省心省钱自建100实战用AI开发环境

　　近年来，AI逐渐从概念走向现实，在各行各业落地，如自动驾驶、人脸支付、语音识别、智能导航等。AI技术的软件和硬件支持也越来约完善，这让很多企业和个人也跃跃欲试，想尝试一下AI技术。同时，很多学校和培训机构也开始涉足AI课程。
　　但是AI的硬件成本高，例如专业的GPU卡就要几千甚至上万元，而且硬件上的层层软件框架的复杂依赖关系更是让人有些＂望而却步＂。如何能＂省心省钱＂地跨过AI技术的软硬件门槛，快速开始真正地做AI学习或技术开发呢？
　　图1：AI示意图
　　这里大家可以试用一下Atlas OS系统上的＂达仁云主机＂：不同于一般的云主机，虽然同样是采用云上租用虚拟机的方式使用，＂达仁云主机＂是预先安装好基础软件、配置好软件和网络设置、并且自动智能管理镜像存储和数据持久化的＂预设托管＂型云主机。＂达仁云主机＂就是把平时需要＂看懂一整本教程书＂以后才能用起来的＂云主机＂的那些复杂的设置和维护＂智能化、傻瓜化＂，让任何用户仅需点击几个按钮，就能在浏览器里立即启动一台＂立即能用＂的云主机。
　　特别方便的是＂达仁云主机＂通过浏览器即可访问，不需要安装任何软件或购买任何硬件。而且云主机启动后是按秒计费，停机就立刻停止计费，没有＂包月＂门槛，＂省心省钱＂。＂达仁云主机＂更有百余种云主机配置可选，其中就包括很多带GPU卡的云主机类型。
　　图2：达仁云主机界面示意图
　　那么我们现在就利用这款＂省心省钱＂的达仁云主机，来看看如何自建一个＂实战＂型的AI开发环境吧？
　　注意：这里的这个开发环境和背后的云主机计算资源，是真正的可以做开发、做项目的＂实战＂级环境，可不是一些常见的＂只能做作业＂的＂假＂的模拟开发环境哦。我们来看看详细的一步一步的真实＂实战＂教程吧：
　　使用的工具 ：达仁云主机中的公共镜像（适用于基于Linux操作系统的所有＂达仁云主机＂镜像）。
　　解决的问题 ：在云主机上如何安装TensorFlow，PyTorch，Keras等必要AI工具框架，以及如何安装GPU卡所需要的驱动和依赖软件包，最终搭建一个通用＂实战＂型的AI开发环境。
　　详细操作流程如下：
　　1、在浏览器中登录Atlas OS（atlas.daren.io），选择左侧导航栏中的达仁云主机，在达仁云主机界面创建虚拟硬盘，使用此硬盘作为主要的数据和运行目录。
　　图3：建立虚拟硬盘界面
　　2、选择公共镜像：Linux command line only（或任何基于Linux操作系统的＂达仁云主机＂镜像）。
　　图4：选择主机镜像界面
　　3、选择GPU实例g4dn.xlarge（或其他的带GPU配置的云主机类型），设置虚拟硬盘大小（建议不要小于32GB的Root Drive Size），为云主机命名。点击启动云主机之后出现右侧弹窗。
　　图5： 选择配置GPU实例界面
　　4、当云主机状态由＂启动中＂变为＂运行中＂时，便可点击＂信息＂按钮进入云主机信息界面。
　　图6： 云主机启动中状态界面
　　图7：云主机运行中状态界面
　　图8：云主机信息界面系统分配的URL、账户名和密码
　　5、使用系统分配的主机URL、用户名和密码，使用SSH工具（例如命令行终端）登录进入开启的云主机。
　　注：对于使用JupyterLab和RStudio等带有网络界面的云主机，可以直接使用JupyterLab和RStudio自带的网络界面上的命令行窗口。
　　图9：在ssh终端登录云主机
　　6、在命令行内配置环境和安装工具，具体如下：
　　# 安装conda
　　wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
　　bash Miniconda3-latest-Linux-x86_64.sh
　　# 激活conda的base环境
　　source .bashrc
　　# 安装必要的系统环境
　　sudo yum -y install https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm
　　sudo yum update -y
　　sudo yum -y install kernel-devel-$(uname -r) kernel-headers-$(uname -r)
　　sudo yum -y install gcc gcc-c++
　　# 下载并安装GPU驱动
　　cd DataDrive/
　　wget https://us.download.nvidia.com/tesla/460.73.01/NVIDIA-Linux-x86_64-460.73.01.run
　　sudo sh NVIDIA-Linux-x86_64-460.73.01.run
　　# 验证GPU驱动是否成功安装，输出如下，证明GPU驱动安装成功
　　nvidia-smi
　　+-----------------------------------------------------------------------------+
　　| NVIDIA-SMI 460.73.01 Driver Version: 460.73.01 CUDA Version: 11.2 |
　　|-------------------------------+----------------------+----------------------+
　　| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
　　| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
　　| | | MIG M. |
　　|===============================+======================+======================|
　　| 0 Tesla T4 Off | 00000000:00:1E.0 Off | 0 |
　　| N/A 64C P0 31W / 70W | 0MiB / 15109MiB | 0% Default |
　　| | | N/A |
　　+-------------------------------+----------------------+----------------------+
　　+-----------------------------------------------------------------------------+
　　| Processes: |
　　| GPU GI CI PID Type Process name GPU Memory |
　　| ID ID Usage |
　　|=============================================================================|
　　| No running processes found |
　　+-----------------------------------------------------------------------------+
　　cd ..
