一直以来我都相信熟练地使用各种小工具能大大提升生产力，把人们从无聊的机械工作中解脱出来。昨天我就在做一些无聊的机械工作，正好这些技能就派上了用场。我觉得可以把它分享出来，或许就会有年轻人被安利了。

需求的产生

现在深度学习风生水起，为了满足人民日益增长的计算需求，相信各个实验室都开始买起了显卡。然而毕竟显卡还是贵，做不到人手一块，所以只能以公用机器的形式出现了。

大家都在公用机器上跑实验，而各自所需要的软件（比如 Cuda、TensorFlow……）版本却可能不一样，这样很容易因为版本问题而导致程序无法运行。解决这些软件冲突问题是一个又繁琐又耗时的工作，而且常常弄得鸡飞狗跳，最终没有人可以正常运行实验。所以说，我们希望在公用的机器上能够有一定的管理，使得不同的用户不会相互影响。

这里我列出一些需求：

• 不同用户之间不能相互影响
• 用户要能方便地访问自己的“虚拟机”
• 用户要有足够大的权限，能自由地安装程序，能自由地访问网络
• 用户不被允许直接操作宿主机
• 用户要能够使用 GPU
• 用户能够方便地使用实验室的 NAS
• 为满足这些需求，额外的开销应该小得可以忽略
• 管理员应该能轻松地添加新的用户

下面我将叙述我解决以上需求的方法，以供有需要的人参考。本文的受众应该是实验室的公用机器管理员，有一定的 Linux 基础，或者对此感兴趣的普通用户。

我一直非常喜欢 Python。当人们提到 Python 的时候，经常会说到下面两个优点：

1. 写起来方便
2. 容易调用 C/C++ 的库

然而实际上，第一点是以巨慢的执行速度为代价的，而第二点也需要库本身按照 Python 的规范使用 Python API、导出相应的符号。

在天壤实习的时候，跟 Cython 打了不少交道，觉得这个工具虽然 Bug 多多，写的时候也有些用户体验不好的地方，但已经能极大提高速度和方便调用 C/C++，还是非常不错的。这里就给大家简单介绍一下 Cython（注意区别于 CPython）。Cython 可以让我们方便地：

• 用 Python 的语法混合编写 Python 和 C/C++ 代码，提升 Python 速度
• 调用 C/C++ 代码

以前写点小程序其实根本不在乎并行，单核跑跑也没什么问题，而且我的电脑也只有双核四个超线程（下面就统称核好了），觉得去折腾并行没啥意义（除非在做IO密集型任务）。然后自从用上了32核128GB内存，看到 htop 里面一堆空载的核，很自然地就会想这个并行必须去折腾一下。后面发现，其实 Python 的并行真的非常简单。

首先简单补充一下 Core Dump 文件可以做什么吧。

当我们程序崩溃的时候，除了看到 Segmentation Fault 之类的错误信息以外，很有可能在后面还有一句 (core dumped)。以前看到这些字眼都觉得很烦，因为程序崩溃了。但是后来，今年暑假在天壤实习的时候，看到金汶功学长的操作才恍然大悟，看到 (core dumped) 应该感到高兴才对，因为他把程序崩溃时的运行时信息完完全全地记了下来，包括他的整个内存、所有线程、堆栈信息、寄存器等等……这样一来就给找到 bug 提供了一条很好的线索。