1.需求:
对于旧一点的电脑跑个深度学习框架来说,吃力又费劲,当场买个高端电脑又有点不现实。想着看看有没有开放的平台,但是大部分开放平台来说收费比较贵,或者就是免费排队等待资源,对着深爱学习的同学来说这是不能接受的。笔者就介绍一下自己最近使用的mistGPU深度学习雾计算平台。
2.下载软件:
一款非常棒的SSH连接管理黑科技
3.操作步骤:
3.1注册mistGPU账号
mistGPU 平台对于新用户可以免费送8元的赠送金额(若使用 1070Ti 可大概使用5.3小时),跑个实验基本差不多了。
平台也可以拉新用户来获取邀请金,一人5元,笔者邀请链接如下(您随意)
https://mistgpu.com/i/095999/
3.1购买GPU服务器
3.2 GPU服务器列表
ssh mist@gpu82.mistgpu.xyz -p 30310
3.3 连接服务器
点击 MobaXterm -> 点击session
添加host 主机号 mist@gpu82.mistgpu.xyz 和 端口号 30310
连接成功提示
3.4 部署环境 (使用faster-rcnn 为案列)
下载faster-rcnn 源码 和 训练文件
# 1. 创建conda环境
conda create -n faster_rcnn python==3.8
# 2. 切换到目录下
conda activate faster_rcnn
# 3. 切换到tmp目录下 (若不存在 使用mkdir 创建)
cd /tmp/pycharm_project_310/
# 4. 下载faster_rcnn源码
https://github.com/WZMIAOMIAO/deep-learning-for-image-processing/tree/master/pytorch_object_detection/faster_rcnn
# 5. 下载预训练文件
wget http://host.robots.ox.ac.uk/pascal/VOC/voc2012/VOCtrainval_11-May-2012.tar
tar -xvf VOCtrainval_11-May-2012.tar
mv VOCtrainval_11-May-2012 faster_rcnn/VOCdevkit
# 6. 安装包
cd faster_rcnn
pip install -r requirements.txt
3.5pycharm远程调试代码
添加远程解析器 file-> settings-> project:faster_rcnn->python interpreter->show all
3.6 pycharm与GPU服务器映射
笔者建议先将代码部署到mistGPU服务器上,本地上传到服务器属实比较慢,然后修改映射路径
服务器对应的项目位置: