Linux常用命令、深度学习Anaconda+Pytorch、训练可视化方法
一、Linux常用命令
（1）文件处理命令
| 1 | ls | ls -a ls --all：完整 ls /home/ ls -h：显示目录和文件数据 ls -d：只看目录本身，不看文件数据 ls -i：查询ID |
| 2 | makir | makir /home/name ：创建新目录 makir -p /home/name：可以递归创建目录，即同时创建子目录和根目录 |
| 3 | cd | cd /home/name：切换到目录 cd ..：返回上一级目录 |
| 4 | pwd | pwd ：显示当前目录 |
| 5 | rmdir | rmdir /home/name ：删除空目录 |
| 6 | cp | cp [原文件目录][目标目录]：复制文件到目录 cp -r [原目录目录][目标目录]：复制目录到目录 cp -p：复制保存文件属性 |
| 7 | mv | mv [原文件目录或文件][目标目录] ：剪切目录或文件 mv [原文件目录或文件][目标目录/newname] ：剪切目录或文件的同时改名 mv [name][newname] ：当前目录下移动，即改名 |
| 8 | rm | rm name：删除，有提示是否删除 rm -f name：强制删除，无提示 rm -rf /home/home1：删除目录，无提示，若为-r则回以此提示目录下每个文件 rm |
| 9 | touch | touch name：创建空文件在当前目录下 touch home/name：在绝对路径下创建空文件 touch "name1 name2"：创建带空格文件名的空文件 |
| 10 | cat | cat /home/name：查看文件 cat -n /home/name：带行号查看文件 tac ：倒着显示（不常用） |
| 11 | more | more /home/name：分页查看文件，回车换行，空格换页 less /home/name：more的进阶，可以按pageup向上翻页，上箭头向上换行，可以查找关键词 head -n 20 /home/name：查看文件前几行 tail -n 20 /home/name：查看文件末尾几行 tail -f：动态显示 |
| 12 | ln | ln -s [原文件路径和文件名][新文件的路径和文件名]：创建软连接，相当于快捷方式，三个权限都是rwx（lrwxrwxrwx） ln [原文件路径和文件名][新文件的路径和文件名]：创建硬链接，类似于保存属性的拷贝，并且会和原文件同步更新，原文件删除，硬链接依然可以访问 |
| 13 | wget | wget http://www.minjieren.com/wordpress-3.1-zh_CN.zip |
| 14 | 解压 | .tar格式：tar xvf FileName.tar .gz格式：gunzip FileName.gz .tar.gz 和 .tgz格式：tar zxvf FileName.tar.gz .zip格式：unzip FileName.zip .rar格式：rar x FileName.rar |
（2）Vim
由于排版问题，下面两个表格消失了。。。。不过没有影响~~
常用工具--Vim
1 chmod
可以编辑、显示、查看文本文件，是一个文本编辑器
2 3种模式
命令模式(默认)：vi filename 进入
插入模式： i(插入模式)，esc(回到命令模式)
编辑模式： :(编辑模式)，执行完自动回到命令模式
3 其余详细介绍见→
Linux vi/vim | 菜鸟教程
（3）权限管理
常用命令--权限管理(只有所有者或管理员有权更改权限)
1 chmod
chmod [{ugoa}{+-=}{rwx}][文件或目录]
[{ugoa}{+-=}{rwx}][文件或目录]
r---4 w---2 x---1 用数字表示
rwxrw-r-- 等价于 764
例：chmod 777 home/yzh
2 chown chown [用户][文件或目录]：改变所有者（只有管理员可以操作）
3 chgrp chgrp [用户组][文件或目录]：改变所属组
二、深度学习配置指令
1.Anaconda安装
https://www.anaconda.com/products/individual在官网下载安装包，手动上传Linux服务器或使用wget下载。
执行
sh Anaconda3-2021.05-Linux-x86_64.sh默认安装目录为 /home/
Do you wish the installer to initialize Anaconda3 by running conda init?输入 yes
在初次使用anconda时，应执行 conda init来初始化anaconda的用户环境变量。（如果shell使用的zsh，请执行 conda init zsh）
2.修改镜像源
为了提高包下载速度，需要修改镜像源，目前最好用的是北外的，下面是操作方法：
修改用户目录下的 .condarc 文件为：
channels:
- defaults
show_channel_urls: true
default_channels:
