目录
-从十年前的Tesla T10说起
-AI/深度学习系统的搭建步骤
-NVIDIA Data Science Stack：真的能一个命令解决部署？
-验证：在JupyterLab中使用Python、CUDA、TensorFlow等
-硬件选择建议
从十年前的Tesla T10说起
早期主动散热的Tesla__，怎么看怎么像Quadro__，除了没有显示输出。如今NVIDIA__也并不反对Quadro__用于数据中心，RTX 6000__和8000__甚至还推出了被动散热的版本。被限制的只有“利润较低”的GeForce…
上面这两块GPU卡有多少朋友能认出来？它们是十年前的NVIDIA Tesla C1060，代号“T10”，不过和《_NVIDIA Tesla T10变身GeForce？云游戏能接盘矿卡市场吗_》一文中的新T10实在没什么关系。
C1060是Tesla家族的第二款产品，之前还有一款是C870，它们都还是涡轮风扇主动散热的。所以大家可以看到上图中的2块卡是装在一台塔式工作站中，为了显示输出还添加了一块Quadro FX 380。同期NV也开始推动被动散热用于服务器上的M1060——并逐渐发展壮大为今天人们所熟悉的Tesla产品线。
那几年，CUDA也是刚开始崭露头角。还记得有一次客户给我打电话咨询这个“万亿次浮点预算”的方案（C1060的理论单精度性能为1T FLOPS），大有马上就要掏钱的势头。当时我显然没有老黄那种自信，还是建议用户先测试一下CUDA，毕竟和传统CPU的软件编程不同。可能是网络没今天发达吧，这客户居然跑过来找我拷贝Tesla的驱动光盘，当时我正在外面另一个客户那里干活呢。
我还记得，当年已经开始有国内排名靠前的HPC超算四处咨询Tesla的价格，几年之后某行业被禁售了… 另一方面，当时我并没想到CUDA、以及后来开始流行的AI、深度学习会把GPU计算推到如今的高度。
AI/深度学习系统的搭建步骤
有位同事反映过几次，说我写的文章插入与主题关系不密切的内容有点多（比较散），所以这就赶紧切回正题：）
前面是什么让我想起十年前呢？记得当初测试CUDA环境在Windows里装一下就好了，然后Matlab等支持GPU的应用就可以运行了。如今基于GPU的人工智能、深度学习系统更青睐开源的Linux平台，软件环境的部署要相对麻烦一些，特别是像我这样平时主要摆弄硬件的人，总是希望有更简单的办法。当然，我也看过网上一些高人朋友总结的操作经验，也自己动手尝试过。下面大致列出几个主要步骤：
1、安装Linux，Ubuntu或者RedHat/CentOS；
2、Linux下安装NV显卡/GPU驱动（含准备工作），在Ubuntu下就有3种方法，下文中我会推荐其中最方便的；
3、CUDA安装——除了独立安装，还有一种方式是显卡驱动随CUDA一同安装；
4、__安装深度学习环境：这部分首先是NVIDIA的cuDNN基础神经网络SDK__，然后才是依赖它的TensorFlow、Caffe、MXNet、PyTorch等深度学习框架，其间还要安装的Python和pip等。
可能有朋友说用Docker容器会简单一些。没错，NVIDIA网站提供了一些常用的容器可供下载，这样在GPU驱动之后的部署就可以省去了？但别忘了Docker对有些人（比如我）来说也需要学习，特别是想用的好一点、乃至于定制部署自己的容器。
NVIDIA Data Science Stack：真的能一个命令解决部署？
最近我了解到NV的Data Science Stack（数据科学套件，https://github.com/NVIDIA/dat...），并按照《_Dell Precision Data Science Workstation Guided Install Edition_》手册的操作指导进行了测试，下面把步骤和收获分享给大家：
1、选择机型配置（_略，关于硬件的讨论我想放在最后_）
本次测试使用了Dell Precision 7740移动工作站（Quadro RTX 5000 GPU），以及Precision7920 Tower塔式工作站（Quadro P4000 GPU）。
2、安装系统前准备。这一步主要是关闭BIOS中的“Secure Boot”，这是因为影响到Linux Kernel的更新，基本上Linux安装NV显卡驱动都是要改这个的。
3、提升你的性能——设置和优化（可选），这部分做的是2方面事情：
3.1 关闭闲置使用电源管理设置
/usr/bin/gsettings setorg.gnome.settings-daemon.plugins.power sleepinactive-ac-timeout 0
3.2 关闭休眠设置
sudo systemctl maskhibernate.target
3.3 删除交换文件
sudo swapon –show
sudo swapoff -v /swapfile
sudo sed -i ‘/^\/swapfile/d’/etc/fstab
sudo rm /swapfile
关闭虚拟内存（页面文件）的理由，我就不在这里展开了。
4、安装NVIDIA Data Science Stack v2.2.x
首先是Linux发行版的选择，NV数据科学套件支持Ubuntu 18.04.x和RedHat Enterprise Linux 7.5+ or 8.0+ (需要license)。RHEL是购买商业版OS不错的选择，不过由于我手头恰好没有Lincense，无法使用红帽订阅来更新，所以本次测试使用Ubuntu。
