服务器虚拟环境创建

conda 中环境管理：

1. 查看当前已安装虚拟环境命令：$ conda info -e
2. 创建新的虚拟环境命令：$ conda  create -n "env name" python=版本号
3. 激活虚拟环境命令：$ source activate "env name"
4. 退出虚拟环境命令：$ source deactivate
5. 删除自己创建虚拟环境的命令：$ conda remove -n "env name"  --all  或 $ conda env remove -n env_name
6. 列出环境： $ conda  env list    或   $ conda info -e
7. 安装tensorflow-gpu时注意：
   （1）.先使用命令：$ conda search tensorflow-GPU 查看可使用版本。                                                                           （2）.再使用命令：$ conda install tensorflow-gpu="对应可安装版本号"  安装对应版本。

解决 ImportError: libcudnn.so.6: cannot open shared object file 问题：见第6步，即可解决。

    8. 安装pytorch

       (1). 创建环境:　$ conda create -n "name"　python="版本号＂

       (2). 安装pytorch: $ conda install pytorch="版本号"

       (3).安装pytorch=1.2.0,不然torchvision不兼容

9.命令 $  df -h 查看服务器内存

包管理命令：

1. 安装包: $ conda install package_name     安装制定版本：$ conda install package_name=版本号
2. 卸载包 :$ conda remove package_name
3. 更新包: $ conda update package_name    更新所有包，在后边加上 -all ， $ conda update -all
4. 列出所有安装包： $ conda list
5.  搜索包： $ conda search search_term
6. 查询包命令： $ whereis 包名
   1. 在环境中安装jupyter notebook 命令：$ conda install nb_conda , 然后输入$ jupyter notebook 启动即可.
   2. 安装spyder : $ conda install spyder

 

服务器上跑tensorflow GPU模型步骤：

1. 查看GPU使用情况命令： $  ssh node03 先进入节点（节点任选）， 然后使用 $  nvidia-smi  查看当前显卡GPU使用情况。
2. 激活所需环境：$ source activate '环境名称’
3. 跳转到目标文件夹：$ cd ‘文件夹地址’
4. 运行程序：$ python ‘text’.py
5. 停止程序运行：$ kill +"PID number"    

当出现权限不够时

使用命令: $ sudo nautilus

GPU 设置

运行程序时直接使用命令：$

CUDA_VISIBLE_DEVICES=1 python your_script.py #在运行脚本前指定GPU的设备号

1.在主程序python代码中添加命令（设置使用的GPU资源）：

os.environ['CUDA_VISIBLE_DEVICES'] = '0' 
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1' 

 2.设置使用固定的GPU资源：      

CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen 
CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible 
CUDA_VISIBLE_DEVICES=”0,1” Same as above, quotation marks are optional 
CUDA_VISIBLE_DEVICES=0,2,3 Devices 0, 2, 3 will be visible; device 1 is masked

运行代码时使用命令：$

CUDA_VISIBLE_DEVICES=0 python3 main.py

3.tensorflow 自主控制GPU资源方法：

• 在运行过程中动态申请显存，需要多少就申请多少

config = tf.ConfigProto()  
config.gpu_options.allow_growth = True  
session = tf.Session(config=config) 

• 限制GPU的使用率

gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4)  
config=tf.ConfigProto(gpu_options=gpu_options)  
session = tf.Session(config=config)  

3. 监视GPU使用情况

没两秒监测一次          命令 $: watch -n 2 nvidia-smi 

                                    退出命令： Ctrl + c