Auto DL 平台租服务器（GPU）跑代码（炼丹）使用教程，告别繁琐的SSH，平台自带的Jpyter用网页就能实现
平台提供的Jupyter 接口可以让用户直接在网页实现对所租服务器的控制。
不用直接操作SSH。
创建实例后，快捷工具直接点Jupyter,这时你就已经在操作你租的服务器了，已经实现和你服务器的连接了。
打开终端那个黑框，你就已经在使用你租的服务器的Linux系统了,就已经可以通过输入Linux命令来对你租的系统里的资源进行使用了。
环境搭建：
一开始自己设置的环境是服务器默认环境，可能够用，也可能不够。
不够的话可以通过anconda来搭建：
在AutoDL平台租用的服务器上搭建、激活和查看环境，可以按照以下步骤进行：
创建并激活环境
在AutoDL平台租用的服务器上搭建环境可以使用conda或者pip等工具，具体步骤如下：
使用conda创建环境：
conda create--name my_env python=3.7
source activate my_env这里的my_env是你指定的环境名称，python=3.7是你指定的Python版本。使用source activate my_env命令激活环境。
使用pip创建虚拟环境：
python -m venv my_env
source my_env/bin/activate这里的my_env是你指定的环境名称。使用source my_env/bin/activate命令激活环境。
激活环境后，你可以在该环境中安装和使用所需的Python库和工具。
构造环境
以安装PyTorch包为例
安装PyTorch可以使用conda或者pip等工具，具体步骤如下：
使用conda安装PyTorch：
conda install pytorch torchvision cudatoolkit=10.1-c pytorch这里的cudatoolkit=10.1是针对CUDA 10.1版本的，如果你使用的是其他版本的CUDA，需要修改对应的参数。
使用pip安装PyTorch：
pip install torch torchvision如果你使用的是GPU版本的PyTorch，需要安装对应的CUDA和cuDNN等工具。
查看环境
查看环境可以使用以下命令：
对于conda环境：
conda info --envs这会列出所有已安装的conda环境，以及每个环境的路径和Python版本等信息。
对于pip虚拟环境：
source my_env/bin/activate
python -m pip list这里的my_env是你指定的环境名称。使用python -m pip list命令列出该环境中
文件上传：
在Jupyter里有个按钮，点开就能选择本地的文件进行上传。
文件解压：
需要提前在服务器里安装一个解压缩软件：
对于Ubuntu/Debian系统：sudo apt-get install p7zip-full
对于CentOS/Fedora系统：sudo yum install p7zip-full
安装完成后，你就可以在终端中使用7z解压缩软件进行文件的解压缩了。在终端中输入以下命令进行解压缩：要进入文件所属目录才行
7z x filename.7z这里的filename.7z是你需要解压缩的文件名。
如果安装不了，可能是因为软件源出现了问题：
尝试使用apt-get update命令更新软件包源，并重新运行apt-get install
直接用这行命令解决：
sudo apt-get update
知识拓展：
更换软件源来解决问题。具体步骤如下：
打开终端，并输入以下命令备份原来的软件源列表：
sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak输入以下命令打开软件源配置文件：
sudo nano /etc/apt/sources.list将原来的软件源地址替换成其他可用的软件源地址。例如，如果你使用的是Ubuntu系统，可以参考Ubuntu官方文档更换软件源。在配置文件中加入新的软件源地址后，可以使用Ctrl+X键保存并退出。
更新软件包列表，使用以下命令更新软件包列表：
sudo apt-get update跑模型：
单纯运行代码：
也就是在终端中直接运行。
打开控制台，
进入目标文件夹，
使用 python ***.py命令，
如果要运行的代码文件是python语言名叫***的话。
让代码在离线的情况下运行：
如果是在终端中直接运行的话，那么断开SSH连接时，程序就会停止。
也就是说断网或者关闭目前的Jupyter程序就会终止。
解决方法一：
启动训练程序，并使用nohup命令和&符号将程序放到后台运行。例如：
nohup python train.py &这里的train.py是你的训练程序名称，nohub命令可以让程序在后台运行，并忽略所有挂起信号（SIGNUP）.
其中&表示将程序放到后台运行，并输出日志到nohunp.out（自动生成）文件中。
如果需要查看训练日志，可以使用tail命令查看：
tail -f nohub.out解决方法二：
使用tmux或screen等工具创建一个会话。
如果你使用的是tmux，可以使用以下命令创建一个会话：
tmux new -s my_session_name如果你使用的是screen，可以使用以下命令创建一个会话：
screen -S my_session_name这里的my_session_name是你指定的会话名称。
在会话中启动训练程序，例如：
python train.py这样，训练程序将在会话中运行，即使你断开SSH连接或者退出终端，训练程序仍然会在后台继续运行。
如果你需要重新连接到AutoDL服务器并查看训练日志，可以使用以下命令重新连接到会话：
如果你使用的是tmux，可以使用以下命令重新连接到指定的会话：
tmux attach -t my_session_name如果你使用的是screen，可以使用以下命令重新连接到指定的会话：
screen -r my_session_name让程序终止运行：
方法一：
输入
sudo killall python
这个命令可以停止所有python程序的运行。
如果出现command not found错误可能是系统没装这个命令，
可以通过
sudo apt-get install psmisc
来安装
再不行就用：
sudo pkill python
同样可以停止所有python程序的运行
方法二：
找到正在运行模型的进程ID，使用以下命令查找：
ps aux | grep python
ps aux | grep train.py这里的python是你使用的深度学习框架的解释器名称，例如TensorFlow和PyTorch都是使用python作为解释器。查找结果会显示正在运行的所有python进程及其进程ID。
如果把python换成train的话，就会列出所有正在运行的train进程。
使用kill命令停止模型的运行，例如：
kill -9 process_id这里的process_id是你查找到的模型进程ID。
确认模型已经停止运行，你可以使用以下命令查看进程是否已经终止：
ps aux | grep python如果模型的进程已经终止，将不会显示在查找结果中。
需要注意的是，使用kill命令可以强制停止模型的运行，但是这样可能会导致模型在停止前未保存的训练结果丢失。因此，在停止模型之前，建议保存训练结果和模型参数，以便以后继续训练或者使用。
路径问题：
pwd 命令查看当前路径
如果是绝对路径，那么一定是/root开头