网硕互联帮助中心服务器配置内容
实验室购入了一台服务器，包括2张3090（很贫穷了属于是），但为了尽可能让大家都用到，因此学习了一下如何配置，最终决定采用设置不用的用户组和用户结合miniconda的方式实现独立环境的配置的方式，因为若采用LXD或者docker进行彻底的环境隔离学习成本较高，操作较为复杂，因此暂未采用。本文记录了一下配置过程中的经验和流程，希望能给大家一些帮助。
相关信息
管理员账户：admin
子账户1：user1
子账户2：user2
多用户创建
用户是系统中实际使用资源和执行操作的个体，每个用户都有唯一的用户名和用户 ID（UID），可以登录系统、运行程序、访问文件
只有有root权限的用户才可以创建，新建用户名按照每个人的姓名全称创建，目前，创建了admin、user1和user2 三个用户，其中，只有admin有root权限
！！！非必要禁止使用root权限更改文件！！！
除此之外，设置了用户组，用于方便对具有相同权限需求的用户进行统一管理。每个用户组有唯一的组名和组 ID（GID）
使用cat /etc/group 命令查看当前用户组，目前主要用户组包括：
root:x:0:
sudo:x:27:admin
users:x:100:admin,user1,user2
admin:x:1001:
user1:x:1002:
user2:x:1000:
students:x:1003: user1, user2
按照以下方式创建：
一定要用adduser的方式创建，而不是useradd！！！useradd会有很多问题
sudo adduser user1 #新建用户
sudo passwd user1 #输入用户密码
#sudo userdel -r user1 #删除用户
sudo groupadd groupname # 新建用户组
sudo usermod -aG groupname user1 # 添加用户到组
Miniconda安装
思路：每个用户在自己用户环境下安装miniconda，从而不干扰系统/他人的环境，实现严格意义上的环境隔离，目前，已为user1和user2安装了最新的miniconda
su – username #切换为不同的用户
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 #Enter/输入yes
source ~/.bashrc #刷新环境变量
conda –version #应显示版本号
CUDA多版本
由于每个 CUDA 版本都有显卡驱动版本号限制，低版本的显卡驱动是不支持高版本 CUDA 的，反之是兼容的。因此建议安装一个较新版本的显卡驱动（至少要支持你想运行的最高版本的 CUDA），这样系统中将要安装的多个 CUDA 版本就都能正常运行了。
- 当前系统的显卡支持的最高驱动版本可使用nvidia-smi指令查询
- 查看已安装的CUDA版本，可以使用以下命令：nvcc -V
其中
- CUDA：为“GPU通用计算”构建的运算平台。
- cudnn：为深度学习计算设计的软件库。
- CUDA Toolkit (nvidia)： CUDA完整的工具安装包，其中提供了 Nvidia 驱动程序、开发 CUDA 程序相关的开发工具包等可供安装的选项。包括 CUDA 程序的编译器、IDE、调试器等，CUDA 程序所对应的各式库文件以及它们的头文件。
- CUDA Toolkit (Pytorch)： CUDA不完整的工具安装包，其主要包含在使用 CUDA 相关的功能时所依赖的动态链接库。不会安装驱动程序。
- （NVCC 是CUDA的编译器，只是 CUDA Toolkit 中的一部分）
安装流程
1. 检查是否有显卡驱动和支持的CUDA最高版本
使用nvidia-smi 检查当前的驱动版本和支持的CUDA最高版本，目前已安装NVIDIA Driver
2.确保安装Anaconda或者Miniconda
针对服务器环境，要求所有人通过conda来管理环境，包括pytorch版本、CUDA版本以及各种包和库
- 环境隔离：每个conda环境可以独立安装不同版本的CUDA工具包（如CUDAtoolkit）和对应版本的cuDNN，环境之间完全隔离，互不干扰。
- 无需修改系统变量：conda通过修改环境的PATH和LD_LIBRARY_PATH等变量，优先使用当前环境内的CUDA版本，不影响系统全局配置。
3. 安装CUDA
对于3090来说，只支持CUDA11.0以上的CUDA版本
