DAMO开发者矩阵

DAMO开发者矩阵 服务器部署notebook+xedu+机器学习编程环境多用户登录

服务器部署notebook+xedu+机器学习编程环境多用户登录

大G哥

451人浏览 · 2025-08-26 10:32:46
大G哥  ·  2025-08-26 10:32:46 发布

Linux部署JupyterHub实现多用户使用Jupyterlab

一、安装docker

1、安装
curl -fsSL https://get.docker.com | bash -s docker --mirror Aliyun
  • 1.
2、配置
# 重启docker
systemctl restart docker 

# 设置docker为开机自启动
systemctl enable docker
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.

二、拉取镜像并创建容器

1、拉取镜像
docker pull debian:latest
  • 1.
  • debian:latest 是 Debian 官方在 Docker Hub 上维护的镜像标签。
  • latest 默认指向 Debian 当前最新的稳定版(stable)，例如 Debian 12(bookworm)或 Debian 11(bullseye)，具体取决于 Debian 官方的更新策略。
  • 这个镜像是 最小化基础镜像(minimal base image)，仅包含最基本的系统工具和库，适合作为构建其他镜像的基础。

举个例子：

截至今天(2025年8月16日)，debian:latest 很可能指向 Debian 12 "bookworm"，因为 Debian 12 是当前最新的稳定版(发布于2023年6月)，除非 Debian 13 已经发布并成为新的 stable。

2、创建容器
docker run -itd --hostname=jupyterhub -v /etc/jupyterhub:/etc/jupyterhub --name=jupyterhub --restart=always -p 8000:8000 debian
  • 1.

　　此处使用debian作为基本镜像进行搭建，也可以使用ubuntu和centos等镜像，对外暴露端口号为8000，若有端口冲突，可改为其他端口，jupyterlab服务运行在容器的8000端口上。

3、进入容器

创建完成后进入容器，接下来的众多命令均在容器内执行：

docker exec -it jupyterhub /bin/bash
  • 1.

三、安装必要的包

1、更新软件源
apt-get update -y && apt-get upgrade -y && apt-get autoremove -y
  • 1.

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker

 # 如果速速很慢，国外源的问题，可以尝试先修改源

# 1) 把官方源换成清华镜像(debian bookworm 为例)
sed -i 's|http://deb.debian.org|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list
sed -i 's|http://security.debian.org|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list
  • 1.
  • 2.
  • 3.

# 1. 把 https 换成 http(临时)
sed -i 's|https://mirrors.tuna.tsinghua.edu.cn|http://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list

# 2. 更新索引并安装缺失的包
apt-get update -y
apt-get install -y ca-certificates openssl

# 3. 再把 http 换回 https(永久)
sed -i 's|http://mirrors.tuna.tsinghua.edu.cn|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list

# 4. 后续正常更新
apt-get update -y && apt-get upgrade -y && apt-get autoremove -y

服务器部署notebook+xedu+机器学习编程环境多用户登录_bash_02

2、安装软件
apt-get install vim procps wget -y
  • 1.

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_03

四、安装Miniconda3

1、获取下载地址

下载地址： Miniconda3清华镜像站下载

选择较新版本，复制链接，

服务器部署notebook+xedu+机器学习编程环境多用户登录_添加用户_04

  Miniconda3-py310_22.11.1-1-Linux-x86_64.sh

  https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py310_22.11.1-1-Linux-x86_64.sh

2、下载并安装
# 下载
## wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py39_4.12.0-Linux-x86_64.sh
  • 1.
  • 2.
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py310_22.11.1-1-Linux-x86_64.sh
  • 1.
# 赋予可执行权限 
chmod +x ./Miniconda3-py310_22.11.1-1-Linux-x86_64.sh
  • 1.
  • 2.
# 执行安装
  • 1.
./Miniconda3-py310_22.11.1-1-Linux-x86_64.sh
  • 1.