　　# 使用conda安装tensorflow和Keras环境
　　conda create -n tf-gpu tensorflow-gpu
　　# 激活tf-gpu环境
　　conda activate tf-gpu
　　# 验证tensorflow是否安装成功，无报错说明tensorflow安装成功并可用
　　python -c ＂import tensorflow as tf; tf.config.experimental.list_physical_devices(＂GPU＂)＂
　　# 验证keras是否可用
　　python -c ＂import tensorflow as tf; from tensorflow.keras.datasets import mnist; (train_data, _), (test_data, _) = mnist.load_data()＂
　　输出如下，证明可正常加载mnist数据集，keras可用：
　　2021-07-07 09:24:24.524254: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library libcudart.so.10.1
　　Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/mnist.npz
　　11493376/11490434 [==============================] - 3s 0us/step
　　# 退出tf-gpu环境，回到conda的base环境
　　conda deactivate
　　# 使用conda安装pytorch环境
　　conda install pytorch torchvision -c pytorch
　　# 安装numpy包
　　pip install pip --upgrade
　　pip install numpy
　　# 验证pytorch是否安装成功, 输出类似于下面的结果表明pytorch安装成功并可用
　　python -c ＂import torch; x = torch.rand(5, 3); print(x)＂
　　tensor([[0.9483, 0.8890, 0.9627],
　　[0.8299, 0.4819, 0.5540],
　　[0.7344, 0.2855, 0.0828],
　　[0.6749, 0.1239, 0.8607],
　　[0.5097, 0.4810, 0.6998]])
　　至此，拥有TensorFlow，PyTorch，Keras工具、能使用GPU卡的通用AI环境已经配置完毕，你学会了吗？你可以在关闭这个＂云主机＂时，在界面上选择＂保存为私有镜像＂，停机以后，下次就可以直接从这个新保存的＂私有镜像＂开机，在新启动的云主机里就有我们刚刚安装的所有软件、驱动和做的软件配置了。
　　停机不丢环境，启动就可以直接用，这才是真正地＂省心省钱＂。而这个环境和背后的云主机计算资源，是真正地可以做开发、做项目的＂实战＂级环境，可不是一些常见的＂只能做作业＂的＂假＂开发环境哦。
　　7、关闭或暂停云主机，如下图所示可以选择暂停或者关闭云主机，关闭云主机可保存为镜像。
　　图10：可关闭或暂停云主机
　　图11：可保存为镜像
　　8、注意：若使用云主机＂暂停＂功能（在云主机信息页面底部），请停止云主机的自动更新功能。因为云主机正常情况下可能会在暂停后重新恢复时，自动加载最新版本的Linux系统内核。但是在＂6、在终端配置环境和安装工具＂这个步骤中，我们安装了开发版本的Linux内核。因此，如果系统在暂停后重新恢复时加载了另外的内核，会导致内核和GPU驱动等原有的开发环境不匹配。
　　如果需要停止云主机的自动更新功能，请在命令行执行如下命令:
　　sudo yum -y install yum-cron
　　sudo vi /etc/yum/yum-cron.conf
　　# 将＂yum-cron.conf＂文档里的
　　update_messages = no
　　download_updates = no
　　systemctl start yum-cron
　　systemctl enable yum-cron
　　sudo cp /etc/yum.conf /etc/yum.conf.bak
　　sudo vi /etc/yum.conf
　　对AI感兴趣的小伙伴们快去试试吧，无需下载任何软件，浏览器登录atlas.daren.io，选择＂智能化+傻瓜化＂的达仁云主机，不用烦心如何配置Linux操作和网络设置等复杂运维步骤，真正＂省心省钱＂。
　　现在注册Atlas OS(atlas.daren.io)，将账户名发送至Atlas OS微信公众号，还能领取1000代金币免费试用（2核2G云主机可用100小时喔）。
　　最后，想了解更多新鲜实用的人工智能、云计算和数据分析工具及技巧，欢迎关注我们的微信公众号 ：Atlas OS。
　　本文参考材料：
　　达仁云主机演示视频：https://www.bilibili.com/video/BV1AK4y1M7w6/
　　TensorFlow安装指引：https://docs.anaconda.com/anaconda/user-guide/tasks/tensorflow/
　　使用Keras做自编码器的代码来源：https://keras.io/examples/vision/autoencoder/
　　pyTorch安装指引：https://pytorch.org/get-started/locally/#mac-installation