💡使用conda进行安装，一般不会带头文件，如果需要做编译，则需要更换方法，但对于目前的使用任务来说，暂时不需要。同时，由于普通用户不给root权限，也只能安装CUDA toolkit，无法安装NVIDIA Driver
以在user1用户下创建CUDA为例
#在base环境下直接installCUDAtoolkit
(base) user1@asus-MS-7E06:~$ conda install -c nvidia cuda-toolkit=11.8
(base) user1@asus-MS-7E06:~$ nvcc -V
nvcc: NVIDIA (R) CUDA compiler driver
Copyright (c) 2005-2025 NVIDIA Corporation
Built on Wed_Apr__9_19:24:57_PDT_2025
CUDA compilation tools, release 12.9, V12.9.41
Build CUDA_12.9.r12.9/compiler.35813241_0
(base) user1@asus-MS-7E06:~$ conda create -n test
(test) user1@asus-MS-7E06:~$ nvcc -V
找不到命令 “nvcc”，但可以通过以下软件包安装它：
apt install nvidia-CUDA-toolkit
请联系您的管理员。
此时，在每个用户的环境下通过nvcc -V，即可看到相关信息，如果切换了环境，则仍无法看到相关信息
值得注意的是，不同用户环境是被隔离的，因此如果仅在user1和user2两个用户中通过conda安装了CUDA工具包，而admin管理员用户没有安装，那么在admin用户下直接执行nvcc -V是会提示找不到命令。
也就是说，为了防止CUDA版本冲突，并没有安装系统级CUDA，而是每个用户在自己的conda环境下安装用户级CUDA，仅在当前用户的 shell 会话中激活该 conda 环境后才会被加载。这样做对于绝大多数的深度学习任务而言足够了，只要不牵扯到编译CUDA算子等，是一个十分简单高效的方法。
SSH创建
ssh是为了可以实现用户远程连接到服务器，前提：同一个局域网下！！不在同一个局域网下需要进行内网穿透，目前暂未配置，曲线救国的方案是：向日葵远程连接实验室电脑，用实验室电脑ssh到服务器。
在admin用户下检查ssh是否可用（目前是可用状态）：
sudo systemctl status ssh
为新用户创建ssh，以用户user1为例：
su – user1
ssh-keygen -t rsa -b 4096 #直接回车就好
检查当前ip地址：
ifconfig
另一台主机上连接至user1
ssh user1@服务器IP
# 输入 user1 用户的密码（如果没有配置免密登录）
免密登陆（可选）
如果觉得每次输密码很麻烦，可以参考以下免密登陆设置：
同样的，以user1用户为例，服务器端：
su – user1
touch ~/.ssh/authorized_keys
chmod 600 ~/.ssh/authorized_keys
客户端（以windows为例）：
先有密状态下连接ssh到服务器：
ssh user1@服务器IP
打开服务器端中的.ssh文件夹，打开刚刚创建的authorized_keys
打开客户端（windows）文件夹中C:\\\\Users\\\\你的用户名\\\\.ssh\\\\id_rsa.pub ，全文复制，粘贴到服务器端中的authorized_keys 中
重新ssh连接，发现已经可以免密登陆了！
文件管理
共享文件
思路：用root权限创建文件夹，然后给文件夹分配用户组的权限，然后把所有需要访问这个文件夹的用户加到这个用户组当中来
创建了share共享文件目录，用于存放公共数据
sudo mkdir -p /share # 公共目录
sudo chown admin:users /share # admin用户拥有所有权
sudo chmod 775 /share # users组内用户可读写
文件传输
如果需要服务器端和客户端之间的数据传输，推荐使用FileZilla：免费、全平台(Mac、Linux、Windows)。
在Windows上下载filezilla：客户端 – FileZilla中文网
点击左上角文件，点击站点管理器，添加新站点
选择SFTP传输协议，主机为服务器ip地址，端口为ssh开放的端口地址，用户和密码输入自己的用户和密码，点击连接，即可读取文件列表，进行文件传输
评论前必须登录！
注册