【1】Ubuntu环境下AI学习与实践计划（适配SRE背景+有深度学习基础）

Yking
7 阅读12分钟

Ubuntu环境下AI学习与实践计划（适配SRE背景+有深度学习基础）

核心思路：立足你19-22年研究生期间的深度学习基础（模型训练、平台开发），结合近几年SRE工作的运维、部署优势，避开“从头学基础”的冗余，聚焦「本地可落地、与SRE能力联动、贴合你已知的AI工具（Deepseek、GLM等）」，分3个阶段推进，每个阶段均以“理论回顾+本地实践”结合，全程使用Ubuntu电脑，不依赖超算或高配置GPU（可根据电脑配置灵活调整模型规格）。

前提说明：你的Ubuntu系统已重装，优先完成基础环境搭建（适配AI学习），充分利用你对Deepseek、GLM、Agent等工具的初步了解，重点突破“从认知到实操”“从基础模型到工程化落地”，同时结合SRE技能，打造“AI+运维”的差异化优势。

第一阶段：基础环境搭建+核心知识回顾（1-2周，快速上手，唤醒基础）

目标：完成Ubuntu系统AI学习基础环境部署，回顾深度学习核心知识点，快速上手你已知的开源大模型（Deepseek、GLM），实现“本地运行第一个AI模型”，衔接研究生时期的技术储备。

1. 本地环境搭建（Ubuntu专属，贴合SRE运维习惯）

利用你SRE工作中对系统部署、环境配置的经验，快速完成基础环境搭建，重点适配开源大模型本地部署需求，步骤简洁可落地。以下为完整环境搭建命令脚本（可直接复制到终端执行，标注部分需根据自身电脑配置调整）：

#!/bin/bash
# 第一阶段AI学习环境搭建完整脚本（Ubuntu专属，conda环境管理版）
# 作者：适配SRE背景+深度学习基础，可直接复制终端执行

# 1. 更换Ubuntu国内源（清华源），提升下载速度（贴合SRE环境优化习惯）
sudo sed -i 's|http://.*.ubuntu.com|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list

# 2. 更新系统软件包，确保依赖兼容
sudo apt update && sudo apt upgrade -y

# 3. 安装核心基础依赖（构建工具、版本控制、网络工具、Docker）
sudo apt install -y build-essential git curl wget docker.io docker-compose

# 4. 安装Miniconda（conda环境管理核心，轻量化，适配本地环境）
# 下载Miniconda安装包（清华源，加速下载）
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda.sh
# 执行安装（默认安装路径，回车确认，输入yes同意协议）
bash ~/miniconda.sh -b -p ~/miniconda
# 配置conda环境变量，使其立即生效
echo 'export PATH="$HOME/miniconda/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc
# 验证conda安装成功
conda --version

# 5. 配置conda国内源（清华源），加速包下载（贴合SRE环境优化习惯）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --set channel_priority strict
conda config --set show_channel_urls yes

# 6. 创建AI专用conda环境（避免环境冲突，符合SRE规范，环境名：ai-env，可自定义）
conda create -n ai-env python=3.10 -y
# 激活conda环境（执行后终端会显示(ai-env)标识）
conda activate ai-env

# 7. 安装AI核心依赖库（模型运行、部署、交互必备，conda/pip结合安装，适配conda环境）
conda install -y pytorch torchvision transformers sentencepiece accelerate -c pytorch
pip install --upgrade pip && pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip install ollama langchain

# 8. （可选）NVIDIA显卡用户安装CUDA，提升模型运行速度（无GPU可跳过）
echo "若你的电脑有NVIDIA显卡，可执行以下命令安装CUDA；无GPU请直接跳过此步骤"
read -p "是否安装CUDA？(y/n)：" cuda_choice
if [ "$cuda_choice" = "y" ] || [ "$cuda_choice" = "Y" ]; then
    sudo ubuntu-drivers autoinstall
    echo "CUDA相关驱动安装完成，重启电脑后生效"
    # 配置conda环境CUDA关联（可选，确保pytorch调用GPU）
    conda install -y cudatoolkit -c pytorch
fi

# 9. 配置Docker服务（容器化部署大模型必备，贴合SRE容器化运维能力）
sudo systemctl start docker  # 启动Docker服务
sudo systemctl enable docker # 设置Docker开机自启
sudo usermod -aG docker $USER  # 授予当前用户Docker操作权限（无需sudo）
echo "Docker环境配置完成，重启电脑后权限生效"

