---

title: 小牛翻译-实训第一天

date: 2026-06-22 16:46:32

tags: 小牛翻译，实训笔记

---

# 小牛翻译-实训第一天

今天主要是配置环境，连接远程ssh，连接实验室的服务器。

先讲讲服务器，有一个root用户，我是组长，我是老师发了一份root的表格，ssh连接的格式和密码，然后我先用adduser创建四个子用户，分别是我的三个组员和我，然后我分别把组员的账号发给他们，让他们分别用自己的账号登录服务器。而且使用最简单的密码。

今天在用vscode连接服务器的时候，死活连不上，

如小牛bug.png所示，就是连不上，解决方法是把Preferences: Open User Settings (JSON) 搜索这个，然后把之前配代理的那个端口给删了

下面这是我今天的实验报告

好的，这是根据您提供的 `report.docx` 内容转换成的 Markdown 格式。我保留了所有标题、问题编号、回答文本和图片引用（图片路径保持不变），并将数学公式用 LaTeX 或文本方式清晰呈现。

---

# 人工智能实训预备课作业报告

---

## Problem (linux1): Understanding Linux and Ubuntu

### (a) Linux 和 Ubuntu 是同一个东西吗？

**答：** 不是一个东西。Linux 是一个开源的操作系统内核，是整个系统的基础；而 Ubuntu 是基于 Linux 内核构建的一个具体发行版，它包含了图形界面、系统工具和软件包管理等功能，是 Linux 内核的一种具体实现形式。

### (b) 为什么人工智能实训课程常使用 Ubuntu，而不是只使用 Windows？

**答：**  

首先，在深度学习环境配置方面，Ubuntu 对 CUDA、PyTorch 等主流 AI 框架的兼容性更好，官方文档和社区支持也更丰富；其次，AI 开发通常在远程服务器上进行，Ubuntu 作为服务器操作系统在稳定性、资源占用和远程管理（SSH）方面具有优势；最后，命令行操作更利于批量任务、脚本自动化以及依赖关系的精确控制，便于实验复现。

---

## Problem (vscode1): Connecting to the Ubuntu server

**任务完成情况：** 已在个人电脑上安装 VS Code 和 Remote-SSH 插件，配置 SSH config 并成功连接 Ubuntu 服务器，在远程终端中运行了 `whoami`、`hostname`、`pwd`、`uname -a` 命令。

 

---

## Problem (vscode2): Local computer or remote Ubuntu?

### (a) VS Code 安装在个人电脑上，为什么可以操作 Ubuntu 服务器中的文件？

**答：** Remote-SSH 插件的作用是在本地 VS Code 与远程服务器之间建立一条基于 SSH 协议的安全通道。插件会将本地的操作指令发送到服务器执行，并将服务器返回的结果（如文件列表、编辑内容）显示在本地界面上，从而让用户感觉像在操作本地文件一样。

### (b) 在远程终端中创建的文件夹，会出现在本地桌面上吗？

**答：** 不会。因为终端连接的是远程 Ubuntu 服务器，所有命令（如 `mkdir`）都是在服务器的文件系统中执行的，与本地个人电脑的文件系统完全隔离。

---

## Problem (shell1): First command-line operations

**任务完成情况：** 在远程 Ubuntu 终端中依次执行了查看目录、回到主目录、创建项目文件夹及子文件夹、查看结果等操作。

**使用的命令（示例）：**

```bash

pwd

cd ~

mkdir 2023xxxx_ai_practice   # 替换为实际学号

cd 2023xxxx_ai_practice

mkdir data src outputs

ls

```

 

---

## Problem (file1): Managing a small project directory

**任务完成情况：** 在项目目录下完成了进入 `src`、创建 `hello.py`、写入内容、复制备份、查看内容、删除备份等操作。

**使用的命令（示例）：**

```bash

cd src

echo 'print("Hello, Ubuntu!")' > hello.py

cd ..

cp src/hello.py outputs/hello_backup.py

cat outputs/hello_backup.py

rm outputs/hello_backup.py

```

**命令区别说明：**

- **`cp`（copy）**：用于复制文件或目录，原文件保持不变，生成一个新的副本。

- **`mv`（move）**：用于移动文件或目录（剪切）或重命名文件，原路径消失，出现在新路径。

- **`rm`（remove）**：用于永久删除文件或目录，数据不会进入回收站，删除后很难恢复。

 

---

## Problem (apt1): Installing basic tools

**任务完成情况：** 执行了 `sudo apt update` 更新源，安装 `tree` 工具，并在项目目录下运行 `tree` 查看目录结构。

**截图：**

 

**`apt` 和 `pip` 的区别：**

- **`apt`** 是 Ubuntu 系统的软件包管理工具，用于安装系统级别的软件（如 Git、Tree、Vim），通常需要 `sudo` 管理员权限。

- **`pip`** 是 Python 的包管理工具，用于安装 Python 第三方库（如 NumPy、Torch），通常安装在当前激活的 Python 环境中，不需要系统管理员权限。两者管理的对象和作用域完全不同。

---

## Problem (miniconda1): Installing Miniconda

**任务完成情况：** 在服务器中找到安装包，使用 `bash` 运行安装，接受许可、默认路径，执行 `conda init`，然后 `source ~/.bashrc`，验证安装，查看环境列表，并关闭自动激活 base。

### (a) 为什么不建议直接把所有依赖安装到 base 环境中？

**答：** base 环境是 Conda 的基础环境，如果将所有项目的依赖都装在里面，不同项目间的库版本（如 PyTorch 2.0 vs PyTorch 1.8）容易发生冲突，导致环境混乱难以排查。为每个项目创建独立环境（如 `ai_infer`）可以实现环境隔离，保证项目的可复现性。