服务器部署notebook+xedu+机器学习编程环境多用户登录_bash_05

 回车，空格到询问 yes 这里，输入 yes

服务器部署notebook+xedu+机器学习编程环境多用户登录_添加用户_06

修改路径

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_07

服务器部署notebook+xedu+机器学习编程环境多用户登录_bash_08

 执行安装后，有几点注意：
  •  刚执行的时候是服务条款，一路按Enter，然后要输入的时候输入yes即可；
  •  接下来会让确认路径，默认为~/miniconda3，不要装在root用户目录下，建议装在/opt/miniconda3目录下，装root目录下之后会出现很多问题；
  •  最后询问是否初始化，选择yes；
  • 安装完成后可删除安装包，以节省硬盘空间
3、验证是否安装成功

安装完成后重启终端，然后再进去，再进入发现终端(base)开头，说明安装成功

验证一下

# 重新加载 shell 环境
source /root/.bashrc

# 看版本
conda --version
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.

服务器部署notebook+xedu+机器学习编程环境多用户登录_添加用户_09

五、安装nodejs和npm

nodejs和npm可以使用apt-get包管理工具进行安装:

apt install nodejs npm -y
  • 1.

但版本可能不是很新，以下提供另一种安装方法：

1、下载

node.js中文官网： 下载 | Node.js 中文网 (nodejs.cn)

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_10

  https://npmmirror.com/mirrors/node/v22.18.0/node-v22.18.0-linux-x64.tar.xz

访问界面，选择Linux 二进制文件 (x64)，右键复制链接

返回终端，下载：

wget https://npmmirror.com/mirrors/node/v22.18.0/node-v22.18.0-linux-x64.tar.xz
  • 1.

　　解压：

tar -xvf ./node-v16.17.0-linux-x64.tar.xz
  • 1.

　　移动并重命名

mv node-v16.17.0-linux-x64/ /opt/nodejs
  • 1.
2、配置环境变量
vim /etc/bash.bashrc
  • 1.

　　追加以下内容：

#set for nodejs
export NODE_HOME=/opt/nodejs
export PATH=$NODE_HOME/bin:$PATH
  • 1.
  • 2.
  • 3.

　　使环境变量立即生效

source /etc/bash.bashrc
  • 1.
3、验证

nodejs和npm安装完成，使用以下命令进行验证

node -v # 查看node.js版本
npm -v  # 查看npm版本
  • 1.
  • 2.

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_11

六、配置镜像源

npm、pip和conda的软件源都是国外的，在国内访问比较慢，换源有利于提高下载速度。

1、npm换源
npm config set registry http://registry.npmmirror.com  # npm换淘宝源
  • 1.
2、pip换源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple # pip换清华源
  • 1.
3、conda换源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/   
conda config --set show_channel_urls yes
  • 1.
  • 2.

把 free 源和 msys2 源删掉(conda ≥ 4.7 后这两个基本没用)

conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --remove channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2
  • 1.
  • 2.

七、时区设置

不设置时区后续可能会出现一些问题。

终端执行：

dpkg-reconfigure tzdata
  • 1.

 选择时区时选择Asia/Shanghai

 城市

八、安装jupyter相关的库

1、需要npm安装的
npm install -g configurable-http-proxy
  • 1.
2、需要conda安装的
pycurl
  • 1.

这里需要大内存；；------------------------  

conda install pycurl
  • 1.

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_14

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_15

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_16

pycurl必须用conda装，用pip装会报错，或用源码编译安装，没有pycurl就会导致普通用户无法开启jupyterlab

  • pycurl 是 Python 对 libcurl 的封装，用来给 JupyterHub 提供 高性能 HTTP/HTTPS 客户端 能力(JupyterHub 内部用它做代理、API 调用、Spawner 与 Hub 通信等)。
  • 安装包本身并不大：
  • Linux x86_64 wheel 只有 ≈ 250 kB。
  • 但它依赖 libcurl 及 openssl 等系统库，Conda 会一次性把兼容版本一起拉下来，所以 下载量可能达到 5-10 MB。
  • 真正让你觉得“卡死”的原因通常不是包大小，而是 网络 + 依赖解析：

为什么看起来“卡”

  1. 依赖解析阶段
    Conda 要先算一遍 环境与依赖约束，这一步在容器/低配机器上 CPU 占用高，看起来像假死，其实后台在算。
  2. 清华源 TLS 握手慢
    如果刚装完 ca-certificates，但网络到 TUNA 的 TLS 握手偶尔延迟高，也会出现长时间停顿。
  3. 没有进度条
    旧版 Conda 在解析阶段不显示任何输出，所以 几分钟没动静 会让人误以为死机。

