AutoDL 环境+ PyCharm 配置教程：实现 GPU 加速与远程开发

最新推荐文章于 2025-03-14 16:24:38 发布

@唯一的乐乐

最新推荐文章于 2025-03-14 16:24:38 发布

阅读量7.5k

点赞数 55

分类专栏：深度学习文章标签：深度学习人工智能 python pytorch

本文链接：https://blog.csdn.net/qq_51210361/article/details/145229300

版权

深度学习专栏收录该内容

1 篇文章

订阅专栏

简介
在本文中，我们将深入讲解如何通过 AutoDL 租用 GPU 服务器，并利用 Conda 配置 Python 环境。接着，我们将配置 PyCharm 与 AutoDL 实例进行远程开发，帮助你高效进行深度学习模型的训练与部署。无论是配置 Jupyter 内核，还是在 PyCharm 中进行代码开发和调试，本教程都将手把手教你如何操作，让你的开发过程更加流畅。

输入vim ~/.bashrc，打开配置文件
键盘输入i (一定保证是英文i) 开始编辑
在文件末尾添加以下路径： source /root/miniconda3/etc/profile.d/conda.sh
按 Esc，然后输入 :wq 保存退出。
输入 bash 命令重启终端，或直接关闭终端重新打开。
再次使用 conda activate base 命令，即可成功激活环境。

1.2.2 创建 Python 环境

创建一个新的 Python 环境：

conda create -n py38 python=3.8

conda activate py38

1.2.3 安装 PyTorch 和其他依赖

根据显卡的 CUDA 版本，安装适合的 PyTorch 版本。

输入nvidia-smi查询你的显卡支持的 CUDA 版本：例如这是RTX 4090D 的显卡，最高支持12.4的CUDA
安装 PyTorch，进入官网找到对应历史版本

以我的主机参数：2080Ti 显卡，conda 10.1，python3.8环境为例——查询到使用1.7.0版本，CUDA选择10.1 的pytorch
```
conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=10.1 -c pytorch
```

本人的UNet项目开发环境——RTX 3090 显卡，conda 10.1，python3.8 (ubuntu18.04)环境为例， CUDA 11.3 的pytorch (正在使用)

pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117

安装其他必需的包：

pip install jupyter d2l

1.3 更新 Jupyter 内核页面

在创建的环境中安装 Jupyter 内核：

在创建的 py38环境中，输入conda install ipykernel
使用以下命令更新内核：

输入：ipython kernel install --user --name=sci_research，成功之后刷新页面，如下:

刷新页面，新的内核配置就会出现在 Jupyter 页面中。

二、在 PyCharm 中配置 AutoDL

2.1 连接 AutoDL 实例

例如SSH指令： ssh -p 20777 root@region-77.seetacloud.com

2.2 配置 SSH 连接

打开 PyCharm，进入 Settings -> Tool -> SSH Configurations。
填入 SSH 信息并点击 Test Connection 测试连接。

2.3 配置远程 Python 解释器

在 Settings -> Project -> Python Interpreter 中添加远程解释器。
选择Existing
配置远程解释器路径

可以通过在远程cmd终端输入whereis python，查找miniconda的环境所在路径

默认是在/root/miniconda3/bin/python，自定义创建的新环境就会在 miniconda下的envs文件夹中（例如小编的路径为：/root/miniconda3/envs/py38/bin/python）

2.4 配置项目映射和文件同步

在根目录下创建一个新的项目文件夹，以便管理。

root目录为根目录，为了便于管理，那就在root目录下创建新的项目目录（小编创建了root/unet_my文件夹）
在 PyCharm 中配置项目映射，将本地文件与远程服务器同步。

三、PyCharm 与 AutoDL 交互

3.1 配置自动上传与远程资源管理

通过 Tools -> Deployment 配置自动上传和远程资源管理。

在 Browse Remote Host 中管理远程资源，下载训练好的模型到本地。

3.2 下载远程模型和数据

使用 Automatic Upload (Always) 将代码自动上传到远程服务器。

提醒：远程交互也可以使用XShell、FinalShell等远程工具灵活使用。

总结

通过本文的详细步骤，你已经成功配置了 AutoDL 环境并在 PyCharm 中实现了远程开发与 GPU 加速。无论是通过 JupyterLab 进行实验，还是在 PyCharm 中开发、调试与训练模型，都能有效提高你的工作效率。借助 Conda 和 PyTorch 的强大支持，你将能够快速搭建深度学习环境，并专注于模型的训练与优化。