【Linux】（四）VS Code远程开发方式-实验室服务器使用VS Code远程开发

系列文章

（一）服务器初次配置及安装vncserver
（二）实验室添加新用户及其配置vnc4server、xfce4桌面访问流程
（三）VNC桌面连接开发方式-实验室服务器多用户访问xfce4桌面使用手册
（四）VS Code远程开发方式-实验室服务器使用VS Code远程开发
（五）GateWay远程开发方式-实验室服务器使用GateWay远程开发
（六）MobaXterm文件传输与终端-实验室服务器使用MobaXterm传输文件和ssh终端连接

一、服务器情况简介

1.1服务器及用户

服务器有三台，分别编号服务器1、2、3

• 用户名均为intleomn,其中m为服务器编号，n为用户序号，所有intleomn的用户组名为intleom1，所有用户的权限掩码为0002
  例如服务器2中的用户为 intleo21, intleo22, intleo23, ··· ， 用户均属于 intleo21组

文件说明

• 所有共享资源安装在/usr/local/中
• 所有个人文件（如程序及数据集）请放置于机械硬盘下，不要直接存放于home目录下，机械硬盘一般挂载于/media/D_4TB、/media/E_4TB或/media/D_8TB等文件夹下，再这类文件夹下新建文件夹为名字拼音大写首字母，例如名字：张三，文件请放置于/media/D_4TB/ZS中，有些服务器多硬盘，请根据情况新建

1.2 cuda

• cuda使用版本为cuda-10.1，安装位置为/usr/local/cuda-10.1中

1.3 conda环境

• anaconda安装至/usr/local/anaconda3中，文件所属用户组为第一号intleo用户(如服务器2为intleo21)， 权限为775，即用户组成员可读可写可执行
• 所有已安装环境处于/usr/local/annconda3/envs/下， 如图所示
  

二、VS code连接使用说明

2.1 下载VS code

下载链接为Download Visual Studio Code

2.2 配置

1. 安装远程开发插件
   

2. 添加主机，两种方式，推荐2

   • 方案一
     ctrl+shift+p
     输入remote-ssh，选Add New SSH Host
     
     填写远程服务器用户名及ip地址, 如ssh [email protected]，选择配置保存位置，第一个就可以，将会保存到这个文件当中，也可以通过方式二直接编辑该文件来实现
     
   • 方案二：
     也可以通过下面这种方式添加连接
     
     
     默认选第一个即可
     
     在打开的文件中输入如下内容

     Host i21	# 别名，随便取，自己能认出就行
             HostName 192.168.1.202  # IP
             User intleo21           # 用户名
     

3. ctrl+s保存，即可看到左边多了一台名为i21的主机
   
   双击主机即可进行连接，需要输入密码

4. 新弹出一个界面，选择目标主机系统类型
   

5. 等待远程服务器安装完server并完成连接

6. 连接后，点击Explore，可以选择远程文件夹进行打开
   选择想要打开的远程文件夹目录，即工程目录，例如我打开如下目录，最上面的双点可以进入上一级，请确保文件放置再media下的机械硬盘中，确认即可打开
   

7. 安装python插件
   

8. 打开一个python文件，点击右下角选择远程环境
   
   弹出如下进行选择
   

9. 打开终端
   
   下面弹出如下，并自动激活所选环境
   

2.3 调试文件

以下例子非实验室服务器实操记录，但类同
点击要执行调试的python文件，点击菜单栏Run -> Add Configuration，添加配置文件

将生成

运行或调试时，点击左侧运行和调试，选择配置文件，这里我们目前只有一个配置文件，即Python: Current File

在python文件行号左边点击设置一个断点，再点击绿色启动按钮即可启动调试

如果只是简单调试，那么使用已生成的即可，如果复杂调试，那么可以对launch.json进行编辑，在后面的附录将放置较为复杂的几种配置

附录：

VS code调试复杂配置

添加配置的方式为在配置文件中configurations的列表后面继续追加配置字典，
例如我想对文件夹下的某个文件指定启动的配置，那么可以在configurations列表中添加一项内容，例如下面放置几个比较复杂的

		// 例1
        {
            "name": "Python: restapi_trt",  // 名称，随意取，自己看的出来即可
            "python": "/usr/bin/python3",  // 指定python解释器
            "type": "python",               // 类型python
            "request": "launch",
            "program": "${workspaceFolder}/data_process/restapi_trt.py",    // 选择要执行的文件
            "console": "integratedTerminal",
            "cwd": "${workspaceFolder}/data_process",   // 指定工作目录
            "justMyCode": false, //调试封装包里面的代码，调试时有时候包里面的程序会跳过，需要设置这个就不会了
            "env": {"CUDA_VISIBLE_DEVICES":"0,1"},   // 设置环境变量，例如指定显卡
            "args": ["--train_dir", "./input/train_data",   // 命令行参数
                "--dev_dir", "./input/valid_data",
            ],
        },
        // 例2，想要执行python -m torch.distributed.launch --nproc_per_node=4  train.py  --batch_size 8 --imgsize 680
        // 定位到当前解释器中torch.distributed.launch包的位置并设置，可以通过import torch.distributed.launch as launch 然后打印 launch.__file__即可获得
        {
            "name": "train-base",
            "type": "python",
            "request": "launch",
            "program": "/usr/local/anaconda3/envs/openmmlab/lib/python3.7/site-packages/torch/distributed/launch.py",
            "console": "integratedTerminal",
            "env": {"CUDA_VISIBLE_DEVICES":"0,1,2,3"},
            "args": ["--node_rank=4", "train.py", 
                    "batch_size", "8", "--imgsize", "680"]
        },

公共数据集

1. 存放位置：/media/D_4TB/Shared/Datasets/
2. 软链接至自己的目录
   例如将公共目录下的coco数据集，软链接至自己项目内的data/coco目录下，那么就可以在终端中，先cd到自己的项目路径，再执行下面这条命令即可
   ln -s /media/D_4TB/Shared/Datasets/coco ./data/coco