如何缓解

  • 第一次耐心等 3-5 分钟，别反复 Ctrl-C。
  • 换用 mamba(conda 的 C++ 实现，解析快很多)：

离线安装

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/linux-64/mamba-1.5.8-py310h51d5547_0.conda
conda install ./mamba-1.5.8-py310h51d5547_0.conda
  • 1.
  • 2.
condainstall -n base mamba -c conda-forge
mamba install pycurl
  • 1.
  • 2.

micromamba(跳过索引)

如果你机器内存小，micromamba 不会解析大索引，速度更快：

# 下载并解压
wget -qO- https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/linux-64/micromamba-1.5.8-0.tar.bz2 | tar -xj bin/micromamba
mv bin/micromamba /usr/local/bin/

# 安装 pycurl / mamba 任意包
micromamba install pycurl -c conda-forge -y
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
3、需要pip安装的
pip install jupyterlab jupyterhub jupyterhub-idle-culler autopep8 pycodestyle mccabe pycodestyle pydocstyle pyflakes pylint rope yapf whatthepatch
  • 1.

解释一下安装的包的含义：

  • jupyterlab：jupyter notebook环境
  • jupyterhub：jupyterhub主体程序
  • jupyterhub-idle-culler：用于处理用户空闲进程

九、配置jupyterhub

1、生成配置文件
jupyterhub --generate-config -f /etc/jupyterhub/jupyterhub_config.py
  • 1.
2、编辑配置文件
vim /etc/jupyterhub/jupyterhub_config.py
  • 1.

将以下内容追加到配置文件/etc/jupyterhub/jupyterhub_config.py中

import sys

c.Authenticator.admin_users = {'root'}  # 管理员用户
# 管理员是否有权在各自计算机上以其他用户身份登录，以进行调试，此选项通常用于 JupyterHub 的托管部署，以避免在启动服务之前手动创建所有用户
c.JupyterHub.admin_access = True
c.PAMAuthenticator.open_sessions = False # 解决多用户同时登录问题。
c.Spawner.args = ['--allow-root']  # 允许root用户使用
c.LocalAuthenticator.create_system_users = True  # 允许创建其他用户
c.Spawner.notebook_dir = '~'  # 设置工作目录
c.Spawner.default_url = '/lab'

c.JupyterHub.extra_log_file = '/etc/jupyterhub/jupyterhub.log' # 指定额外的日志
c.JupyterHub.pid_file='/etc/jupyterhub/jupyterhub.pid' # 指定pid文件位置
c.JupyterHub.db_url='/etc/jupyterhub/jupyterhub.sqlite' # 指定数据库文件位置
c.JupyterHub.cookie_secret_file='/etc/jupyterhub/jupyterhub_cookie_secret'  # 指定cookie_secret文件位置
c.ConfigurableHTTPProxy.pid_file='/etc/jupyterhub/jupyterhub-proxy.pid' # 设置proxy.pid文件位置


# 设置用户一小时内无使用则关闭jupyterlab服务
c.JupyterHub.services = [
    {
        'name': 'idle-culler',
        'command': [sys.executable, '-m', 'jupyterhub_idle_culler', '--timeout=1800'],
    }
]

c.JupyterHub.load_roles = [
    {
        "name": "list-and-cull",  # name the role
        "services": [
            "idle-culler",  # assign the service to this role
        ],
        "scopes": [
            # declare what permissions the service should have
            "list:users",  # list users
            "read:users:activity",  # read user last-activity
            "admin:servers",  # start/stop servers
        ],
    }
]
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.
  • 21.
  • 22.
  • 23.
  • 24.
  • 25.
  • 26.
  • 27.
  • 28.
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 36.
  • 37.
  • 38.
  • 39.
  • 40.

十、启动

(1)正常启动

创建启动脚本：

vim /etc/jupyterhub/start_jupyterhub.sh
  • 1.

　　写入以下内容：

nohup jupyterhub -f /etc/jupyterhub/jupyterhub_config.py > /dev/null 2>&1 &
  • 1.

　　赋予可执行权限：

chmod +x /etc/jupyterhub/start_jupyterhub.sh
  • 1.

