本地断网，autodl服务其不停止训练

最新推荐文章于 2025-04-02 16:55:13 发布

hi_ine

最新推荐文章于 2025-04-02 16:55:13 发布

阅读量2.8k

点赞数 4

文章标签：深度学习

本文链接：https://blog.csdn.net/hi_ine/article/details/142362974

版权

两种方法：

使用screen窗口在Autodl服务器训练网络_autodl断网了还会运行嘛-CSDN博客

AutoDL关闭终端或网络中断不影响程序运行的方法-CSDN博客

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

hi_ine

关注关注

4
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

基于STM32设计的口罩识别和无线测温系统

08-10

1925

本系统了在复杂场景下的口罩佩戴检测算法，可以自动准确且快速地识别图片或视频中人物是否佩戴口罩，配合STM32设计的测温系统，通过能够提前发现发热人员，阻止病毒传播，这套系统对整个社会都有着重要的应用场景和市场前景。本系统的口罩识别算法采用基于百度飞浆的深度框架完成识别，配合Qt开发出可视化界面，结合STM32测温系统完成整个上位机应用开发。

AutoDL关闭终端或网络中断不影响程序运行的方法

weixin_57070738的博客

04-04

6120

AutoDL关闭终端或网络中断不影响程序运行的方法，包含如何运行代码，如何运行代码使得终端断开或网络断开也不影响程序进程，另附查看和结束进程的命令。

参与评论您还未登录，请先登录后发表或查看评论

当我在AutoDL(SSH)跑模型时，如何用screen来守护进程，防止因断网导致程序终止

qq_52436400的博客

02-28

833

今天跑了一下午的模型，临时把Laptop带去会议室，忘记连着SSH的模型还在跑，结果回来发现pycharm终端没了，晕。记录一下在终端调train.py时，成功让我可以开始训练后，切换网络/断网/把电脑拿走后，再恢复进程，不会中断SSH连接~

autoDL离线运行——screen操作

qq_44906973的博客

01-16

2140

autoDL离线运行——screen操作

解决AutoDL远程服务器训练大模型的常见问题：CPU内存不足与 SSH 断开

weixin_41496173的博客

09-03

2548

在使用远程服务器（如 AutoDL）进行深度学习训练时，通常会遇到一些常见问题，比如由于数据加载导致的内存消耗过高，以及 SSH 连接中断后训练任务被迫停止。这篇文章将介绍我在这些问题上遇到的挑战，并分享相应的解决方案。

autodl训练yolo中断了如何继续

weixin_45628065的博客

09-21

979

1、修改subprocess.py下的415行的check=TRUE改为false 此时第一个错误解决。2、错误是可能被墙了，只需将31行注释掉即可。设置使用resume参数👉。这是我碰到问题，仅供参考。

【autoDL】运行的项目不联网也能用！再次打开页面空了怎么办？unzip出错怎么办？rar文件无法解压？

bon_e_的博客

03-27

2327

这些问题都是我自己用autodl遇到的，费了好大劲搞明白的，或者是网上没找到答案，自己总结出来做法（yolo深度学习训练）

利用autodl服务器跑模型

学习，学无止境

03-20

2036

最后执行代码训练指令（博主自用，可以根据自己文件实际需要对应修改）在此位置进行开关机操作，若停止服务器，必须关机，不然会一直扣钱。在命令行中使用unzip指令对下载好的压缩文件进行解压（根据解压位置，选择根目录路径，使用cd进入想要的目录层。选择上传好的文件，点击下载。选择AutoPanel。

使用screen窗口在Autodl服务器训练网络

chensen99的博客

10-05

6846

使用screen窗口在Autodl服务器训练网络

Pycharm连接云算力远程服务器（AutoDL）训练深度学习模型全过程_autodl连接pycharm

qd520_1314的博客

04-12

5315

最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！

AutoDL云端直接训练YOLOv8模型，不需要本地部署环境

最新发布

m0_73257980的博客

04-02

589

AutoDL算力云网站 www.autodl.com/选一个合适自己的卡，点击立即租用点击社区镜像在下方输入框输入YOLO搜索点击yolov8配置环境创建并开机，创建实例。