# 脚本执行完成提示
echo "========================================"
echo "AI基础环境搭建脚本执行完成！"
echo "注意事项："
echo "1. 若执行过程中提示权限不足，确保当前用户有sudo权限"
echo "2. Docker权限需重启电脑后生效，重启后可直接使用docker命令"
echo "3. conda环境每次使用前需执行：conda activate ai-env（环境名可自定义）"
echo "4. 若conda命令无法使用，执行：source ~/.bashrc 刷新环境变量"
echo "5. 无GPU用户无需安装CUDA，后续运行轻量化模型即可"
echo "6. 如需删除conda环境，执行：conda remove -n ai-env --all -y"
echo "========================================"

脚本使用说明：将上述脚本复制到Ubuntu终端，逐行执行（或保存为.sh文件，赋予执行权限后运行），执行过程中根据提示完成Miniconda安装（默认路径即可，回车确认、输入yes同意协议），根据提示选择是否安装CUDA（无GPU直接输入n跳过）。重启电脑后Docker权限生效，conda环境每次使用前需执行激活命令，若conda命令无法使用，执行source ~/.bashrc刷新环境变量即可。

  • 基础依赖安装：执行命令安装核心工具，换国内源提升速度（贴合SRE环境优化习惯）
sudo sed -i 's|http://.*.ubuntu.com|https://mirrors.tuna.tsinghua.edu.cn|g' /etc/apt/sources.list
sudo apt update && sudo apt upgrade -y
sudo apt install -y build-essential git curl wget docker.io docker-compose
  • conda环境配置（核心替换原虚拟环境）：安装Miniconda并创建AI专用环境（避免环境冲突，符合SRE规范）
# 下载并安装Miniconda（清华源加速）
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda.sh
bash ~/miniconda.sh -b -p ~/miniconda
# 配置环境变量并生效
echo 'export PATH="$HOME/miniconda/bin:$PATH"' >> ~/.bashrc
source ~/.bashrc
# 配置conda国内源，加速包下载
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set channel_priority strict
# 创建并激活AI专用环境（环境名ai-env，可自定义）
conda create -n ai-env python=3.10 -y
conda activate ai-env
  • 核心库安装：聚焦开源大模型部署、深度学习基础，适配conda环境安装必备库（衔接研究生时期的技术栈）
# conda安装核心深度学习库（适配conda环境，稳定性更高）
conda install -y pytorch torchvision transformers sentencepiece accelerate -c pytorch
# pip安装其余依赖（conda暂未收录或更新较慢的包）
pip install --upgrade pip && pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip install ollama langchain
# （若电脑有NVIDIA显卡，额外安装CUDA及关联依赖：sudo ubuntu-drivers autoinstall && conda install -y cudatoolkit -c pytorch，提升模型运行速度；无GPU则用CPU，适配轻量化模型）
  • Docker环境配置：开启Docker服务（后续用于容器化部署Deepseek、GLM等模型，贴合SRE容器化运维能力）
sudo systemctl start docker && sudo systemctl enable docker
sudo usermod -aG docker $USER（重启后生效，无需sudo即可操作Docker）

2. 核心知识回顾（精准唤醒，不做冗余学习）

无需重新学深度学习基础，重点回顾与当前AI发展衔接的知识点，结合你已知的工具，快速衔接：

  • 深度学习核心回顾：重点回顾Transformer架构（当前大模型核心）、模型训练流程、模型量化（适配本地电脑低配置），结合你研究生时期的超算模型训练经验，对比当前开源大模型（Deepseek、GLM）与当年模型的差异（重点看轻量化、部署便捷性）。

  • 开源大模型认知：梳理你已知的工具（Deepseek、GLM、Anthropic等），重点区分“开源可本地部署”（Deepseek、GLM）与“闭源需API调用”（Anthropic Claude、扣子），优先聚焦前者（适配本地实践）。

  • SRE与AI的联动点：思考SRE技能在AI学习中的优势——容器化部署、环境监控、故障排查，后续可落地“AI模型运维”“智能运维（AIOps）”，提前铺垫差异化方向。

