问密码jupyter lab password5.2 配置系统服务创建服务文件/etc/systemd/system/jupyter.service[Unit] DescriptionJupyter Lab [Service] Useryour_username WorkingDirectory/home/your_username ExecStart/path/to/conda/envs/dl/bin/jupyter lab Restartalways [Install] WantedBymulti-user.target启动服务sudo systemctl daemon-reload sudo systemctl enable jupyter sudo systemctl start jupyter5.3 常用扩展安装jupyter labextension install jupyter-widgets/jupyterlab-manager jupyter labextension install jupyterlab/toc6. 实际应用技巧多版本CUDA切换conda install -c conda-forge cudatoolkit10.1内存监控watch -n 1 nvidia-smiJupyter Lab主题更换jupyter labextension install telamonian/theme-darcula远程开发技巧使用ssh -L 8888:localhost:8888建立隧道VS Code配合Remote SSH扩展在项目实践中我遇到过conda环境突然无法识别GPU的情况通常是由于CUDA运行时库路径问题。解决方法是在激活环境后显式设置LD_LIBRARY_PATHexport LD_LIBRARY_PATH$LD_LIBRARY_PATH:$CONDA_PREFIX/lib