### (b) Miniconda 安装在 Ubuntu 服务器中，还是安装在本地个人电脑中？

**答：** Miniconda 安装在 Ubuntu 服务器中。因为后续的模型推理和代码运行都在远程服务器上执行，依赖库和环境必须部署在服务器上才能使用其 CPU/GPU 资源。

### (c) `source ~/.bashrc` 的作用是什么？

**答：** `~/.bashrc` 是 Bash Shell 的配置文件，包含了环境变量、别名和启动脚本等设置。`source ~/.bashrc` 的作用是让当前终端重新加载该文件，使新添加的 Conda 初始化配置立即生效，从而让系统识别 `conda` 命令。

---

## Problem (conda1): Understanding Conda and pip

### (a) Conda 环境解决了什么问题？

**答：** Conda 环境解决了 Python 项目中的依赖冲突问题。如果没有环境隔离，在同一个 Python 环境中同时安装项目 A（需要 Django 3.0）和项目 B（需要 Django 4.0）会导致版本冲突。Conda 允许我们为每个项目创建独立的“沙箱”环境，各自拥有独立的 Python 解释器和库版本，互不干扰。

### (b) `pip install` 安装的包一定属于整个 Ubuntu 系统吗？

**答：** 不一定。`pip install` 安装的包会安装到当前激活的 Python 环境中。如果在某个 Conda 环境（如 `ai_infer`）中执行 `pip install`，包会被安装到该 Conda 环境的 `lib/python3.x/site-packages/` 目录下，仅对该环境可见，不会影响 Ubuntu 系统自带的 Python 环境，也不会影响其他 Conda 环境。只有在未激活任何虚拟环境、直接使用系统 Python 时，`pip` 才会将包安装到系统目录（通常需要 `sudo` 权限）。

### (c) 请解释 Ubuntu、Miniconda、Conda environment、pip 之间的层级关系。

**答：** Ubuntu 是最底层的操作系统，提供基础运行环境；Miniconda 是安装在 Ubuntu 上的环境管理工具，用来创建和管理隔离的 Python 工作空间；Conda environment 是 Miniconda 创建的独立虚拟环境，每个环境拥有自己的 Python 版本和库集合；pip 是 Python 的包安装工具，在某个 Conda environment 内部使用时，它安装的 Python 库只会归属于该特定的 Conda environment，从而形成“操作系统 → 环境管理工具 → 独立虚拟环境 → 包安装工具”的清晰层级结构。

---

## Problem (env1): Building a Conda inference environment

**任务完成情况：** 创建了 `ai_infer` 环境（Python 3.10），激活，检查版本，安装 `numpy` 和 `torch`，验证导入，并用 `which python` 确认环境。

 

**如何判断进入正确的 Conda 环境：**  

可以通过两种方式判断：第一，观察终端提示符，如果显示 `(ai_infer)` 前缀，说明已进入该环境；第二，执行 `which python`，如果返回的路径包含 `/miniconda3/envs/ai_infer/bin/python`，说明当前使用的 Python 解释器来自 `ai_infer` 环境。

---

## Problem (infer1): First model inference

### (a) 运行 `inference.py`

**截图和输出：**

{width="5.768055555555556in" height="2.8583333333333334in"}

（输出文件 `output.txt` 内容：略）

### (b) 解释 `x @ w` 的含义

**答：** `@` 运算是矩阵乘法。例如，对于 `x = [[1.0, 2.0, 3.0]]` 和 `w = [[0.2], [0.5], [0.3]]`，计算结果为：  

`1.0*0.2 + 2.0*0.5 + 3.0*0.3 = 0.2 + 1.0 + 0.9 = 2.1`。

### (c) 修改输入并再次运行

将输入改为 `x = torch.tensor([[2.0, 1.0, 4.0]])` 后，输出仍为 `tensor([[2.1000]])`。  

**原因分析：** 虽然输入发生了变化，但计算过程遵循线性加权求和公式：  

由于原始输入 `[1,2,3]` 的计算结果恰好也是 `0.2 + 1.0 + 0.9 = 2.1`，这次修改恰好产生了相同的数值输出。一般来说，改变输入值会导致输出值发生相应变化，因为输出是输入的线性函数。

---

## 进阶内容：Problem (advanced1): Optional profiling with Scalene

### (a) `slow_nn.py` 的主要性能瓶颈在哪里？

**答：** 瓶颈在 `slow_forward` 函数中的 `for i in range(x.shape[0])` 循环。4096 次 Python 循环每次调用 PyTorch 操作，产生大量解释器开销，占用总时间的 90% 以上。

 

### (b) 你采用了什么优化思路？

**答：** 将逐条样本循环改为批量矩阵运算，一次性处理整个 batch，利用 PyTorch 的底层向量化加速，减少 Python 循环开销。

### (c) 优化前后是否有明显提升？

**答：** 有显著提升。运行时间从 `slow_nn.py` 的约 X 秒（请填入实际测量值）降低到 `fast_nn.py` 的约 Y 秒（请填入实际测量值）。Scalene 显示瓶颈从 Python 循环转移到张量乘法，总时间大幅减少，优化有效。

 

---

## Problem (export1): Exporting the environment

**任务完成情况：** 激活 `ai_infer` 环境，导出 `environment.yml`，使用 `cat` 查看内容。

**为什么 AI 项目需要保存环境配置：**  

AI 项目通常依赖大量特定版本的 Python 库（如 PyTorch、Transformers），不同版本之间可能不兼容。保存 `environment.yml` 可以精确记录项目运行所需的所有依赖，当其他人或自己换一台机器复现实验时，只需执行 `conda env create -f environment.yml` 即可一键重建完全相同的环境，避免了“在我电脑上能跑”的兼容性问题，保证了实验的可复现性和团队协作的便利性。

---

**报告结束**