- https://mirrors.bfsu.edu.cn/anaconda/pkgs/main
- https://mirrors.bfsu.edu.cn/anaconda/pkgs/r
- https://mirrors.bfsu.edu.cn/anaconda/pkgs/msys2
custom_channels:
conda-forge: https://mirrors.bfsu.edu.cn/anaconda/cloud
msys2: https://mirrors.bfsu.edu.cn/anaconda/cloud
bioconda: https://mirrors.bfsu.edu.cn/anaconda/cloud
menpo: https://mirrors.bfsu.edu.cn/anaconda/cloud
pytorch: https://mirrors.bfsu.edu.cn/anaconda/cloud
simpleitk: https://mirrors.bfsu.edu.cn/anaconda/cloud有部分朋友安装好conda后目录里没有.condarc文件，解决办法为输入以下指令，即可在/home/user目录下出现该文件：
conda config --add channels r接下来进入虚拟环境 pip config set global.index-url https://mirrors.bfsu.edu.cn/pypi/web/simple 即可。
完整的开源镜像站文档参考北京外国语大学开源软件镜像站 | BFSU Open Source Mirror
3.Pytorch安装
pytorch的版本要适应CUDA（NVIDIA显卡接口）版本，首先到pytorch官网Previous PyTorch Versions | PyTorch寻找对应的版本。
（1）查看CUDA版本的方法
通过查看/usr/local目录：
$ ls /usr/local -all
total 44K
drwxr-xr-x 2 root root 4.0K 6月 24 22:36 bin
lrwxrwxrwx 1 root root 21 6月 23 14:38 cuda -> /usr/local/cuda-11.1/
drwxr-xr-x 15 root root 4.0K 8月 16 21:58 cuda-10.1
drwxr-xr-x 14 root root 4.0K 6月 23 14:39 cuda-11.1
drwxr-xr-x 18 root root 4.0K 8月 16 15:20 cuda-9.0（2）目前的pytorch和CUDA匹配情况
（3）在官网找到指令下载pytorch
可使用conda或pip下载，例如：
conda install pytorch==1.8.0 torchvision==0.9.0 cudatoolkit=11.1 -c pytorch -c conda-forgepip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html（4）如何调用GPU训练
1）、查看GUP状态的方法：
$ gpustatServerE1 Wed Aug 18 14:45:01 2021 470.57.02
[0] NVIDIA GeForce RTX 3090 | 51'C, 0 % | 0 / 24268 MB |
[1] NVIDIA GeForce RTX 3090 | 66'C, 93 % | 22539 / 24268 MB | fsr(22537M)2）、调用GPU的方法：
在程序开始时配置环境变量：
import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ['CUDA_VISIBLE_DEVICES'] = "0,1" #单卡os.environ['CUDA_VISIBLE_DEVICES'] = "0"或直接执行：
export CUDA_DEVICE_ORDER=PCI_BUS_ID
export CUDA_VISIBLE_DEVICES=0,1或以此将每个数据和模型送入GPU：
#实例device
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
#将变量或模型送入GPU
x = torch.rand([500, 1]).to(device)
my_linear = my_linear.to(device)
#此处my_linear为nn.Module里面基本线性模型类的实例4.可视化训练方法
目前主流可视化方法有两个，分别是TensorBoard和VisualDL，两者都是独立的Python包，不依赖于特定的深度学习框架，且用法类似。二者的参考文档分别是torch.utils.tensorboard — PyTorch 1.9.0 documentation和VisualDL 工具简介-使用文档-PaddlePaddle深度学习平台。后者是百度开发的，示例相对前者很丰富，并且是中文的，推荐后者。
VisualDL使用方法如下：
（1）安装这个包
pip install --upgrade --pre visualdl