keras深度训练3：服务器连接

连接实验室服务器使用步骤

第1步：链接服务器

XiangguoSuns-MacBook-Pro:~ xiangguosun$ ssh 实验室IP地址
wow@223.3.89.104's password: 服务器密码
Welcome to Ubuntu 17.10 (GNU/Linux 4.13.0-36-generic x86_64)

 * Documentation:  https://help.ubuntu.com
 * Management:     https://landscape.canonical.com
 * Support:        https://ubuntu.com/advantage

 * Meltdown, Spectre and Ubuntu: What are the attack vectors,
   how the fixes work, and everything else you need to know
   - https://ubu.one/u2Know

22 packages can be updated.
0 updates are security updates.

wow@wow-Super-Server:~$ 

截止目前，你已经链接了实验室的服务器中。实验室服务器的基础开发环境如下：

wow@wow-Super-Server:~$ ls
cuda                          Notebook
cudnn-9.0-linux-x64-v7.1.tgz  NVIDIA_CUDA-9.0_Samples
cudnn-9.0-linux-x64-v7.tgz    NVIDIA-Linux-x86_64-390.42.run
dataset                       Open
hashcat-4.0.1                 PycharmProjects

其中，你的工程文件应该放在PycharmProjects目录下

第2步：创建你自己的远端工程目录

接下来，你需要在这里创建你自己的工程目录：

wow@wow-Super-Server:~$ cd PycharmProjects/
wow@wow-Super-Server:~/PycharmProjects$ ls
deep_learning  sxg
wow@wow-Super-Server:~/PycharmProjects$ mkdir your_project
wow@wow-Super-Server:~/PycharmProjects$ ls
deep_learning  sxg your_project

你之后的本地代码，将要上传到你自己创建的your_project目录中

第3步：远程服务器的同步配置

首先我们需要配置PyCharm通服务器的代码同步，打开Tools | Deployment | Configuration

点击左边的“+”添加一个部署配置，输入名字，类型选SFTP

确定之后，再配置远程服务器的ip、端口、用户名和密码。root path是文件上传的根目录，注意这个目录必须用户名有权限创建文件。(图片来自网络，IP请以实际IP为准)

然后配置映射，local path是你的工程目录，就是需要将本地这个目录同步到服务器上面，我填的是项目根目录。 Deploy path on server 这里填写相对于root path的目录，下面那个web path不用管先

如果你还有一些文件或文件夹不想同步，那么在配置对话框的第三个tab页“Excluded path”里面添加即可，可同时指定本地和远程。

还有一个设置，打开Tools | Deployment | Options，将”Create Empty directories”打上勾，要是指定的文件夹不存在，会自动创建。

第4步：上传和下载文件

有几种方法可以实现本地和远程文件的同步，手动和当文件保存后自动触发。这里我选择了手动，因为自动触发比如影响性能，PyCharm会卡，感觉不爽。

手动上传方式很简单，选择需要同步的文件或文件夹，然后选择 Tools | Deployment | Upload to sftp(这个是刚刚配置的部署名称)

下载文件也是一样，选择 Tools | Deployment | Download from sftp

第5步：比较远程和本地文件

有时候你并不确定远程和本地版本的完全一致，需要去比较看看。PyCharm提供了对比视图来为你解决这个问题。选择Tools | Deployment | Browse Remote Host，打开远程文件视图，在右侧窗口就能看到远程主机中的文件

选择一个你想要对比的文件夹，点击右键->Sync with Local，打开同步对比窗口，使用左右箭头来同步内容。

上面是服务器与本地对比，那么本地文件通服务器对比，就先在PyCharm里面选择文件或文件夹，然后右键->Deployment->Sync with deployed to即可

第6步：创建你自己的虚拟开发环境

查看已有的虚拟开发环境

wow@wow-Super-Server:~$ conda env list
# conda environments:
#
base                  *  /home/wow/anaconda3
suntensorflow2.7         /home/wow/anaconda3/envs/suntensorflow2.7

*号表示你当前正在使用的环境，接下来你需要为你自己的工程创建你自己的虚拟环境，以tensorflow为例，

wow@wow-Super-Server:~$ conda create -n suntensorflow2.7 pip python=2.7
……
Preparing transaction: done
Verifying transaction: done
Executing transaction: done
#
# To activate this environment, use:
# > source activate suntensorflow2.7
#
# To deactivate an active environment, use:
# > source deactivate
#

截止目前，你已经创建了一个名字叫做suntensorflow2.7的虚拟环境，它默认的python版本为python2.7

第7步：激活和使用你的虚拟开发环境

wow@wow-Super-Server:~$ source activate suntensorflow2.7
(suntensorflow2.7) wow@wow-Super-Server:~$ conda env list
# conda environments:
#
base                    /home/wow/anaconda3
suntensorflow2.7      *  /home/wow/anaconda3/envs/suntensorflow2.7

(suntensorflow2.7) wow@wow-Super-Server:cd ~/PycharmProjects/your_project/
(suntensorflow2.7) wow@wow-Super-Server: ~/PycharmProjects/your_project/$ python your_code.py

想要退出虚拟环境

source deactivate

对虚拟环境中安装额外的包。

使用命令conda install -n your_env_name [package]即可安装package到your_env_name中，你也可以在虚拟环境中使用pip

使用localhost访问远程tensorboard

tensorflow程序运行在远程服务器，tensorboard启动后访问地址为：0.0.0.0:6006。这样没法用自己机器上的浏览器访问tensorboard。

解决办法

1 . 连接ssh时，将服务器的6006端口重定向到自己机器上来：

ssh -L 16006:127.0.0.1:6006 username@remote_server_ip

其中：16006:127.0.0.1代表自己机器上的16006号端口，6006是服务器上tensorboard使用的端口。

2 . 在服务器上使用6006端口正常启动tensorboard：

tensorboard --logdir=xxx --port=6006

3 . 在本地浏览器中输入地址：
127.0.0.1:16006