　　然后执行脚本启动jupyterhub

/etc/jupyterhub/start_jupyterhub.sh
  • 1.
(2)设置开机自启动

若每次启动都需要手动运行脚本来启动是在太麻烦，所以我们将脚本添加到容器的自启动中，让其随着容器的启动而启动。

容器在启动时，会先执行/root/.bashrc文件，我们将要执行的脚本加入其中即可实现jupyterhub随容器的启动而启动

vim /root/.bashrc
  • 1.

　　添加以下内容：

if [ -f /etc/jupyterhub/start_jupyterhub.sh ]; then
      /etc/jupyterhub/start_jupyterhub.sh
fi
  • 1.
  • 2.
  • 3.

添加完成后，我们可以退出容器，然后让容器重启，看重启后jupyterhub是不是自动启动了

退出 docker

exit 

# 重启容器
docker resatrt jupyterhub

十一、访问

1、进入容器

创建完成后进入容器，接下来的众多命令均在容器内执行：

docker exec -it jupyterhub /bin/bash
  • 1.
1、设置容器 root 密码

在访问前先设置密码，root用户为管理员，docker中的root用户默认是没有密码的，需要我们设置一个：

passwd root
  • 1.

服务器部署notebook+xedu+机器学习编程环境多用户登录_添加用户_18

确认 root 允许登录
容器默认允许 root 登录，但如果你改过 sshd_config 或 pam 配置，就可能被禁用。
临时测试可以：

grep root /etc/shadow
  • 1.
2、登录

然后再进行登录

查看登录日志

tail -f /etc/jupyterhub/jupyterhub.log
  • 1.
让 root 重新出现在白名单

编辑配置文件 /etc/jupyterhub/jupyterhub_config.py，确认并追加：

# 如果文件里已有，就改；没有就加在最后
c.Authenticator.admin_users = {'root'}          # 管理员
c.Authenticator.allowed_users = {'root'}        # 允许登录
  • 1.
  • 2.
  • 3.
 重启 JupyterHub 使配置生效
# 先停掉旧进程
pkill -f jupyterhub

# 再启动
/etc/jupyterhub/start_jupyterhub.sh
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.

然后再进行登录

用户登录：http://IP:8000/hub/login
用户管理：http://IP:8000/hub/admin
  • 1.
  • 2.

服务器部署notebook+xedu+机器学习编程环境多用户登录_bash_20

登录的密码是你系统用户的密码。若是要添加用户，在用户管理界面添加用户后，还需要在系统终端中修改密码。

登录界面：

登陆后的jupyterlab界面：

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_21

十二、用户管理

1、单个或较少用户管理
(1)添加用户

使用root账户登录管理界面，然后点击Add Users添加用户，添加用户时候，每一行一个用户。可选择Admin设置添加的用户是否是管理员

服务器部署notebook+xedu+机器学习编程环境多用户登录_bash_22

添加后的界面如下：

服务器部署notebook+xedu+机器学习编程环境多用户登录_bash_23

(2)修改用户

添加用户后，可以点击Edit User进行用户的删除、修改用户名和赋予管理员权限等操作。

(3)修改和设置用户密码

jupyterhub无法在管理界面设置密码，设置密码需要在终端中进行设置。在jupyterhub终端中添加的用户，将被默认添加到系统用户中，并在/home文件夹下生成相应的用户目录：

查看用户

ls /home/
  • 1.

服务器部署notebook+xedu+机器学习编程环境多用户登录_bash_25

因此，修改密码需要在终端中使用passwd命令来修改密码：

  • root用户可直接使用passwd 用户名来修改密码，且修改密码不需要知道当前的密码：

服务器部署notebook+xedu+机器学习编程环境多用户登录_添加用户_26

2、多用户批量管理

当需要有大量添加大量用户时，我们就需要使用chpasswd命令来批量修改密码

(1)添加用户

首先在管理面板中批量添加用户

服务器部署notebook+xedu+机器学习编程环境多用户登录_bash_27

(2)批量修改密码

然后将用户名和密码对应，写成用户名:密码的形式，存储在文件中，如存储在passwd.txt文件中，文件内容如下所示：

lab01:3200201137
lab02:3200204233
lab03:3190707121
lab04:3200201232
lab05:3201902211
lab06:3200209116
lab07:3211902229
lab08:3211901113
lab09:3190113205
lab10:3210204416
lab11:3210204328
lab12:3210204326
lab13:3210204314
lab14:3210204428
lab15:3210201309
lab16:3200204317
lab17:3201901231
lab18:3201901103
lab19:3201901107
lab20:3210201225
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.
  • 17.
  • 18.
  • 19.
  • 20.

