手把手教你：如何使用滴滴云搭建GPU环境
目录
前言
一、滴滴云GPU配置选择及创建
二、GPU服务器的登录
三、GPU环境配置
1、Anaconda的下载
2、Anaconda的安装
3、conda创建自己的python环境
4、安装Pytorch的GPU环境
四、滴滴云保存快照、删除服务器
五、使用快照创建GPU服务器的问题
六、总结
前言
因为最近忙着搞毕业设计，做的是X线胸片的多标签分类问题（22万张图片），需要使用GPU来跑实验，然而因为疫情的原因，只能在线使用GPU跑实验，贫穷的我买不起GTX显卡，同时学校的GPU集群好像出了一点问题，想到之前租过滴滴云的GPU服务器，所以这一次决定再花一些money在滴滴云上租GPU跑实验，说个题外话，选择滴滴云之前对比过其他几个云（阿里云、腾讯云、华为云），奈何它们太贵了（土豪请随意，请用钱砸死我吧！），最后货比三家，我选择了滴滴云，普通配置大概3块多一个小时。（越来越像滴滴云的一个硬广，滴滴云打钱！！！），当然，玩归玩、闹归闹，不拿学习开玩笑，下面进入正题！
一、滴滴云GPU配置选择及创建
进入滴滴云的官网（租GPU服务器，需要个人信息验证），点击创建云服务器(DC2)按钮，就会到选择配置的界面
我介绍一下我的配置（如果觉得看文字太麻烦，直接看我下面的配置截图就行了）：
付费方式：按时长(因为我穷，都是跑完几个小时的实验，保存快照，然后注销掉)
可用区：广州(因为我家在南方，所以离广州近一些)
服务器类型：选择GPU服务器 通用型P4（GPU是Tesla P4，反正我感觉跑大部分实验都够用）
镜像：选择标准镜像ubuntu 16.04 CUDA-10.0 (我主要是想避免显卡驱动和cuda之类的不匹配问题，不然要折腾好久，职业玩家请随意，当然职业玩家也不会来看我这篇博文orz)
注:后面有快照镜像的选项，需要自己之前保存过快照，才能够进行选择（这个功能比较好，因为创建一次GPU服务器，注销之前可以保存快照，然后下一次再创建GPU服务器时又可以使用上一次的快照，上一次的文件都会在里面，相当于玩游戏的存档公能）
配置（元/小时）：我选的是2核cpu、P4 GPU、4G内存、8G显存的（8G显存一般的实验都是够用的，如果你的需求高，可以把配置调高一些）
系统盘：默认 高效云盘 80GB （因为我自己的数据集就11G左右，所以对我来说够用）
数据盘：无（我没有选择数据盘，我其实没太搞清楚系统盘和数据盘有啥区别，呜呜呜！）
网络：默认
带宽：我选择的是按使用流量,带宽上限按自己需求定（因为我主要是跑实验，对网络的需求不是很大）
安全组：默认
登录方式：选择密码（设置自己的密码，密码别忘了）
数量：1台
设置名称：滴滴云打钱
添加标签：默认
下面是我配置的截图:
然后点击立即创建就好！
二、GPU服务器的登录
创建成功之后,我们需要通过一个软件来使用SSH连接到GPU服务器，我使用的MobaXterm，自己可以到网上去下载，当然也有其他软件(滴滴云有自带的命令行界面，但我觉得不太好用，就不介绍了)
安装好MobaXterm，双击打开：首先点击左上角的Session===>进入Session settings界面 点击SSH ===>在Remote host中填的GPU服务器的公网ip。最后点击OK。
GPU服务器的公网ip在你创建GPU服务器成功后的页面有显示:
在MobaXterm中SSH的Session创建成功之后，login as填dc2-user 密码填之前配置GPU服务器登陆方式时设置的密码
登陆成功之后的界面：
三、GPU环境配置
1、Anaconda的下载
使用wget命令，后面的链接可以在清华源的Anaconda镜像https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/中找相应版本进行更改，速度比Anaconda官网快多了)
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2019.10-Linux-x86_64.sh2、Anaconda的安装
在下载Anaconda安装包的目录下，使用bash命令进行安装(如果你不知道你下载在哪个目录下，那你直接使用该命令安装就好了)
bash Anaconda3-2019.10-Linux-x86_64.sh
然后会有yes和no的选项弹出 ：问你是否同意该协议内容 输入:yes
接着是输入安装的目录，这个地方不用输入直接回车就好了（它会选择默认目录进行安装，如果你想安装在你指定目录下也可以填上你想要安装目录的路径）
