（二）远端服务器安装miniconda3、GPU版pytorch、2022版pycharm的SSH配置、Jupyter配置
前言
说明：本地使用win10系统及Pycharm2022.3.2，远程连接实验室服务器Ubuntu 16.04.7及Cuda11.2。
本文主要记录了在远端服务器中创建属于自己的独立环境，从零安装miniconda、pytorch；在pycharm最新2022版部署本地与服务器映射、配置Jupyter的全过程。
由于网上可以找到的教程都是Pycharm2019，而最新版2022在界面上做出了较大变化且部署起来更为方便，特此记录，由于笔者水平有限如有错误欢迎在评论区指正。
一、安装miniconda及虚拟环境创建
[1] 安装miniconda
- 首先在当前目录下创建空目录存储miniconda：
mkdir -p ~/miniconda3
- 使用清华镜像源进行下载安装
可以打开清华镜像源：
标注有py的说明自带安装了该版本python，但是影响不大，因为后续会使用自己创建的环境以防环境间相互干扰。选择需要的版本然后使用wget命令进行安装：
# -O表示将文件安装到该路径下
wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-py38_4.8.3-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3 #解压
- 删除源文件.sh
#-r 向下递归，不管有多少级目录，一并删除。
#！！！注意尽量要在根目录下使用，防止出现rm -rf is not found(说明环境变量出错)
rm -rf ~/miniconda3/miniconda.sh
- 查看conda是否安装成功并切换到目录下
~/miniconda3/bin/conda
source ~/miniconda3/bin/activate #进入base环境
说明：很多文章中说可以直接看conda -v，但是我在运行的时候出现了报错，参考了这位博主的说法：ubuntu系统安装miniconda3以后找不到conda 命令，使用source解决了问题。
[2] 进入虚拟环境
接下来我们就可以按照本地anaconda一样的指令来创建独立的虚拟环境了。
#创建虚拟环境
~/miniconda3/bin/conda create -n <env_name> python=xxx
#进入base环境
source ~/miniconda3/bin/activate
#进入创建的虚拟环境
source activate 环境名
#显示当前目录下安装的库
conda list
#切换当前目录（目录与虚拟环境互不干扰）
cd ~/文件夹名
#查看当前目录
pwd
#查看目录下子目录和文件
ls
[3] 配置conda环境变量
但是每次都输入这样的初始路径也太麻烦了，所以我们可以对linux的环境进行一定的配置。参考：Linux设置anaconda的环境变量
vi ~/.bashrc #进入配置文件
"i": 输入文本； "ESC"：退出文本模式； "shift+:"：命令模式； 命令模式wq：保存+退出
export PATH=/home/<username>/miniconda3/bin/envs/<env_name>:$PATH
source ~/.bashrc #重新初始化环境变量
做三点说明：
- 上述操作修改了下的.bashrc文件，相当于把该操作作用于username下的所有目录中，不影响其他用户且不需要每次打开都初始化一遍。
- 由于我们需要使用不同的环境来进行管理，所以我将
设为了第一个检索的路径，当然如果只是想使用默认miniconda环境也可以设置： export PATH=/home/，如果想添加新的路径就使用：/miniconda3/bin:$PATH :，其中$PATH表示系统默认路径，一定要加在末尾，表示查找不到则最后访问该路径。 - 可以通过输入python和conda -V查看版本来判断自己目前的环境到底是否正确。
二、安装GPU版本pytorch
- 查看CUDA版本
nvidia-smi
- 在pytorch官网上根据版本选择对应的命令运行
# -c表示采用官网下载，因为清华镜像源默认使用cpu版本
conda install pytorch==1.12.1 torchvision==0.13.1 torchaudio==0.12.1 cudatoolkit=10.2 -c pytorch
