Ubuntu+VSCode打造高效机器学习开发环境

快速体验

1. 打开 InsCode(快马)平台 https://www.inscode.net
2. 输入框内输入如下内容：

   创建一个Ubuntu系统下基于VSCode的机器学习开发环境配置脚本。要求：1. 自动安装VSCode及Python插件 2. 配置Jupyter Notebook支持 3. 集成CUDA和cuDNN 4. 安装常用ML库(tensorflow,pytorch) 5. 设置Docker容器开发环境 6. 提供环境验证测试脚本

3. 点击'项目生成'按钮，等待项目生成完整后预览效果

最近在折腾机器学习项目时，发现很多同学在环境配置上踩坑。今天分享下我在Ubuntu系统下用VSCode搭建机器学习开发环境的完整流程，包含Jupyter、Docker和CUDA的配置，亲测能避开90%的常见问题。

1. 基础环境准备

首先确保Ubuntu系统版本在20.04及以上（推荐22.04 LTS），这个版本对NVIDIA驱动兼容性更好。先更新系统包：

1. 打开终端执行系统更新
2. 安装编译工具链和基础依赖项
3. 添加微软的VSCode官方源保持更新同步

2. VSCode核心配置

VSCode的扩展生态是生产力关键，这里需要特别注意插件安装顺序：

• 先安装Python官方插件包（含代码提示和调试）
• 再添加Jupyter插件实现笔记本支持
• 最后配置Docker扩展管理容器

有个小技巧：在设置里开启"Remote - SSH"相关选项，后续连接服务器开发会更方便。

3. GPU加速环境搭建

CUDA和cuDNN的安装最容易出问题，建议按这个顺序操作：

1. 通过官方驱动检测工具安装合适版本的NVIDIA驱动
2. 使用CUDA toolkit网络安装包（避免本地包缺失依赖）
3. 手动验证cuDNN库的符号链接是否正确

安装完成后，记得用nvidia-smi命令检查驱动状态，并用简单的矩阵乘法测试CUDA是否生效。

4. 机器学习库安装

Python虚拟环境是必须的！我习惯用conda创建独立环境：

• 基础环境装好numpy、pandas等科学计算套件
• PyTorch安装要匹配CUDA版本（官网有对应命令）
• TensorFlow的GPU版需要额外配置环境变量

遇到过pip安装超时的话，可以换成国内镜像源。

5. Docker集成方案

开发容器化能避免环境污染，重点注意：

1. 先安装docker-ce版本并配置用户组权限
2. 拉取官方Python镜像作为基础镜像
3. 编写Dockerfile时设置好卷映射和端口转发

建议把训练数据目录挂载到容器外，这样重启容器不会丢失数据。

6. 环境验证

最后准备了个验证脚本，可以一次性检查：

• GPU是否被框架正确识别
• 基础张量运算耗时
• Jupyter内核连接状态
• Docker容器内外的文件交互

这个脚本会输出彩色标记的检查结果，失败项会直接提示可能原因。

避坑经验

• 驱动版本冲突时，可以尝试purge清除后重装
• conda和pip混用时注意优先级问题
• VSCode远程开发突然卡顿可能是SSH加密算法不匹配
• Docker的存储驱动最好改用overlay2

这套配置在InsCode(快马)平台也能快速复现，他们的云环境已经预装了主流开发工具，像VSCode网页版打开即用，还支持一键部署测试模型API。我试过直接导入Jupyter笔记本来调试，省去了本地配环境的麻烦。

遇到任何配置问题，平台内置的AI辅助能实时解答，比查论坛高效多了。对于需要团队协作的项目，这种开箱即用的体验确实能节省不少时间。

快速体验

1. 打开 InsCode(快马)平台 https://www.inscode.net
2. 输入框内输入如下内容：

   创建一个Ubuntu系统下基于VSCode的机器学习开发环境配置脚本。要求：1. 自动安装VSCode及Python插件 2. 配置Jupyter Notebook支持 3. 集成CUDA和cuDNN 4. 安装常用ML库(tensorflow,pytorch) 5. 设置Docker容器开发环境 6. 提供环境验证测试脚本

3. 点击'项目生成'按钮，等待项目生成完整后预览效果