注：由于Dell 7740__移动工作站带的IntelAX200 WiFi6__无线网卡需要Linux5.1+__内核才有驱动，因此我安装了最新的5.3__内核的Ubuntu 18.04.4__。
尽管这个版本的NV Data Science Stack宣称在Ubuntu下能够包含GPU驱动的安装，但经过我的测试还是建议手动先装好。（也可能是我水平不够，坐等高人拍砖）
sudo apt update
sudo apt upgrade
sudo apt install nvidia-driver-430
包扩系统更新在内，准备工作总共就这3条在线命令，不算复杂吧？我也试过用NV官网下载的.sh驱动文件安装，但为了解决相关依赖还是步骤繁琐了点。所以上面推荐最简单的办法。
运行nvidia-smi出现上面这样的输出，就代表显卡驱动装好了。大家都知道GeForce比Quadro的性价比好，但如果用户需要像RTX 5000这样16GB显存的笔记本，还真没有更多的选择。
然后就是从github上下载data-science-stack-2.2.2.tar.gz（很小），并解压缩：
tar zxvfdata-science-stack-2.2.2.tar.gz
cd data-science-stack-2.2.2
再往后的命令行操作，就真的是只使用一个脚本了。
安装系统环境、设置用户：
./data-science-stack setup-system
./data-science-stacksetup-user
Linux系统中需要的包、Docker环境会在上面的操作中完成，如有英文提示重启或者Log out / Log in，请按要求执行。
接下来是选择构建容器，或者原生的数据科学开发环境：
./data-science-stackbuild-container
./data-science-stackbuild-conda-env
Conda 是一个开源的软件包管理系统和环境管理系统。上述2种部署我都测试过，无论使用容器与否，下载安装的组件其实大多是相同的，比如下面我随便挑几个比较常见的：
pytorch-1.4.0
cudnn 7.6.0
mkl-2020.0
tensorflow-base-1.14
cudatoolkit-10.1.243
ffmpeg-4.1.3
……
最后的验证，就是运行容器化环境或者Conda环境，分别使用2个不同的参数：
./data-science-stack run-container
./data-science-stack run-jupyter
验证：在JupyterLab中使用Python、CUDA、TensorFlow等
这里我以使用容器为例，跑起来之后看提示，用浏览器访问localhost:8888。其实无论是否选择容器化部署，最终用户的使用界面都是JupyterLab这个基于网页的用于交互计算的应用程序。
如上图，JupyterLab显然是为编程人员服务的。我先开一个Python 3的Console看看。
在下面的输入框里就可以敲代码了，上面显示的Python版本是3.7.6，常用的2.7有没有呢？
我开了一个终端，验证下Python2.7是必须存在的。
JupyterLab里的图形化GPUDASHBOARDS，可以选择从不同方面监控GPU的资源使用情况。
我又验证了一下CUDA环境，是V10.1.243版本。ffmpeg也是正常的。
最后试了下在Python里导入TensorFlow深度学习框架，上图为输出。PyTorch等其它的框架也可以按照同样的方式导入。
结果表明，从CUDA到一系列深度学习框架等的安装部署，以及JupyterLab的运行都只用data-science-stack这一个脚本就可以实现。哪怕使用容器，也可以在不会敲一条Docker命令的情况下就run起来。
硬件选择建议
结尾处简单聊几句，感兴趣的朋友可以看看。
上表是出现在Dell这份安装文档中的，推荐的配置比较高，比如塔式工作站上只列出了Quadro RTX6000和8000选项？除了性能较高、显存更大之外，选择认证这些配置有没有NV想赚更多钱的原因呢？
下面我们再看一下NVIDIA Data Science Stack的硬件要求：
NVIDIA GPU - Pascal, Volta, orTuring family GPU(s) including:
- Quadro P, GV, and RTX series
- Tesla P, V and T series
- GeForce 10xx and 20xx
不过还好，Quadro P系列以及GeForce 10xx和20xx也在支持的范围内，对性价比要求高的用户，在塔式工作站上配1-3片GeForce RTX如何？商用产品的支持服务和设计可靠性会更好，无论Quadro、Tesla（适用于服务器）还是一款优秀的（图形）工作站。
参考资料：
https://www.delltechnologies....
https://github.com/NVIDIA/dat...
推荐阅读
本文转载自企业存储技术微信公众号，[原文链接点这里]。
注：本文只代表作者个人观点，与任何组织机构无关，如有错误和不足之处欢迎在留言中批评指正。 进一步交流技术可以加我的微信/QQ：490834312。
尊重知识，转载时请保留全文，并包括本行及如下二维码。感谢您的阅读和支持！《企业存储技术》微信公众号：HL_Storage，也欢迎关注企业存储技术极术专栏，定期更新。
