Linux下机器学习配置环境的常规命令汇总以及个人心得

前言

最近在服务器上复现了好几个Github的深度学习代码，花了很多时间配置环境，也爬过了许许多多的坑。下面记载下我遇到的种种问题，一是避免时间久了忘记，二是让后来者少走一点弯路。

Anaconda的使用

我一开始是懒得用Anaconda，直接pip就完事了。但是后来发现不用环境管理器真的麻烦到爆炸。
Anaconda基本的命令都在这里了：常用命令汇总
我个人的常用命令如下：

# 创建
conda create -n your_env_name python=your_python_version
# 激活环境
source activate env_name
# 关闭环境
source deactivate your_env_name
# 删除环境
conda remove -n your_env_name --all
# 查看安装的包
conda list
# 安装/安装指定版本
conda install package_name
conda install package_name=1.5.0
# 升级版本
conda update package_name
#删除包
conda remove package_name

虽然上面写了使用conda install安装包，不过我个人的建议是在conda环境下使用pip进行安装。conda一个新环境时，会自动配套生成对应的pip，你可以使用which pip查看这点。
conda install真的巨慢无比，而且它会自动安装依赖包，我在安装某个具体版本的tensorflow时，conda install竟然将我创建环境时配置的python3.5给降为python2.7了。所以，使用pip install代替conda install是一个可以考虑的选择，

jupyter notebook的配置

毫无疑问，.ipynb文件是非常常见的一种文件类型，配置jupyter并远端访问可以带来很大的方便。

这里是配置jupyter的两篇博客，分别是英文官网版和中文翻译版。
中文版
英文版

想要找到.jupyter文件夹，要用ls -a,用ls是看不到的。因为这是一个隐藏文件夹。

在配置端口时，如果想要浏览器访问，只能将端口设定为80，因为HTTP协议只支持port80。

c.NotebookApp.port =80 #访问时使用该端口

将当前环境安装为jupyter kernel的方法在这里：
配置jupyter以及安装kernel

Screen的使用

最开始使用Screen是为了让代码可以离线跑，但是发现不行（而且是所有方法都不行，可能是阿里学生服务器的问题？还是建议使用组里的服务器，阿里学生服务器只能用来练手、练指令的使用）后来发现Screen非常方便，比方说可以在不用输出重定向的情况下随时查看/关闭输出。
Screen常用命令汇总
我自己比较常用的就是：

screen -S yourname #新建一个叫yourname的session
screen -ls         #列出当前所有的session
screen -r yourname #回到yourname这个session

以及ctrl + A + D退出当前Screen。
其中，名字都可以用进程编号代替。
有一点值得一提，那就是Screen和Anaconda会在某种情况下产生冲突。即Anaconda建立了虚拟环境后，在该虚拟环境下，进到另一个Screen并source activate name去运行程序的时候，会出现问题。所以先在非Screen的时候需要退出虚拟环境，再进入Screen的虚拟环境，就不会出现冲突的问题了。

All you need to do is to deactivate the environment before entering
screen. Then enter the screen, Then activate the environment.

source deactivate
screen -R my_screen 
source activate myenv

本文的参考内容都写在超链接里了，在此作部分汇总以方便参阅。总的来说，所有的经验千言万语汇成一句话：有问题，解决问题。善用百度谷歌！