科研代码环境配置type
status
date
slug
summary
tags
category
icon
password
一、通用科研必备工具
- 版本控制工具
- Git/GitHub/GitLab ✅：代码管理、多人协作、版本回溯。
- 推荐先学会基本命令行 git，然后再用 GUI 工具（如 GitHub Desktop、Sourcetree）。
- 论文管理工具
- Zotero/Endnote/Mendeley ✅：管理和标注文献。
- Connected Papers：快速找到某领域相关工作。
- 实验数据记录
- Jupyter Notebook/Lab ✅：记录代码、实验日志、图表展示。
- VS Code + Markdown：科研笔记、实验记录。
- 绘图工具
- LaTeX（Overleaf） ✅：写科研论文、报告的标准工具。
- draw.io/Lucidchart：画图（流程图、算法框图等）。
- Matplotlib/Seaborn/Plotly：绘制实验图表。
- 容器化与环境管理
- Docker ✅：隔离实验环境、部署代码。
- Anaconda/miniconda/venv：Python 环境管理。
- 调试与性能分析
- GDB/Lldb：C/C++ 调试。
- PyTorch profiler/cProfile：Python 代码性能分析。
- 高性能计算
- 如果做大模型、深度学习，需熟悉 Linux + CUDA + GPU 调优。
二、计算机专业方向常用工具
1. 算法/理论计算机科学
- LaTeX：排版公式、论文。
- Mathematica/Maple：理论证明、计算。
- Python/Java/C++：算法实现。
2. 人工智能 / 机器学习
- PyTorch/TensorFlow ✅：深度学习框架。
- scikit-learn：经典机器学习。
- Weights & Biases / TensorBoard：实验管理和可视化。
- HuggingFace：自然语言处理。
- OpenAI Gym / RLlib：强化学习环境。
3. 系统与网络
- Linux（Ubuntu/CentOS） ✅：服务器操作。
- Wireshark：网络抓包分析。
- QEMU/VirtualBox：虚拟化实验。
- Docker/Kubernetes：分布式系统实验。
- gdb/valgrind：调试与内存分析。
4. 数据库与大数据
- PostgreSQL/MySQL/MongoDB ✅：数据库实验。
- Hadoop/Spark：大数据处理。
- Tableau/PowerBI：数据可视化。
5. 安全方向
- Kali Linux：渗透测试实验环境。
- Metasploit/Burp Suite：漏洞分析。
- IDA Pro/Ghidra：逆向工程。
三、Anaconda环境配置
- 安装Anaconda
在网上自行查询教程即可，该步骤较简单。
- 创建虚拟环境
也可以使用可视化页面创建环境。（更适合初学者）
- 安装PyTorch
需要查询对应代码以及GPU版本所适配的。
- 验证GPU可用性
若输出如下所示，说明有GPU并且会输出对应的GPU名称，其中0表示GPU序号。
print(torch.cuda.is_available()) True print(torch.cuda.get_device_name(0)) NVIDIA GeForce RTX 4060 Laptop GPU
- 跑一个 PyTorch 小测试（验证训练是否能用 GPU）
输出：GPU 测试成功: 2500.234
四、Pycharm环境配置
添加 Conda 解释器
- 打开 PyCharm → 打开/新建你的项目
- 点击菜单栏：File → Settings (Ctrl+Alt+S)
- 在左侧找到：Project: <你的项目名> → Python Interpreter
- 右上角点击 ⚙ → 选择 Add…
- 在弹出的窗口：
- 选择 Conda Environment
- 勾选 Existing environment
- 浏览选择刚刚记下的 Python 路径，例如：
- 点击 OK 等待 PyCharm 配置解释器。
五、GPU监测
- 如何在终端查看GPU对应情况：
nvidia-smi
🖥️ 基本信息
- NVIDIA-SMI 566.26
- 这是 NVIDIA System Management Interface 的版本（566.26），跟驱动程序版本一致。
- Driver Version: 566.26
- 你当前安装的 显卡驱动版本，是 566.26。
- CUDA Version: 12.7
- 你的驱动支持的 CUDA 版本 是 12.7，说明你可以在这个环境下运行 CUDA 12.x 版本的程序。
🎮 显卡信息
字段 | 说明 |
GPU Name | NVIDIA GeForce RTX 4060（你用的是 8GB 显存的 4060 Laptop GPU） |
Driver-Model | WDDM（Windows Display Driver Model，Windows 系统的显卡驱动模式） |
Bus-Id | 显卡的总线地址（00000000:01:00.0），用来唯一标识这块 GPU |
Fan / Temp | 风扇转速 N/A（有些笔记本的风扇转速检测不到），当前温度 44°C |
Perf | P8（功耗状态，P0 性能最高，P8 表示空闲省电状态） |
Pwr:Usage/Cap | 3W / 85W（当前功耗 3W，最大功耗 85W） |
Memory-Usage | 309MiB / 8188MiB（8GB 显存，总共用了 309MB，空闲 7.7GB） |
GPU-Util | 9%（当前 GPU 使用率 9%，处于较低负载状态） |
Compute M. | Default（当前是默认计算模式） |
📦 显存占用进程
你的 GPU 上当前有两个进程在用显存：
GPU | PID | 类型 | 进程名 | 显存占用 |
0 | 30632 | C+G | D:\Tencent\QQNT\QQ.exe | N/A |
0 | 34792 | C | ...\Anaconda_envs\envs\DyPs\python.exe | N/A |
QQ.exe- 是 QQ 新版（NT 版）客户端，用显卡做 图形加速。
python.exe- 是你当前 Conda 环境 (
DyPs) 下运行的 Python 程序，用了 GPU。
六、AutoDL租用服务器
- 打开网站并登录账号
- 进入算力市场并选择合适的卡。注意专区要选好，一般而言文件只能在一个专区互相传递。如果你组了个显存或性能不够的卡想换服务器，只能选择本地区的更高级的卡，能够很方便的数据转移。
- 选择你所需的卡以及镜像。
可以先试试社区镜像有没有你需要的模型。如果没有，就用基础镜像，选择你的pytorch版本，或者其他深度学习框架。
如图所示创建成功。
- 点击快捷工具中的jupyterlab
- 在终端跑ai代码即可。
注意：尽量把东西防止在数据盘，因为数据盘可以无限扩充，花钱就行。系统盘是固定死的30gb，不要乱放文件。cd /root/autodl-tmp可以进入数据盘。
- 同时记住，你的容器实例如果15天没有开机，会自动注销。因此当做一个长期的项目时，最好14天开一次机，防止数据销毁。销毁后没有任何办法恢复。
- 下次登录，想要再次调出容器，只需要点击右上角控制台，点击容器实例，再点击开机就行了。
补充：
下面介绍更多 选项栏里面常用的几个功能：
1.无卡模式开机：在配置环境等等不需要gpu的时候可以用，非常便宜。但是注意可能当你刚配完环境的时候，这张卡就被别人租走了，所以一般配置环境的时候也会开机占个坑。
2.扩容数据盘：默认数据盘是50gb。当你跑ai模型时，产生的数据量大于50gb，就要扩容。注意，扩容后按gb收费，关机的时候也收费。
3.跨实例拷贝数据：可以把当前服务器的数据盘和系统盘迁移到同地区的其他服务器上。所以刚开始选择地区的时候，一定要选好了。
- Author:Koreyoshi
- URL:https://Koreyoshi1216.com/article/22ec7b13-c6a7-8065-81a6-c98864861938
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!