然后在终端执行以下命令，即可完成用户密码的批量修改

chpasswd < passwd.txt

chpasswd < passwd.txt
  • 1.

这样添加的用户就可以通过用户名和设置的密码来访问了

十三、jupyterlab功能扩展
jupyterhub是用来管理多用户使用jupyterlab，但我们实际去写代码的界面其实还是jupyterlab。初始的jupyterlab功能十分有限，没有代码提示和自动补全、没有代码自动保存、没有代码格式化，所以我们需要通过安装插件来补全这些功能。jupyterlab插件有很多，这里介绍几个常用的。

1、中文界面

默认的jupyterlab是英文界面，我们需要安装插件来中文化

pip install jupyterlab-language-pack-zh-CN
  • 1.

服务器部署notebook+xedu+机器学习编程环境多用户登录_添加用户_28

安装后需要配置

管理员的页面 

 http://ip:8000/user/root/lab

服务器部署notebook+xedu+机器学习编程环境多用户登录_bash_29

2、自动保存

自动保存功能不需要安装插件，且jupyterlab是开启的，但jupyterlab中自动保存间隔是120秒，我们需要修改这个值。

  • 依次打开设置->高级设置编辑器->JSON设置编辑器

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_30

  • 然后添加自己的设置

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_31

3、自动闭合括号

设置->笔记本，勾选自动闭合括号

服务器部署notebook+xedu+机器学习编程环境多用户登录_docker_32

4、代码格式化

jupyterlab_code_formatter

# 安装插件
pip install jupyterlab_code_formatter
# 安装格式化工具
pip install black isort
  • 1.
  • 2.
  • 3.
  • 4.

该插件安装后需要重启才生效。

当我们写完代码后，点击如图所示的图标，代码就会被自动格式化：

5、树目录

jupyterlab-unfold

pip install jupyterlab-unfold
  • 1.
6、绘制可交互图

jupyterlab-matplotlib

pip install ipympl
  • 1.

　　该插件安装后，使用matplotlib绘图时只要加上以下代码，即可绘制可交互的图像：

%matplotlib widget
  • 1.

绘制的效果如下，可以点击图中的点查看对应数值，以及放大缩小图像等：

7、代码补全和自动提示
pip install jupyterlab-lsp python-lsp-server
  • 1.

安装后重启，重启完成后进入到jupyterlab界面，然后进行设置。

进入设置，选择Code Completion，勾选Continuous hinting后刷新界面即可

效果如下，和Pycharm等IDE提供的代码提示类似：

8、代码执行时间
pip install jupyterlab_execute_time
  • 1.

　　如图所示，可以看到上次执行代码的时间和执行耗时：

9、绘制流程图

pip install ipydrawio

 安装重启后，在开始页，可以看到增加了两个选项，点击可以创建绘图

 创建的绘图界面如下，和drawio相似，其实就是drawio的jupyterlab插件：

10、多用户设置同步问题
当我们安装完插件后，需要进行一些设置才能够使用，但配置后我们发现只有当前用户可以使用，其他用户并没有进行配置。这是因为每个用户配置后相应的配置文件均保存在~/.jupyter文件夹下，若我们需要多个用户同时进行某项配置时，最简单的办法是直接使用配置好的用户的.jupyter文件夹替换要配置用户的文件夹即可，那样所有用户的配置都一样了。

值得注意的是，替换文件夹后要配置相应的权限，以免替换后被替换的用户无法访问配置文件而无法加载。最简单的方法是以下设置:

chmod -R 777 ~/.jupyter
  • 1.
  • 当用户成百上千的时候，这么替换也属实麻烦，可以编写python或shell脚本去实现替换，以加快效率

十四、解决终端无法正常显示中文

1、安装locales
apt-get install locales -y
  • 1.
2、添加配置
dpkg-reconfigure locales
  • 1.

　　选择zh_CN.UTF-8 UTF-8

3、查看语言设置
locale
  • 1.

