VMware虚拟机安装教程：搭建隔离的深度学习环境

为深度学习项目创建一个干净、独立的开发环境，避免依赖冲突和系统污染

1. 为什么需要虚拟机环境？

做深度学习开发最头疼的就是环境配置问题。不同的项目需要不同版本的Python、PyTorch、CUDA，直接在主机系统上安装很容易出现版本冲突。我之前就遇到过这种情况：为了运行一个新项目，更新了几个库，结果之前能正常运行的老项目全部报错，折腾了一整天才修复。

使用VMware虚拟机可以完美解决这个问题。每个项目都在独立的虚拟环境中运行，互不干扰。就像给每个项目准备了一个专属的工作室，里面工具齐全又不会影响到其他房间。

虚拟机环境还有这些好处：

• 完全隔离：虚拟机里的操作不会影响主机系统
• 环境复用：可以保存多个环境快照，随时切换
• 实验安全：即使环境配置出错，也不会损坏主机
• 跨平台兼容：Windows主机可以运行Linux开发环境

2. 准备工作与环境要求

在开始安装之前，我们先检查一下准备工作是否到位。

2.1 硬件要求

运行虚拟机需要一定的硬件资源，建议配置：

• 内存：至少16GB RAM（8GB勉强可用，但会比较卡顿）
• 存储空间：至少50GB可用空间（系统镜像+虚拟机文件）
• 处理器：支持虚拟化技术的64位CPU
• 显卡：如果有NVIDIA显卡，可以在虚拟机中启用GPU直通加速

2.2 软件准备

需要下载两个主要文件：

1. VMware Workstation Player（免费版）：官网下载地址
2. Ubuntu系统镜像：推荐Ubuntu 20.04 LTS或22.04 LTS：官网下载

VMware Workstation Player对个人用户是免费的，完全够用。Ubuntu选择LTS（长期支持）版本，稳定性更好。

3. 安装VMware和创建虚拟机

3.1 安装VMware Workstation Player

下载完成后，双击安装文件，基本上就是一路"下一步"：

• 接受许可协议
• 选择安装位置（默认即可）
• 取消用户体验改进计划（根据个人喜好）
• 完成安装

安装过程大约需要5-10分钟，完成后需要重启电脑。

3.2 创建新的虚拟机

重启后打开VMware，开始创建我们的深度学习环境：

1. 选择安装方式：点击"创建新虚拟机"，选择"安装程序光盘映像文件"，浏览选择刚才下载的Ubuntu ISO文件

2. 配置系统信息：

   • 输入你的姓名、用户名和密码（记住这个密码，后面会经常用到）
   • 虚拟机名称可以设为"DL-Development"之类的描述性名称

3. 分配硬件资源：

   • 磁盘容量：建议至少40GB，选择"将虚拟磁盘拆分成多个文件"
   • 内存分配：如果主机有16GB内存，给虚拟机分配8GB；有32GB可以分配16GB
   • 处理器配置：给虚拟机分配2-4个CPU核心

4. 完成创建：点击完成，虚拟机就创建好了

4. 安装Ubuntu系统

现在启动虚拟机，开始安装Ubuntu系统：

1. 选择语言：启动后选择中文或英文（推荐英文，避免后续开发中出现编码问题）

2. 安装类型：选择"正常安装"和"为图形或无线硬件安装第三方软件"