pycharm远程连接服务器防止ssh连接中断

weixin_47545556的博客

03-05

1万+

pycharm远程连接服务器 1、安装pycharm专业版 2.打开实例，拿到用户名和密码例如ssh -p 38076 root@region-1.autodl.com 密码：xxxxxxx 38027为端口号，root为用户名，region-1.autodl.com为host 3.file->settings->interpreter,按照以下设置将服务器端的解释器加到pycharm中来 4.选择服务器端的解释器，不出意外的话都为/root/miniconda3/bin/py

nohup [命令] &保证程序后台运行

汤庆

02-25

757

一、问题：linux系统关闭xshelll后，运行的程序不中断如何操作？？在应用Unix/Linux时，我们一般想让某个程序在后台运行，于是我们将常会用 & 在程序结尾来让程序自动运行。这时可以后台运行，但是断网和关闭终端都会终止任务。这样我们就需要nohup命令，怎样使用nohup命令呢？这里讲解nohup命令的一些用法。【语法】：nohup Command ...

在pycharm通过SSH远程连接服务器时，如何避免断网或者关闭pycharm影响代码运行

qq_41229894的博客

07-11

3900

执行这段指令后，屏幕应该会重新开启一个新的终端页面，此后，可以在这个页面中重新进入我们的环境，并且cd至指定目录后执行项目，例如执行train.py文件。4、此后，服务器则开始跑这个程序，此时我们可以断开SSH(关闭这个终端界面)，断开后，服务器会在本地继续跑这个程序。因为实验室中我这个工位的网络有点连接不稳定，在跑实验的时候会出现程序中断的情况，而我在控制台终端还看不出来。5、此时，若我们想切到这个screen中，只需要执行下面的指令，就看到恢复后的界面了。创建的名为yzk的环境，则执行。

【深度学习】Pycharm连接远程服务器（AutoDL）训练YOLOv5

热门推荐

weixin_43799388的博客

05-13

3万+

文章目录References References pycharm远程连接AutoDL训练pascalVOC2007数据集 AutoDL帮助文档

AutoDL——终端训练神经网络模型（忽略本地问题）

weixin_64388392的博客

01-20

2043

AutoDL算力云平台在终端运行代码，训练神经网络模型（训练无需考虑网络连接，电脑睡眠、关机等问题）

Auto DL 平台租服务器（GPU）跑代码（炼丹）使用教程，告别繁琐的SSH，平台自带的Jpyter用网页就能实现

weixin_52449030的博客

03-26

1万+

详细介绍了怎么在Auto DL这个租服务器（GPU）平台上训练模型的方法，包括环境配置、文件解压、让模型在后台运行等等。

第一次使用pycharm远程连接服务器（以AutoDL为例）

RK_Dangerous的博客

03-26

4288

如果不使用pycharm，想使用服务器，通常要在命令行中去选择文件、编写程序、运行程序等操作，没有任何图形界面，如果对命令行尤其是linux命令行不熟悉，非常不方便。创建的实例中自带了miniconda3，使用miniconda编译，由于我之前没有用过anaconda，所以我也不太清楚miniconda具体怎么解释，如果和我一样可以在后续使用的过程中自行体会，不是很难。如果你的代码里生成的各种文件都是在系统盘进行读写操作的，可以先在数据盘中创建好对应名字的目录，然后再在系统盘对应位置建立软连接即可。

autodl的jupyter断网训练

12-31

### 解决方案为了确保在 AutoDL 平台上的 Jupyter Notebook 中实现离线或断网状态下持续进行模型训练，可以采用 `nohup` 命令配合后台运行的方式。具体方法如下：当启动 Jupyter Notebook 服务时，在命令前加上 `nohup` 关键字，并在其后附加 `&` 符号来将其作为后台任务执行[^1]。 ```bash nohup jupyter notebook & ``` 这样做之后，即使终端关闭或是网络连接中断也不会影响到已经处于后台运行中的 Jupyter Notebook 实例及其内部正在执行的任务。此时可以通过浏览器访问指定 URL 和端口继续工作而不必担心因为短暂掉线而导致整个过程被打断。另外还可以通过 `jobs -l` 来查看当前用户下所有的作业列表以及它们对应的 PID (进程 ID)，以便于管理和监控这些长时间运行的服务程序。对于更复杂的场景或者需要进一步优化体验的情况，建议考虑使用专门设计用于分布式计算环境下的工具和服务，比如 Kubernetes 集群管理器搭配合适的调度算法能够更好地支持大规模机器学习项目的开发与部署需求。