CentOS 上使用 Python 机器学习框架的实操指南
一 环境准备与 Python 安装
想在 CentOS 上顺利跑起机器学习项目，第一步就是把基础环境打扎实。这里以 CentOS 7 为例，带你走一遍标准流程。
首先，更新系统并安装必要的编译工具和基础依赖，这是后续一切操作的前提。打开终端，执行：
sudo yum update -y && sudo yum groupinstall “Development Tools” -y
接下来，安装 Python 3 的核心组件。别只装个 Python 就完事，开发头文件和 pip 包管理工具同样关键：
sudo yum install -y python3 python3-pip python3-devel
如果你打算运行对数值计算性能要求较高的任务，比如涉及大量矩阵运算的模型，那么启用 EPEL 源并安装 OpenBLAS 这类优化库会是个明智的选择：
sudo yum install -y epel-release openblas-devel
最后，一个至关重要的建议：务必在虚拟环境中进行开发。这能彻底避免不同项目间的依赖冲突，让环境保持干净。具体怎么做？我们下一节详细说。
二 选择与安装框架
环境准备好了，接下来就是选择并安装机器学习框架。这里提供两套主流方案，你可以根据习惯和需求来选。
方案 A 原生 venv 虚拟环境（系统自带，轻量）
如果你追求轻量化和对系统层控制，Python 自带的 venv 模块是首选。创建并激活虚拟环境只需两行命令：
python3 -m venv ml-env && source ml-env/bin/activate
激活后，就可以用 pip 安装框架了。对于 PyTorch：
- CPU 版：
pip install torch torchvision torchaudio - GPU 版：这需要你已预先安装匹配版本的 CUDA 和 cuDNN。例如，针对 CUDA 11.3 的安装命令是：
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu113
别忘了把数据科学生态里的“标配”也装上：pip install numpy pandas matplotlib scikit-learn。
方案 B Anaconda/Miniconda（依赖管理更强，适合多版本与科学计算栈）
如果你需要频繁切换 Python 版本，或者希望依赖管理更省心，Conda 是更强大的选择。可以先安装轻量化的 Miniconda：
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh && bash Miniconda3-latest-Linux-x86_64.sh
安装完成后，创建专属环境并激活：
conda create -n ml python=3.9
conda activate ml
在 Conda 环境下安装 GPU 版 PyTorch 会方便很多，因为它能自动处理 CUDA 工具包的依赖。例如：conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch。
安装后验证（两版通用）
无论用哪种方式安装，最后都得验证一下。跑一下这段简单的检查脚本，确保框架被正确识别，尤其是 GPU 是否可用：
python - <<‘PY’
import torch
print(“torch:”, torch.__version__)
print(“cuda:”, torch.cuda.is_a vailable())
PY
三 快速上手 PyTorch MNIST 示例
理论说再多，不如亲手跑个例子。下面我们用 PyTorch 训练一个经典的两层全连接网络来识别手写数字（MNIST数据集）。这段代码在 CPU 上就能流畅运行，如果你的环境有 GPU，它会自动利用 CUDA 加速。
直接上代码，关键步骤都加了注释：
import torch, torch.nn as nn, torch.optim as optim
from torchvision import datasets, transforms
# 1. 准备数据：下载MNIST，并做归一化处理
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])
train_ds = datasets.MNIST(root=‘./data’, train=True, download=True, transform=transform)
test_ds = datasets.MNIST(root=‘./data’, train=False, download=True, transform=transform)
train_loader = torch.utils.data.DataLoader(train_ds, batch_size=64, shuffle=True)
test_loader = torch.utils.data.DataLoader(test_ds, batch_size=64, shuffle=False)
# 2. 定义网络结构：一个简单的两层全连接网络
class Net(nn.Module):
def __init__(self):
super().__init__()
self.fc1 = nn.Linear(28*28, 500) # 输入层到隐藏层
self.fc2 = nn.Linear(500, 10) # 隐藏层到输出层（10个数字类别）
def forward(self, x):
x = x.view(-1, 28*28) # 将图片展平
x = torch.relu(self.fc1(x)) # 激活函数
return self.fc2(x) # 输出层
# 3. 初始化模型、损失函数和优化器
model = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 4. 训练循环（这里只跑5个epoch作为演示）
for epoch in range(5):
for data, target in train_loader:
optimizer.zero_grad() # 梯度清零
output = model(data) # 前向传播
loss = criterion(output, target) # 计算损失
loss.backward() # 反向传播
optimizer.step() # 更新参数
print(f’Epoch {epoch+1}, Loss: {loss.item():.4f}')
# 5. 在测试集上评估准确率
correct = total = 0
with torch.no_grad(): # 评估时不计算梯度，节省内存
for data, target in test_loader:
output = model(data)
_, pred = torch.max(output, 1)
total += target.size(0)
correct += (pred == target).sum().item()
print(f’Accuracy: {100 * correct / total:.2f}%')
运行起来后，你会看到损失值逐步下降，最终得到一个不错的准确率。这个过程虽然简单，但涵盖了数据加载、模型定义、训练、评估的完整流程，是理解 PyTorch 工作流的绝佳起点。
四 GPU 使用与常见问题
想充分发挥 CentOS 服务器的性能，用好 GPU 是关键。但这一步也是踩坑高发区，主要集中在版本匹配和环境配置上。
驱动与库版本匹配
这是最核心的一条：确保 NVIDIA 驱动、CUDA 工具包、cuDNN 库三者的版本严格匹配。安装后，先用 nvidia-smi 命令查看驱动和 CUDA 运行时版本。
经常遇到的报错，比如 ImportError: libcublas.so.10.x 或 libcudnn.so.7 找不到，十有八九是版本不匹配，或者库文件路径没有正确添加到系统环境变量 LD_LIBRARY_PATH 中。解决办法就是对齐版本，并在 ~/.bashrc 文件中添加类似 export LD_LIBRARY_PATH=/usr/local/cuda-11.3/lib64:$LD_LIBRARY_PATH 的配置，然后执行 source ~/.bashrc 使其生效。
框架安装与验证
安装 GPU 版 PyTorch 时，pip 安装命令必须指定与系统 CUDA 版本对应的索引。如果使用 Conda，它会自动处理 cudatoolkit 的依赖，相对省心。安装完成后，务必用 torch.cuda.is_a vailable() 返回的 True 来确认 GPU 已被框架识别。
其他框架
除了 PyTorch，TensorFlow/Keras 同样可以在 CentOS 上通过 pip 或 conda 安装。GPU 版本同样需要匹配 CUDA/cuDNN 版本。安装后，可以使用 tf.config.list_physical_devices(‘GPU’) 来验证 GPU 是否可用。其版本匹配和路径配置的逻辑与 PyTorch 类似，核心原则都是“对齐版本，配置路径”。