3. 磁盘分区：选择"清除整个磁盘并安装Ubuntu"（不用担心，这只影响虚拟机内的虚拟磁盘）

4. 地区设置：选择你所在的时区

5. 等待安装：安装过程需要20-30分钟，期间会下载一些更新包

安装完成后会提示重启，重启后输入之前设置的用户密码登录系统。

第一次进入系统后，建议先更新软件包：

sudo apt update && sudo apt upgrade -y

这个过程可能需要下载几百MB的更新，耐心等待完成。

5. 配置深度学习开发环境

现在我们来配置深度学习所需的软件环境。

5.1 安装NVIDIA驱动（如果有GPU）

如果你主机有NVIDIA显卡，可以在虚拟机中启用GPU加速：

首先在VMware中设置GPU直通：

1. 关闭虚拟机
2. 右键虚拟机 → 设置 → 硬件 → 添加 → PCI设备
3. 选择你的NVIDIA显卡
4. 启动虚拟机

然后在Ubuntu中安装驱动：

# 添加官方PPA源
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update

# 检查推荐的驱动版本
ubuntu-drivers devices

# 安装推荐版本的驱动
sudo apt install nvidia-driver-525  # 版本号根据上面命令的输出调整

# 重启生效
sudo reboot

重启后检查驱动是否正常：

nvidia-smi

如果看到显卡信息，说明驱动安装成功。

5.2 安装Miniconda

Conda是管理Python环境的利器，我们安装轻量版的Miniconda：

# 下载安装脚本
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 运行安装
bash Miniconda3-latest-Linux-x86_64.sh

# 按照提示操作，基本上一直按回车和输入yes就行

# 激活conda
source ~/.bashrc

验证安装：

conda --version

5.3 创建深度学习环境

现在创建一个专门的深度学习环境：

# 创建新环境，Python版本选择3.9（稳定兼容性好）
conda create -n dl-env python=3.9

# 激活环境
conda activate dl-env

安装常用的深度学习库：

# 安装PyTorch（根据你的CUDA版本选择命令，可以在PyTorch官网查看最新命令）
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

# 安装其他常用库
pip install numpy pandas matplotlib seaborn jupyterlab scikit-learn opencv-python

# 验证安装
python -c "import torch; print(torch.__version__); print('CUDA available:', torch.cuda.is_available())"

如果输出显示CU可用，说明环境配置成功！

6. 配置开发工具

6.1 安装VS Code

VS Code是很好的开发工具，可以在虚拟机中直接安装：

# 下载安装包
wget -O code.deb https://code.visualstudio.com/sha/download?build=stable&os=linux-deb-x64

# 安装
sudo dpkg -i code.deb
sudo apt install -f  # 修复依赖

# 安装Python扩展
code --install-extension ms-python.python

6.2 配置Jupyter Lab

Jupyter Lab是深度学习常用的交互式开发环境：

# 已经安装过，现在生成配置文件
jupyter lab --generate-config

# 设置密码
jupyter lab password

# 允许远程访问（可选）
echo "c.ServerApp.allow_remote_access = True" >> ~/.jupyter/jupyter_lab_config.py

启动Jupyter Lab：

jupyter lab --ip=0.0.0.0 --port=8888

现在你可以在主机的浏览器中通过http://虚拟机IP:8888访问Jupyter Lab。

7. 环境备份与恢复

配置好的环境一定要备份，避免重头再来的麻烦。

7.1 使用VMware快照

VMware的快照功能可以保存虚拟机的完整状态：

1. 在VMware中关闭虚拟机
2. 右键虚拟机 → 快照 → 拍摄快照
3. 输入描述信息，比如"基础环境配置完成"
4. 需要恢复时，选择相应快照点击"还原"

建议在重要步骤完成后都拍摄一个快照。

7.2 导出环境配置

还可以导出环境配置方便在其他地方重现：

# 导出conda环境配置
conda env export > environment.yml

# 导出pip安装的包
pip freeze > requirements.txt

这样即使换了电脑，也能快速重建相同的环境。

8. 常见问题解决

在使用过程中可能会遇到这些问题：

虚拟机卡顿：

• 给虚拟机分配更多内存
• 关闭虚拟机中不必要的视觉效果
• 确保主机有足够的内存剩余

网络连接问题：

• 在VMware网络设置中选择"NAT模式"
• 检查主机防火墙设置

共享文件夹设置：

# 在VMware中设置共享文件夹后
sudo mkdir /mnt/hgfs
sudo vmhgfs-fuse .host:/ /mnt/hgfs -o allow_other

磁盘空间不足：

• 使用sudo apt autoremove清理不需要的包
• 使用conda clean --all清理conda缓存

总结

通过这个教程，你应该已经成功搭建了一个隔离的深度学习开发环境。虚拟机环境就像给你的每个项目都准备了一个独立的实验室，既干净又安全。

现在你可以在里面大胆尝试各种库和框架，不用担心把主机系统搞乱。记得定期拍摄快照备份，这样即使实验出了问题，也能快速恢复到正常状态。

深度学习环境搭建其实没有想象中那么难，关键是按步骤来，耐心解决遇到的问题。有了这个稳定的环境，接下来就可以专心投入到模型开发和实验中了。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。