3. 本地小实践（落地性强，快速建立信心）

聚焦“简单可运行”，利用Ollama工具快速部署你已知的Deepseek模型，完成首次本地AI交互，唤醒技术手感：

  • Ollama部署Deepseek：一条命令完成部署（适配Ubuntu，操作简洁，贴合SRE高效部署习惯）
curl -fsSL ollama.com/install.sh | sh  # 安装Ollama
       
ollama run deepseek-r1:8b  # 下载并运行轻量化Deepseek模型（8B参数，CPU可运行，GPU更流畅）

  • 基础交互测试：在终端与Deepseek对话，测试简单指令（如“解释Transformer架构”“写一段Ubuntu系统运维脚本”），验证模型运行正常，同时熟悉模型交互逻辑。

  • 简单优化实践：结合SRE运维经验，修改Ollama配置（如调整监听IP、设置服务自启动），实现“模型后台稳定运行”，练习基础的模型运维操作。

第二阶段：开源大模型深度实践+工具联动（3-4周，核心阶段，强化实操）

目标：熟练掌握本地开源大模型（Deepseek、GLM）的部署、优化与应用，联动你已知的Agent、LangChain等工具，完成简单的AI应用开发，同时结合SRE技能，实现模型的容器化部署与监控。

1. 开源大模型进阶实践（Deepseek+GLM，重点突破）

  • Deepseek深度部署：基于Docker容器化部署Deepseek，搭配Open WebUI打造可视化界面（提升操作便捷性，贴合SRE容器化运维能力）
# 拉取Open WebUI镜像
        
docker pull ghcr.io/open-webui/open-webui:main
        
# 启动容器，映射端口，实现可视化访问

mkdir /opt/openwebui
        
docker run -d -p 8080:8080 --add-host=host.docker.internal:host-gateway -v /opt/openwebui:/app/backend/data --name deepseek-webui --restart always ghcr.io/open-webui/open-webui:main

访问http://本地IP:8080，创建管理员账号，关联已部署的Deepseek模型，实现浏览器可视化对话。

  • GLM模型部署：对比Deepseek，部署GLM-4-9B-Chat轻量化版本（本地CPU/GPU均可运行），练习模型切换、参数调优（如量化为INT4，降低显存/内存占用），对比两个模型的性能差异，加深对开源大模型的理解。

  • 模型优化实践：结合SRE性能优化经验，针对本地模型运行卡顿、响应慢的问题，做简单优化（如模型量化、内存限制、进程管理），同时学习模型日志查看、故障排查（如Ollama服务异常重启、Docker容器崩溃处理）。

2. 工具联动实践（LangChain+Agent，贴合你已知的工具）

利用你已知的Agent、LangChain等工具，联动本地大模型，完成简单的AI应用开发，实现“模型+工具”的协同，同时衔接SRE工作场景：

  • LangChain基础应用：使用LangChain对接本地Deepseek模型，实现简单的“文档问答”功能（如上传Ubuntu运维文档，让模型回答运维相关问题），练习文档解析、向量存储基础操作（可使用Milvus轻量化版本，适配本地环境）。

  • Agent入门实践：使用Hello-Agents轻量化框架（DataWhale开源，适配Ubuntu，无复杂硬件要求），搭建简单的“运维助手Agent”，实现“自动查询系统状态、生成运维脚本”等功能，贴合你的SRE工作场景。

# 确保已激活conda环境（conda activate ai-env）
# 克隆仓库并安装依赖（适配conda环境，避免依赖冲突）
git clone https://github.com/datawhalechina/hello-agents.git
cd hello-agents && pip install -r requirements.txt
# 配置环境变量，对接本地Deepseek模型，运行运维助手案例
  • 工具联动拓展：尝试结合你已知的Clawbot、Nano banana等工具，对接本地模型，实现简单的任务自动化（如Clawbot实现命令行交互，Nano banana实现轻量化文本处理），熟悉不同工具的协同逻辑。

3. SRE+AI联动实践（差异化优势打造）

结合你的SRE工作经验，将AI与运维结合，实现“智能运维”小场景落地，体现自身优势：

  • 模型运维监控：使用Prometheus+Grafana（SRE常用监控工具），监控本地部署的Deepseek、GLM模型，设置关键指标告警（如模型内存使用率、响应时间、服务可用性），练习AI模型的运维监控能力。

  • 简单AIOps实践：利用本地Deepseek模型，训练简单的“系统异常检测”模型（基于系统日志数据），实现“日志异常自动识别、简单故障提示”，衔接天翼云AI赋能SRE自治的实践思路，落地基础的智能运维场景。

第三阶段：综合项目落地+知识拓展（4-6周，巩固提升，形成能力闭环）

目标：完成一个综合AI项目（贴合SRE场景，可本地运行），拓展AI前沿知识，梳理完整的AI技术体系，实现“学习-实践-复盘”的闭环，同时为后续深入学习或职业拓展打下基础。

