1. Miniconda在CentOS8上的完整安装指南

作为深度学习开发环境配置的基础环节，Miniconda的安装质量直接决定了后续工具链的稳定性。不同于Windows/macOS的图形化安装，在CentOS8这类企业级Linux系统上部署时，需要特别注意系统依赖、权限管理和环境隔离等问题。我在为团队配置d2l（Dive into Deep Learning）教学环境时，总结出一套可靠的安装流程，特别适合国内网络环境。

重要提示：CentOS8默认的软件源已于2021年底停止维护，建议先配置阿里云或清华的镜像源后再进行后续操作，否则可能导致依赖包安装失败。

1.1 系统准备与依赖检查

在开始安装前，需要确保系统具备基本编译环境。执行以下命令安装开发工具链：

dnf groupinstall "Development Tools" -y
dnf install bzip2 wget -y

检查系统架构和glibc版本（Miniconda要求glibc>=2.12）：

uname -m  # 确认是x86_64架构
ldd --version | head -n1  # 检查glibc版本

对于企业服务器，建议在用户目录下安装而非系统目录，避免权限问题。我习惯为每个项目创建专用用户：

useradd -m d2l_user
su - d2l_user

1.2 Miniconda安装过程详解

从清华镜像站下载最新版Miniconda（比官网下载快10倍以上）：

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh

安装时的关键参数说明：

• -b ：批量模式，自动接受协议
• -p ：指定安装路径（推荐 ~/miniconda3 ）
• -u ：更新现有安装

推荐使用以下命令安装：

bash Miniconda3-latest-Linux-x86_64.sh -b -p ~/miniconda3

安装完成后需要初始化conda，这个步骤经常被忽略：

~/miniconda3/bin/conda init bash
source ~/.bashrc

验证安装成功的正确姿势：

conda --version  # 应显示类似conda 4.12.0
which python  # 应指向miniconda目录下的python

2. d2l环境配置实战

2.1 创建专用Python环境

conda环境隔离是避免依赖冲突的关键。为d2l创建独立环境：

conda create --name d2l python=3.8 -y  # 3.6已过时，推荐3.8
conda activate d2l

踩坑记录：python3.6在2021年已停止维护，强行使用会导致后续包兼容性问题。有团队曾因坚持使用3.6导致numpy等基础库无法安装合适版本。

2.2 MXNet与d2l的安装优化

使用国内pip镜像加速安装：

pip install mxnet==1.7.0.post1 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install d2l==0.17.5 --trusted-host pypi.tuna.tsinghua.edu.cn

常见版本冲突解决方案：

1. 如果报numpy版本冲突，先升级pip： pip install --upgrade pip
2. 使用conda统一管理核心依赖： conda install numpy matplotlib pandas
3. 最后再安装d2l： pip install d2l==0.17.5 --no-deps

验证MXNet是否正常工作：

import mxnet as mx
print(mx.__version__)  # 应输出1.7.0
mx.nd.array([1,2,3])  # 测试NDArray功能

3. Jupyter Notebook远程访问配置

3.1 安全加固的Jupyter安装

在d2l环境下安装Jupyter：

conda install jupyter notebook -y

生成加密配置文件：

jupyter notebook --generate-config
sed -i "s/#c.NotebookApp.ip = 'localhost'/c.NotebookApp.ip = '*'/" ~/.jupyter/jupyter_notebook_config.py
sed -i "s/#c.NotebookApp.port = 8888/c.NotebookApp.port = 9999/" ~/.jupyter/jupyter_notebook_config.py

设置访问密码（比token更方便）：

jupyter notebook password

3.2 防火墙与端口管理

CentOS8默认使用firewalld，开放端口命令：

sudo firewall-cmd --permanent --add-port=9999/tcp
sudo firewall-cmd --reload

对于阿里云/腾讯云服务器，还需在控制台安全组中放行相应端口。

3.3 持久化运行方案

使用nohup保持服务后台运行：

nohup jupyter notebook --ip=0.0.0.0 --no-browser > jupyter.log 2>&1 &

查看运行状态：

tail -f jupyter.log  # 实时查看日志
ps aux | grep jupyter  # 检查进程

4. 常见问题排错指南

4.1 Conda环境故障排查

症状 ：conda命令报错"CommandNotFoundError"

• 原因：未正确初始化shell
• 解决： source ~/miniconda3/etc/profile.d/conda.sh

症状 ：环境激活无效

• 原因：shell配置未更新
• 解决：执行 conda init bash 后重新登录

4.2 MXNet导入异常处理

报错 ："libopenblas.so.0: cannot open shared object file"

• 解决： conda install openblas -y

报错 ：CUDA相关错误（即使不使用GPU）

• 解决：明确安装CPU版本： pip install mxnet-mkl==1.7.0

4.3 Jupyter访问问题

症状 ：无法连接服务器

• 检查步骤：
  1. netstat -tulnp | grep 9999 查看端口监听状态
  2. curl localhost:9999 测试本地访问
  3. 检查防火墙规则 firewall-cmd --list-all

症状 ：内核启动失败

• 解决： conda install ipykernel -y 然后 python -m ipykernel install --user

5. 生产环境优化建议

5.1 镜像源加速配置

永久修改conda源为清华镜像：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
conda config --set show_channel_urls yes

配置pip镜像源：

mkdir -p ~/.pip
echo -e "[global]\nindex-url = https://pypi.tuna.tsinghua.edu.cn/simple" > ~/.pip/pip.conf

5.2 环境备份与迁移

导出环境配置：

conda env export > d2l_env.yaml
pip freeze > requirements.txt

在新机器上快速重建环境：

conda env create -f d2l_env.yaml
pip install -r requirements.txt

5.3 性能调优技巧

1. 启用MKL加速：

   conda install mkl-service -y
   export MKL_NUM_THREADS=4
   

2. Jupyter内存限制设置：

   jupyter notebook --NotebookApp.max_buffer_size=1000000000
   

3. 使用jupyter-lab替代notebook：

   conda install jupyterlab -y
   jupyter lab --ip=0.0.0.0
   

这套配置方案已在多所高校的AI实验室验证，能稳定支持d2l全书示例的运行。对于需要GPU加速的环境，只需将mxnet替换为GPU版本（ mxnet-cu102 等），其余配置流程保持一致。