一键修复(两条命令即可)

# 1. 把 zh_CN.UTF-8 设为默认
update-locale LANG=zh_CN.UTF-8 LC_ALL=zh_CN.UTF-8

# 2. 重新加载 shell 环境
source /etc/default/locale
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.

当前 shell 没有继承 /etc/default/locale，
Debian 容器里默认的 /bin/sh -> dash 并不会自动读取它。
手动 source 也不行，是因为：

  1. dash 不认识 LANG=xxx 这种 Bash 语法；
  2. 容器启动时并没有执行 login / pam_env，所以所有变量都是空的。
# 1. 直接在当前 shell 里导出
export LANG=zh_CN.UTF-8
export LC_ALL=zh_CN.UTF-8

# 2. 验证
locale
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.

 若不是，可以添加环境变量

export LANG=zh_CN.UTF-8
  • 1.

 追加到/etc/bash.bashrc文件中，然后再使其生效

source /etc/bash.bashrc
  • 1.
4、效果

设置完成后重新打开终端，设置成功

原来的显示

 现在的显示

十五、解决matplotlib绘图异常

1、问题描述

matplotlib绘图代码如下：

import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.family'] = ['sans-serif']
plt.rcParams['font.sans-serif'] = ['SimHei']

x=np.linspace(-np.pi,np.pi)
y1=np.sin(x)
y2=np.cos(x)
plt.title("常见三角函数")
plt.plot(x,y1,x,y2)
plt.show()
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.

　　报错：

Font family [‘sans-serif‘] not found.Falling back to DejaVu Sans
  • 1.

 原因：系统中缺少SimHei字体

2、问题解决
(1)获取matplotlib的字体目录
pip install matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple
  • 1.

import matplotlib
print(matplotlib.matplotlib_fname())

/opt/miniconda3/lib/python3.10/site-packages/matplotlib/mpl-data/matplotlibrc
  • 1.
(2)打开字体目录

由上一步获取的地址修改得到

(2)打开字体目录

由上一步获取的地址修改得到

cd /opt/miniconda3/lib/python3.10/site-packages/matplotlib/mpl-data/fonts/ttf
  • 1.
3)下载SimHei字体

下载地址：https://www.fontpalace.com/font-download/SimHei/

下载后复制到上一步得到的字体目录

(4)清除matplotlib缓存

将服务器文件 复制到 容器

# 语法：docker cp <本地文件> <容器名>:<容器内绝对路径>
docker cp ./SimHei.ttf jupyterhub:/opt/miniconda3/lib/python3.10/site-packages/matplotlib/mpl-data/fonts/ttf/
  • 1.
  • 2.

进入容器

docker exec -it jupyterhub /bin/bash
  • 1.
(4)清除matplotlib缓存
# 先获取缓存路径
import matplotlib
matplotlib.get_cachedir()
  • 1.
  • 2.
  • 3.
'/root/.cache/matplotlib'
  • 1.
# 清除缓存
rm -rf /root/.cache/matplotlib
  • 1.
  • 2.
(5)修改配置文件

配置文件即第一步获取的文件

在 容器里 执行：

python -c "import matplotlib; print(matplotlib.matplotlib_fname())"
  • 1.

 这个地址是python地址版本和自己对应

vim /opt/miniconda3/lib/python3.10/site-packages/matplotlib/mpl-data/matplotlibrc
  • 1.

　　修改的几处如下：

# 删除前面的#号
font.family:  sans-serif

# 删除前面的#号，并在后面添加SimHei
font.serif:    SimHei, DejaVu Serif, Bitstream Vera Serif, Computer Modern Roman, New Century Schoolbook, Century Schoolbook L, Utopia, ITC Bookman, Bookman, Nimbus Roman No9 L, Times New Roman, Times, Palatino, Charter, serif

# 将True盖为False
axes.unicode_minus: False
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
(6)重启

重启后再运行没问题了

十六、内存占用问题
用户每打开一个Notebook文件，系统就会开始一个jupyter notebook内核进程，用户退出后进程不会自动终止；

jupyterhub虽然可以自动释放资源，但并不会释放jupyter notebook内核进程；

当多个用户访问后，内存一直在增加，没有得到释放；

暂时没有好的解决方法，只能够让jupyterhub容器定时重启；

我们使用Linux中的crontab命令设置定时重启jupyterhub容器，crontab是Linux系统下用于执行定时任务的一个工具，用法可以自行百度。

crontab -e
  • 1.

Debian 基础镜像为了瘦身，默认不带 cron / crontab。

apt-get update && apt-get install -y cron
  • 1.

