Linux+AI学习路线：零基础 Linux+AI

很多刚接触 AI 的朋友都会问：Linux 对 AI 学习到底重不重要？
我的回答是——非常重要。
当前主流的深度学习框架如 PyTorch、TensorFlow 在 Linux 下的性能和兼容性最好，而且服务器环境也默认使用 Linux。
本文就从零开始，带你走完一条实用的 Linux+AI 学习路线，包括环境准备、工具安装、模型测试和常见坑点。

第一阶段：准备一个干净的 Linux 环境

不管你是用本地虚拟机、云服务器还是 WSL，建议使用 Ubuntu 22.04 LTS，稳定且社区文档多。
如果是云服务器，选择带有 Ubuntu 22.04 镜像的实例；
如果是本地，安装 WSL2 后从 Microsoft Store 下载 Ubuntu 22.04 即可。

安装完成后，先做两件事：

1. 更新系统包：

   sudo apt update && sudo apt upgrade -y

1. 安装基本编译工具：

   sudo apt install build-essential git curl wget -y

这一步确保后续安装 Python 或驱动时不会缺依赖。

第二阶段：搭建 Python 与深度学习环境

AI 开发主力语言是 Python，推荐使用 Miniconda 管理环境和包，避免污染系统 Python。

安装 Miniconda：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

按提示确认路径并初始化 conda。
完成后重启终端或执行 source ~/.bashrc。

创建专用环境并安装 PyTorch：

conda create -n ai-env python=3.10 -y
conda activate ai-env
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118  # 如无 GPU 可去掉 cu118

验证安装：

python -c "import torch; print(torch.__version__)"

如果能正常输出版本号，说明环境就绪。

第三阶段：运行第一个 AI 模型（手写数字识别）

选一个简单的项目验证整个链路。
下面用 PyTorch 加载预训练的 LeNet 模型，识别 MNIST 图片。

1. 安装 Jupyter Notebook（方便交互）：

   pip install jupyter
   jupyter notebook --ip=0.0.0.0 --port=8888 --no-browser &

按提示复制 token 到浏览器打开。

1. 新建一个 Notebook，输入以下代码测试：

   import torch
   import torchvision
   from torchvision import transforms

   transform = transforms.Compose([transforms.ToTensor()])
   trainset = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)
   trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)

   model = torchvision.models.resnet18(num_classes=10)
   criterion = torch.nn.CrossEntropyLoss()
   optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

   # 简单训练一个 epoch
   for images, labels in trainloader:
       outputs = model(images)
       loss = criterion(outputs, labels)
       optimizer.zero_grad()
       loss.backward()
       optimizer.step()
       break
   print("训练完成，无报错")

如果正常运行没有 ImportError，恭喜你已经跑通了第一个 AI 模型。

避坑指南：Linux+AI 常见问题

• GPU 驱动：如果使用 NVIDIA GPU，务必先安装官方驱动和 CUDA，再装 PyTorch。用 nvidia-smi 查看驱动版本，确保与 PyTorch 的 CUDA 版本匹配。
• 内存不足：训练较大模型时，如果系统内存不够，可以添加交换空间：

  sudo fallocate -l 4G /swapfile
  sudo chmod 600 /swapfile
  sudo mkswap /swapfile
  sudo swapon /swapfile

• Python 版本冲突：始终使用 conda 虚拟环境，不要用 pip install 直接装到系统 Python。
• Jupyter 无法访问：云服务器需在安全组放行 8888 端口，或者通过 SSH 隧道转发。

效果验证：检查你的学习路线是否走通

完成以上步骤后，你可以用下面几条命令检查你的环境是否完整：

conda info --envs                    # 查看环境列表
python -c "import torch; print(torch.cuda.is_available())"  # GPU 是否可用
jupyter notebook list                # 查看运行的 notebook

如果一切正常，说明你已具备在 Linux 下进行 AI 开发的基础能力。
后续可以继续学习数据预处理、模型调优和部署到生产环境。

如果你在搭建过程中遇到任何报错，先检查版本兼容性，再搜索具体错误信息。
这条 Linux+AI 学习路线越走越顺，坚持动手一定会有收获。