1. 综合项目落地（本地可运行，贴合自身优势）

推荐项目：《基于Deepseek的本地智能运维助手》，整合前两个阶段的知识，实现“容器化部署+可视化交互+运维场景适配”，全程在Ubuntu本地完成，难度适中，贴合你的SRE背景：

  • 项目核心功能： 1. 容器化部署Deepseek模型+Open WebUI可视化界面，支持浏览器交互； 2. 集成LangChain，实现Ubuntu运维文档问答、命令查询、故障排查提示； 3. 对接Prometheus监控数据，让模型分析系统运行状态，给出优化建议； 4. 实现服务自启动、日志监控、故障自动重启（结合SRE运维技能）。

  • 项目实施步骤：

  1. 梳理需求，搭建项目架构（Docker容器化，拆分模型服务、Web界面、监控服务）；
  2. 部署核心组件（Deepseek、Open WebUI、LangChain、Prometheus），完成组件联动（确保激活conda环境：conda activate ai-env，再安装相关依赖）；
  3. 适配运维场景，优化模型提示词，训练简单的运维知识库；
  4. 测试优化，解决部署、交互、监控中的问题（如端口冲突、模型响应慢、监控告警误报）；
  5. 复盘总结，整理项目文档，形成可复用的部署脚本（贴合SRE规范，包含conda环境激活、依赖安装步骤）。

2. 知识拓展（贴合前沿，不盲目跟风）

结合你已知的AI工具和行业动态，有针对性地拓展知识，避免碎片化学习，重点聚焦“可落地、与自身能力相关”的方向：

  • 开源大模型进阶：学习模型微调基础（使用LoRA技术，适配本地电脑，无需大量算力），尝试微调Deepseek模型，注入Ubuntu运维相关知识，提升模型在运维场景的适配性。

  • Agent与多模型协同：深入学习Hello-Agents框架，尝试搭建多Agent协作系统（如“运维助手Agent+文档解析Agent”），熟悉智能体的任务规划、工具调用逻辑。

  • AI工程化落地：学习AI模型的CI/CD流程（结合SRE的CI/CD经验），实现本地模型的自动化部署、版本管理，掌握模型迭代的运维方法。

  • 前沿动态跟踪：重点关注你已知的工具（Deepseek、GLM、Anthropic等）的更新动态，每周花1-2小时阅读技术文档、行业新闻，了解Agent、MCP等技术的最新落地场景，避免与行业脱节。

3. 复盘与优化（形成能力闭环）

  • 每周复盘：记录学习进度、实践中的问题（如模型部署失败、工具联动异常），结合SRE故障排查思路，整理解决方案，形成个人笔记。

  • 项目优化：根据综合项目的运行效果，优化模型性能、交互体验、监控体系，尝试添加新功能（如多模型切换、批量处理运维日志）。

  • 技能梳理：梳理“深度学习基础+开源大模型部署+AI工具应用+SRE运维”的核心能力，明确后续深入方向（如专注AIOps、大模型工程化等）。

补充说明（适配本地Ubuntu电脑，贴合你的情况）

  • 配置适配：若电脑CPU性能一般（无GPU），优先选择轻量化模型（如Deepseek-r1:8b、GLM-4-9B-Chat量化版），避免运行大参数模型导致卡顿；若有GPU，可尝试14B参数模型，提升交互体验。

  • 时间适配：结合工作节奏，每天投入1-2小时，周末集中进行实践操作（如容器化部署、项目开发），避免急于求成，重点保证“每一步实践都能落地”。

  • 资源推荐：优先使用你已知的工具文档（Deepseek、GLM官方文档），搭配Hello-Agents框架教程、Ubuntu AI环境部署文档，无需额外找冗余资源，聚焦“本地实践”。

  • 避坑提醒：部署过程中若遇到Docker容器冲突、模型下载失败等问题，利用SRE运维经验排查（如查看日志、检查端口、重启服务），同时参考开源社区的解决方案，高效解决问题。

整体规划周期约8-12周，循序渐进，既唤醒你研究生时期的深度学习基础，又结合SRE工作优势打造差异化，全程可在Ubuntu本地完成，无需依赖外部算力，同时贴合你已知的AI工具，降低学习门槛，实现“从认知到实操、从基础到项目”的完整提升。

avatar
文章
阅读
粉丝