添加以下字段：

30 2 * * * docker restart jupyterhub
  • 1.
  • 此字段指定每天凌晨2点30分重启jupyterhub容器 

 进入容器 安装 xedu环境

docker exec -it jupyterhub /bin/bash
  • 1.
XEdu-python==0.2.3
MMEdu==0.1.28
BaseML==0.1.5
BaseNN==0.3.1
BaseDT==0.1.3
easy-xedu==0.2.3
BaseDeploy==0.0.4
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 公共环境(common)里一次性装好你列出的那些库；
  • JupyterHub 默认把它作为“模板”，每个用户第一次登录时 自动克隆 到自己的独立环境；
  • 之后用户自己在自己的环境里随意增删包，互不干扰。

下面给你一条命令 + 一段配置，10 分钟搞定。

1. 在容器里创建公共环境并装好所有库

source /opt/miniconda3/etc/profile.d/conda.sh

# 创建公共环境(一次性装好你列出的全部包)
conda create -n common python=3.10 \
  XEdu-python==0.2.3 MMEdu==0.1.28 BaseML==0.1.5 BaseNN==0.3.1 BaseDT==0.1.3 \
  easy-xedu==0.2.3 BaseDeploy==0.0.4 \
  numpy pandas matplotlib scikit-learn jupyterlab -y
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.

正确做法(两步)

  1. 先创建公共环境(只装 conda 能解决的包)
source /opt/miniconda3/etc/profile.d/conda.sh
conda create -n common python=3.10 numpy pandas matplotlib scikit-learn jupyterlab -y
conda activate common
  • 1.
  • 2.
  • 3.

先装一个可用的 PyTorch(如 1.13.1)：

pip install torch==1.13.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
  • 1.

再用 pip 装 XEdu 系列包

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple \
  XEdu-python==0.2.3 MMEdu==0.1.28 BaseML==0.1.5 BaseNN==0.3.1 \
  BaseDT==0.1.3 easy-xedu==0.2.3 BaseDeploy==0.0.4
  • 1.
  • 2.
  • 3.

 https://pytorch.org/get-started/previous-versions/

2. 修改 JupyterHub 配置，实现「首次登录自动克隆」

编辑 /etc/jupyterhub/jupyterhub_config.py，追加以下内容：

# 公共环境名称
COMMON_ENV = 'common'

# 每个用户首次登录时，自动复制公共环境到自己的独立环境
c.Spawner.pre_spawn_hook = lambda spawner: (
    spawner.run_command([
        '/opt/miniconda3/bin/conda', 'create', '--clone', COMMON_ENV,
        '-n', spawner.user.name, '-y'
    ]) if COMMON_ENV not in spawner.run_command([
        '/opt/miniconda3/bin/conda', 'env', 'list'
    ])[0] else None
)

# JupyterHub 启动时使用该用户自己的环境
c.Spawner.conda_env = '{username}'
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.

3. 重启 JupyterHub

pkill -f jupyterhub
/etc/jupyterhub/start_jupyterhub.sh
  • 1.
  • 2.

5. 额外说明

  • 升级公共库：只需在 common 环境里 conda update xxx，不会污染已克隆的个人环境。
  • 重置个人环境：管理员可 conda remove -n alice --all，用户下次登录会重新克隆。

一句话总结

用 conda create -n common … 装好库 → 配置 pre_spawn_hook → 重启 JupyterHub，
用户首次登录即拥有独立、已预装 XEdu 系列库的环境，互不干扰。

# 服务器 # 运维
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

cover

宇树科技科创板IPO注册获批

avatar DAMO开发者矩阵

PPO- BipedalWalkerHardcore-v3

作为 Gym 中最硬核的机器人控制任务之一，BipedalWalkerHardcore-v3 对强化学习算法的鲁棒性提出了严峻考验。其训练曲线在后期呈现明显的高方差特性，这也使其成为剖析 PPO 参数细节与调试策略的理想案例。我们将以此为切入点，记录一次完整的调参与优化实战。

avatar DAMO开发者矩阵
cover

NSK超长行程高导程滚珠丝杠技术手册

avatar DAMO开发者矩阵
  • 浏览量 451
  • 收藏 0
  • 0

所有评论(0)

查看更多评论 

大G哥

@Java_fenxiang
已为社区贡献7条内容