下面这个地方同样输入:yes
最后一步：更新配置文件
#更新配置文件
source ~/.bashrc
#查看版本信息
conda -V然后输入conda -V命令显示版本信息，如果能够正常显示，就说明安装成功了！
至于Anaconda有什么用，我的感觉是Anaconda可以比较方便的创建和管理多个python环境。
3、conda创建自己的python环境
此处我创建一个名字为mypytorch_3.6 ，python版本为3.6的python环境 (环境名字可以按照你自己的需求取)
创建成功之后使用activate命令切换到该环境，并添加清华源镜像（关于conda的一些基础命令可以自行谷歌查找）
conda create -n mypytorch_3.6 python=3.6 #创建python环境
source activate mypytorch_3.6 #切换到该环境
#添加清华源镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes4、安装Pytorch的GPU环境
我使用的是Pytorch框架，可以到pytorch官网找到conda安装pytorch的命令(但是最近好像官网被墙了，进不去了？)
其实感觉Anaconda真的挺方便的，直接使用一个命令，帮你把pytorch的相关GPU环境所需的cuda、cudnn下载并安装好。
如果想安装TensorFlow的GPU环境可以自行谷歌查找相应的命令。
#下载并安装pytorch的GPU环境命令(conda命令自己会下载安装好相应的cuda和cudnn版本，不用自己去折腾)
conda install pytorch torchvision cudatoolkit=10.0安装结束后，使用torch.cuda.is_available()判断是否成功安装
#使用python
python
#导入torch包
import torch
#看pytorch的GPU环境是否成功搭建
print(torch.cuda.is_available())如果输入命令后，显示如下结果，则说明Pytorch的GPU环境安装成功了！
(注意:一定要在你自己创建的python环境中使用该命令，我创建的python环境叫mypytorch_3.6,上面安装的Pytorch的GPU环境所需的包都安装在我的mypytorch_3.6环境中，所以如果你下次要用pytorch环境，首先应该使用source activate mypytorch_3.6命令，切换到mypytorch_3.6环境中。如果不切换环境，默认是在base环境中)
四、滴滴云保存快照、删除服务器
点击快照中的创建快照，这样就可以保存本次的快照，然后下次再创建GPU服务器时选择快照的方式进行创建！
创建完快照之后，就可以删除服务器了（注意：只有删除服务器，才会停止收费！）
五、使用快照创建GPU服务器的问题
当我重新使用快照创建一个GPU服务器时出现了一些问题:
我在mypytorch环境中使用torch.cuda.is_available()查看是否可以使用GPU，发现得到的是False!(明明上一次保存快照的时候是可以的！)
然后使用nvidia-smi命令查看显卡状态,发现找不到显卡驱动！！！(XX云臭鱼烂虾orz，果然没钱就要受罪，穷是原罪，呜呜呜！！！)
解决：
#1、使用cd /usr/src 中查看显卡驱动的版本号(我的是440.36)
cd /usr/src 
#下载安装dkms
sudo apt-get install dkms
#安装显卡驱动(后面的440.36记得改成你自己驱动的版本号)
sudo dkms install -m nvidia -v 440.36安装结束之后，使用nvidia-smi查看：成功显示！
之后再次保存该快照之后，下次再导入快照创建GPU就没有出现过刚刚找不到显卡驱动那个问题了！（我也不是很清楚是什么原因）
六、总结
为了写这篇博客花了大半天，同时租了滴滴云GPU服务器好几个小时，从头演示截图一遍，写完之后只感觉：我是男神，我好累！。当然玩笑归玩笑，本博客记录了我自己搭建GPU服务器一个过程，希望能帮助想要在Linux中搭建GPU环境的人少走一些弯路（我最初就是没有看到这一类相关教程，花费了好多time和money去配置显卡驱动、cuda、cudnn之类的）。本博文只作为学习用途，并不涉及任何商业推广相关的行为（滴滴云请打钱！），如果觉得对你有所帮助请点个赞吧！如果对该博文有什么疑问，欢迎评论区拍砖！
未经允许，请勿随意转载！