在服务器里利用anaconda科学利用GPU以及管理代码

一 使用conda产生虚拟环境1 首先在服务器里下载安装anacodna2 .创建python虚拟环境3 使用激活(或切换不同python版本)的虚拟环境4 对虚拟环境中安装额外的包5 关闭虚拟环境(即从当前环境退出返回使用PATH环境中的默认python版本)6 删除虚拟环境。7 删除环境中的某个包 二 使用pycharm连接服务器中的虚拟环境1 下载pycharm专业版2 Pycharm设置内容：跑一个demo 注：conda 镜像源安装不了某些包 三 使用screen进行任务管理screen的参数

最近在配置服务器GPU的时候遇到了很多坑，大多都是tensorflow环境和Cuda版本以及keras的兼容性问题。恰好从一位大佬那里得知一种船新的使用方法，使用简便且方便管理，以此记录一下。感谢两位不愿意透露姓名的大佬的理论依据以及技术支持！

一 使用conda产生虚拟环境

1 首先在服务器里下载安装anacodna

这个网上教程比比皆是，就不多做赘述了

2 .创建python虚拟环境

使用

conda create -n your_env_name python=X.X（2.7、3.6)

命令创建python版本为X.X、名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。 如： conda create -n poppy_leo_tf python==3.6

3 使用激活(或切换不同python版本)的虚拟环境

打开命令行输入python --version可以检查当前python的版本。 使用如下命令即可 激活你的虚拟环境(即将python的版本改变)。 Linux: source activate your_env_name(虚拟环境名称) Windows: activate your_env_name(虚拟环境名称)

source activate poppy_leo_tf 可以看到本地的环境已由base切换成了我们创建的虚拟环境 poppy_leo_tf，python的版本也从默认的3.7变成3.6了

4 对虚拟环境中安装额外的包

在你的虚拟环境中使用命令

conda install your_package

即可安装package到your_env_name中 使用conda安装，会自动帮你安装相关的从属包以及cudnn的对应版本（血泪教训，cudnn版本和tf不兼容害得我跑了半个月的cpu），总之这个就是很好用，没问题啊。 如 conda install tensorflow-gpu==1.12.0 在虚拟环境中打开python，导入TensorFlow，没有问题 其他包的安装和这个同理

5 关闭虚拟环境(即从当前环境退出返回使用PATH环境中的默认python版本)

使用如下命令即可。

Linux: source deactivate

Windows: deactivate

6 删除虚拟环境。

使用命令conda remove -n your_env_name(虚拟环境名称) --all， 即可删除。

7 删除环境中的某个包

使用命令conda remove --name your_env_name package_name 即可。

二 使用pycharm连接服务器中的虚拟环境

环境装好后，到了我们最喜欢的跑代码环节了，但是每次都通过 Xftp软件上传下载修改再上传等等操作来管理代码实在是麻烦，不仅效率低下而且还不方便代码的版本管理。后面经高人指点发现pycharm可以直接连接服务器的python环境，属实给力。

1 下载pycharm专业版

话不多说，先抛链接。 pycharm专业版链接 下载后用校园企业邮箱注册可免费使用 注册链接：https://account.jetbrains.com/login 申请链接：https://www.jetbrains.com/zh/student/ 安装pycharm，登录的时候使用注册好的账户即可使用pycharm专业版

2 Pycharm设置内容：

1、File->Settings:弹出Settings窗口，选择Add项，进行新建SSH Interpreter 2、点击“SSH Interpreter”栏，填写Host框和Username框信息，单击“Next”按钮 3、正确填写密码，单击“Next”按钮 4、在Interpreter框，选择之前用conda创建虚拟环境的Python虚拟环境，最后点击"Finish"按钮，完成设置。 选中之后apply，当前pycharm的project下的文件默认会自动上传到服务器的文件夹下，具体文件夹可在上图Sync folders里设置。

跑一个demo

直接在本地的pycharm运行程序，进程在服务器上运行，看到那个显卡被占满，舒服了。

注：conda 镜像源安装不了某些包

在安装keras_bert的时候，可能是conda的清华源镜像更新的比较慢，找不到我要的包。同时把pip的清华源链接直接抛给conda,会出现识别不了的错误。这个问题可以通过在pycharm的设置更改，添加清华大学的pip源：https://pypi.tuna.tsinghua.edu.cn/simple/

三 使用screen进行任务管理

当数据量较大,运行时间较长时,直接跑命令,窗口或许异常终止,服务器的进程也会直接中断，不得不重新跑。 screen就很给力的解决了这个问题。 先来说说什么是screen。Screen可以看作是窗口管理器的命令行界面版本。它提供了统一的管理多个会话的界面和相应的功能。

screen的参数

-A 　 将所有的视窗都调整为目前终端机的大小 -d 　 将指定的screen作业离线 -h 　 指定视窗的缓冲区行数 -m 即使目前已在作业中的screen作业，仍强制建立新的screen作业 -r 恢复离线的screen作业 -R 　 先试图恢复离线的作业。若找不到离线的作业，即建立新的screen作业 -s 　 指定建立新视窗时，所要执行的shell -S 指定screen作业的名称 -v 　 显示版本信息 -x 　 恢复之前离线的screen作业 -ls或-list 　 显示目前所有的screen作业 -wipe 　 检查目前所有的screen作业，并删除已经无法使用的screen作业

例如：在一个终端里打开jupyter notebook后，如果要执行其他命令需重新打开一个终端 但用screen可以简化此操作，且任务不会随着与服务器的断开而终止 新建一个一个作业

screen -S notebook

从外观上来看，就像重新打开了一个终端 打开服务器的 jupyter notebook

jupyter notebook --allow-root

退出screen的作业时，有两种方式：

Crtl + a +d 保存进程并退出作业(程序在screen中继续运行，screen -ls 可查看) exit 退出作业和进程(程序终止，screen -ls 不可查看)

使用第一种方式退出screen，进程仍在保存，方便继续作业