深度学习环境配置：(windows环境)WSL2-Ubuntu+(mac环境)

Windows

1.在Windows的WSL2上安装Ubuntu

流程可参考：https://www.bilibili.com/video/BV1mX4y177dJ

注意：中间可能需要使用命令wsl --update更新一下wsl。

2.WSL数据迁移

按照下面流程：开始菜单->设置->应用->安装的应用->搜索“ubuntu”->点选3个点->移动->移动到"非C盘的其他盘"

3.为WSL适配图形化界面

参考：https://www.bilibili.com/video/BV1mX4y177dJ
启动图形化界面的命令是sudo startxfce4

4.安装cuda

参考：https://zhuanlan.zhihu.com/p/683058297

nvidia-smi命令的解释参考：https://blog.csdn.net/daydayup858/article/details/131633445

注意：一定要先查看nvidia-smi命令中的显示的支持的cuda的最高版本，然后再去下载对应版本的cuda。

如果装错了cuda版本，可以参考这篇文章卸载已安装的cuda：https://blog.csdn.net/ziqibit/article/details/129935737

如果显示nvcc not found，请参考：https://blog.csdn.net/Maggie_JK/article/details/132666245

5.安装cuDNN

参考：https://zhuanlan.zhihu.com/p/683058297

卸载cuDNN的方式是和卸载cuda类似的。

完成安装后可以使用参考链接的内容进行验证，cuDNN是否正确安装。

7.安装miniconda

参考：https://zhuanlan.zhihu.com/p/683058297

安装完conda之后，创建新的环境，并切换到新环境

8.安装pytorch

参考：https://zhuanlan.zhihu.com/p/683058297

9.安装vscode

去vscode官网安装vscode
vscode上安装wsl扩展包
之后参考https://zhuanlan.zhihu.com/p/683058297
https://learn.microsoft.com/zh-cn/windows/wsl/tutorials/wsl-vscode

9.代码测试

参考：https://www.bilibili.com/video/BV1B14y1W7z3

我的测试结果：

在Mac上只使用CPU

在Mac上使用GPU

10.其他

如何优雅的使用WSL：https://www.bilibili.com/video/BV1Ku4y1f7nq

Mac

Mac上安装anaconda3，pytorch，vscode

参考资料：https://www.bilibili.com/video/BV1gk4y1M76B

Mac上配置vscode和pycharm

参考视频：https://www.bilibili.com/video/BV1j14y1o7k7

如何修改python console对应的python默认环境。
一般默认环境是/usr/bin/python3
要修改默认环境，就需要修改这个project的环境
可以通过setting进入修改

如何继续修改pycharm中的python console的默认环境。
参考：PyCharm中如何设置切换Python Console终端的Python版本

“本地跑神经网络实验”以及“远程连接服务器”

本地跑神经网络实验

from __future__ import print_function
import argparse
import time
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
from torch.optim.lr_scheduler import StepLR


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, 1)
        self.conv2 = nn.Conv2d(32, 64, 3, 1)
        self.dropout1 = nn.Dropout(0.25)
        self.dropout2 = nn.Dropout(0.5)
        self.fc1 = nn.Linear(9216, 128)
        self.fc2 = nn.Linear(128, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(x)
        x = self.conv2(x)
        x = F.relu(x)
        x = F.max_pool2d(x, 2)
        x = self.dropout1(x)
        x = torch.flatten(x, 1)
        x = self.fc1(x)
        x = F.relu(x)
        x = self.dropout2(x)
        x = self.fc2(x)
        output = F.log_softmax(x, dim=1)
        return output


def train(args, model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % args.log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader), loss.item()))
            if args.dry_run:
                break


def test(model, device, test_loader):
    model.eval()
    for batch_idx, (data, target) in enumerate(test_loader):
        data, target = data.to(device), target.to(device)
        output = model(data)
        loss = F.nll_loss(output, target)
        print('Test:  [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
            batch_idx * len(data), len(test_loader.dataset),
            0.1 * batch_idx * len(data) / len(test_loader), loss.item()))


def main():
    # Training settings
    parser = argparse.ArgumentParser(description='PyTorch MNIST Example')
    parser.add_argument('--batch-size', type=int, default=64, metavar='N',
                        help='input batch size for training (default: 64)')
    parser.add_argument('--test-batch-size', type=int, default=1000, metavar='N',
                        help='input batch size for testing (default: 1000)')
    parser.add_argument('--epochs', type=int, default=1, metavar='N',
                        help='number of epochs to train (default: 14)')
    parser.add_argument('--lr', type=float, default=1.0, metavar='LR',
                        help='learning rate (default: 1.0)')
    parser.add_argument('--gamma', type=float, default=0.7, metavar='M',
                        help='Learning rate step gamma (default: 0.7)')
    parser.add_argument('--no-cuda', action='store_true', default=False,
                        help='disables CUDA training')
    parser.add_argument('--use_gpu', action='store_true', default=False,
                        help='enable MPS')
    parser.add_argument('--dry-run', action='store_true', default=False,
                        help='quickly check a single pass')
    parser.add_argument('--seed', type=int, default=1, metavar='S',
                        help='random seed (default: 1)')
    parser.add_argument('--log-interval', type=int, default=10, metavar='N',
                        help='how many batches to wait before logging training status')
    parser.add_argument('--save-model', action='store_true', default=False,
                        help='For Saving the current Model')
    args = parser.parse_args()
    use_gpu = args.use_gpu

    torch.manual_seed(args.seed)

    device = torch.device("mps" if args.use_gpu else "cpu")

    train_kwargs = {'batch_size': args.batch_size}
    test_kwargs = {'batch_size': args.test_batch_size}
    if use_gpu:
        cuda_kwargs = {'num_workers': 1,
                       'pin_memory': True,
                       'shuffle': True}
        train_kwargs.update(cuda_kwargs)
        test_kwargs.update(cuda_kwargs)

    transform=transforms.Compose([
        transforms.ToTensor(),
        transforms.Normalize((0.1307,), (0.3081,))
        ])
    dataset1 = datasets.MNIST('./data', train=True, download=True,
                       transform=transform)
    dataset2 = datasets.MNIST('./data', train=False,
                       transform=transform)
    train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)
    test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)


    model = Net().to(device)
    optimizer = optim.Adadelta(model.parameters(), lr=args.lr)

    scheduler = StepLR(optimizer, step_size=1, gamma=args.gamma)
    for epoch in range(1, args.epochs + 1):
        train(args, model, device, train_loader, optimizer, epoch)
        test(model, device, test_loader)
        scheduler.step()


if __name__ == '__main__':
    t0 = time.time()
    main()
    t1 = time.time()
    print('time_cost:', t1 - t0)

远程连接服务器

下载royal tsx

类似windows上的xshell和fstp
官网：https://royalapps.com/ts/mac/features

• file->new document
• 安装terminal和file transfer插件
• ssh连接
• 优点：可以浏览远程文件路径
• 缺点：无法做到本地与远程的代码同步，无法远程debug

在vscode上远程

• 配置ssh和sftp：详见视频
• 设置远程解释器
• 优点：能做到代码同步，还能远程debug
• 缺点：设置麻烦，无法浏览远程文件

Tmux工具

• Tmux可以防止实验中断

基本命令

# 创建tmux会话
tmux new -s test
# 退出会话
tmux detach
# 进入会话
tmux at -t name # at实际上是attach的简写

一定要进tmux会话里面再运行实验代码