- 将cpu版本更新为gpu版本
出于某些原因，conda可能会查找不到gpu版本而自动下载cpu版本导致访问失败，可以参考：conda安装GPU版pytorch，结果却是cpu版本[找到问题根源，从容解决]。笔者直接卸载部分库后即解决问题：
conda uninstall cpuonly
此时torch访问成功：
三、Pycharm环境配置
注意：我在再次配置时出现了解释器库无法显示的问题，重新进行了配置，参考我的另一篇博客：Pycharm2022版SSH连接
pycharm环境配置主要分为两步：
-
Tools-Deployment设置ssh：PyCharm配置远程python解释器
-
File-Settings设置解释器
Deployment部署
参考附上的链接，不同版本的pycharm界面会略有不同，最关键的是理解关键项的意义，部署相当于是首先在Connection中连接上一个远程服务器（Root Path设定了根目录），然后在Mapping中将一个本地文件夹（Local Path一般为当前目录）与远端服务器的某个文件夹（Deployment Path）进行同步映射。映射成功后可以在Remote Host进行查看（需要先重启Pycharm）。注意的是Local Path是绝对本地路径而Deployment Path是相对于Local Path的相对路径，见下图：
Settings设置
其实和部署时差不多，考虑到网上大多数教程都是2019版，下面给出2022版的示范界面：
- 添加新的环境（我的是已经成功添加的界面）
- 选择之前已经部署好的SSH，然后不断点击Next
- 设置解释器：在Interpreter中选择miniconda3中自己env的python3，Sync folders中选择本地文件夹和远程服务器文件夹的对应（具体可以参考网上的其他教程，这里只展示大致界面）
综上所有的远程连接就完成了，接下来只需要正常变成即可，如果需要下载新的库就在命令行中进入自己的虚拟环境然后pip或conda install即可。
四、最新版Pycharm的Jupyter配置
运行Jupyter时发现只能使用cpu，无法连接远程服务器，于是进行了配置。发现网上都是2019版的教程，于是记录了自己配置的过程，2019版和2022版的差距相对来说较大，2022版的配置更为简便。
1、基本配置
参考解决pycharm 连接服务器使用Jupyter Notebook无法运行问题
可以出现如下界面则说明配置成功：
说明：关于linuxv的im指令：终端打开及编辑文件内容
1.打开文件：vi ‘文件名’
2. 按键’i’，终端页面下方显示’insert’即插入，表示文件进入自由编辑模式
3. 编辑之后按键’ESC’退出编辑页面
4. 保存及退出文件：按键’shift+:‘，三者同时摁，此时终端页面显示’:‘,输入’wq’，即保存并退出；若输入’q’则只退出不保存。
2、配置Jupyter Server
运行某一个jupyter文件，将会自动弹出如下配置界面：
如果上述过程不行的话，按照如下顺序打开Jupyer的配置：
上述过程中可能会弹出输入密码（Server）的对话框，输入自己配置时的密码即可。
说明：在查阅网上配置时发现大多博主都选择了第二项，不知道是不是2022版新增了功能，我在使用第一项即Use Managed Server即实现了自己的目的，而且很简便。
3、查看当前jupyter进程并强制结束不使用的进程
根据提示我们知道可以通过“Ctrl+C”来结束Jupyter进程
但是实际上在使用jupyter时也会出现类似的情况，即本地手动终止的进程在终端依旧在运行（这样还会导致该更新的代码没能成功刷新），我们需要用命令行结束这些进行。首先可以尝试使用jupyter notebook stop命令，但是我遇到了报错，参考这位博主成功解决了问题：如何真正地关闭jupyter notebook server
jupyter notebook list #显示当前的进程
lsof -n -i4TCP:port-number # 通过端口获得pid
kill -9 PID # 删除进程
演示如下，可以发现再次显示进程时53365被kill。(至于为什么这么多进程，是因为之前不会关hhh)
不过博主提供的代码块我没能运行成功，我也懒得检查直接手动一个个kill了。
最后：关于Jupyter训练网络时，改一次py代码就要重新刷新然后从头来一遍我暂时没有想到好方法，或许先将代码粘贴进jupyter? 后续解决了再更新，也欢迎大家在评论区指正！