ssh免密快速登录
首先，将你的登录命令写入你的pc端的bash启动脚本中。Mac系统为 ~/.bash_profile ，linux系统为 ~/.bashrc 。例如你的服务器用户名为dlnlp，ip为102.10.60.23，那么就把这句登录命令写进去：
alias sshdlnlp="ssh [email protected]"
还有一种更科学强大的方法：将你的服务器信息写入PC端的ssh配置文件中，配置文件位于 ~/.ssh/config ，例如你的服务器用户名为dlnlp，ip为102.10.60.23，那么就把这句写进去：
Host dlnlp
[一个Tab]User dlnlp
[一个Tab]Hostname 102.10.60.23
[一个Tab]Port 22
（Host后面那个dlnlp是你起的名字，你也可以用更简短的名字） 这样可以 ssh dlnlp 也能快捷登录，注意中间的空格哈。而且scp也更加方便了。
保存后别忘 source ~/.bash_profile 或者 source ~/.bashrc 激活一下启动脚本哦。
然后，经过第一步后，只需要再敲密码就可以进入啦。但是懒癌至深的我们怎么能容忍敲密码这么麻烦的事情呢！（划掉，应该是小仙女怎么能容忍敲密码这种事情呢）但是我们又不能牺牲服务器的安全性，那怎么办呢？考验大学里计算机网络基础的时候到了～
也很简单，把你PC端的ssh公钥写入服务器的ssh信任列表里就可以啦。首先用`ssh-keygen`命令生成rsa密钥对（生成一只私钥和一只公钥），一路enter即可，但是注意：
之前有已经生成过的同学在此处就选择n吧，没有生成过的同学就一路next～
然后去 ~/.ssh/ 文件夹下将公钥发送到服务器上的某文件夹里：
然后去服务器上，把你PC端的公钥丢进ssh信任列表：
cat id_rsa.pub >> ~/.ssh/authorized_keys
ssh会把你每个你访问过计算机的公钥(public key)都记录在~/.ssh/known_hosts。当下次访问相同计算机时，OpenSSH会核对公钥。如果公钥不同，OpenSSH会发出警告，如果我们重新安装系统，其公钥信息还在，连接会出现如下截图情况
解决方法： rm -rf ~/.ssh/known_hosts
关于jupyter notebook
jupyter notebook这个神器小夕在历史文章中写过啦，也是一个重量级调参神器！或者直接可以说深度学习神器！在服务器端依然犀利的无可替代，只需要如下的tricks。
1、服务器端开启jupyter notebook后
然后复制最后那一行的 token=xxx ，这个token就是远程访问的密码！同时记下 最后那行显示的端口号 8888（因为如果服务器上同时开多个的话，端口号就不一定是8888了哦），然后去PC端做一个端口映射！即通过ssh隧道来将服务器端的8888端口号映射到本地（PC端）的某个端口（如1234）：
ssh -L 1234:localhost:8888 [email protected]
（这个操作同样可以用于远程监视服务器端tensorboard）
这时就可以在PC端的浏览器
http://localhost:1234
直接访问服务器上的jupyter notebook啦～当然，访问时会让你输入密码，这时就输入之前记下的那个token哦。
2、让jupyer notebook跟anaconda开发环境融合。
默认的情况下jupyter notebook是运行在系统默认环境里的，如果要让它运行在我们自己用ananconda创建的环境中，要进入那个环境中，然后安装 nb_conda 这个库：
conda install nb_conda
这时再开启jupyter notebook就能选择在我们这个环境里运行代码啦。
多任务管理（并行调参）
如果你的服务器上有多个GPU，或者你的任务消耗GPU资源不多，那么并行的训练模型调参数是极大提高开发效率的！这里小夕给出几种场景下的常用方案：
1、比如我们在服务器上除了训练还要接着干别的事情（比如还要捣鼓一下贪吃蛇什么的），那么我们就可以直接将训练任务挂后台。具体如下。
在linux中，在命令后面加上 & 符号可以将命令在后台执行，为了能看到训练日志，我们当时还需要输出重定向（否则会打印到屏幕上干扰正常工作的），所以比如我们调batchsize参数时可以这样：
dlnlp@ubuntu:~$ python train.py --batchsize=16 > log_batch16.txt &
当然再挂上其他batchsize大小，如：
dlnlp@ubuntu:~$ python train.py --batchsize=16 > log_batch16.txt &
dlnlp@ubuntu:~$ python train.py --batchsize=64 > log_batch64.txt &
dlnlp@ubuntu:~$ python train.py --batchsize=128 > log_batch128.txt &
通过 jobs 命令可以看到后台任务的运行状况（running、stopped等），通过 bg [任务号] 可以让后台stopped的命令继续running，通过 fg [任务号] 可以让后台的任务来前台执行。对于前台已经执行起来的任务，可以 ctrl+z 来丢进后台（丢后台时stop了的话用bg让其run起来）。
感谢微信用户A Bad Candy在微信订阅号后台留言提醒上面的丢后台方法会在ssh断开连接后进程终止，因此：
如果我们还不希望ssh断开后导致训练任务终止，那么需要再在命令前面加上 nohup 。如：
dlnlp@ubuntu:~$ nohup python train.py --batchsize=16 > log_batch16.txt &
2、如果我们特别着急，不仅要并行挂着很多训练任务，而且都要实时的监控它们的训练进展，那么使用 screen命令吧，这个命令就相当于可以让你同时开很多个窗口（就像桌面上那样，你可以开很多应用程序的很多窗口），而且多个窗口之间可以轻松切换，同样这种方法不会因为ssh的断开而停止训练任务。
具体的操作可以直接在linux下 man screen 来查看screen命令的帮助文档。英文恐惧症的童鞋可以看本文参考文献[1]。
睡觉调参模式（串行调参）
大部分场合下我们没有那么多充裕的GPU可以用，我们一般只能一次挂一个任务，但是我们又有很重的调参任务，那怎么办呢？
依然很简单啦，首先，装好python-fire这个工具。
它可以非常轻松的将你的python程序变成命令行程序，并且可以轻松的将你要调的参数封装成命令行参数的形式。
然后，写一个调参shell脚本，把你要调的参数全都写进去！比如就像这样：
（当然别忘在代码里将训练的summary写到某个文件里）
然后就可以挂上这个脚本去睡觉啦～睡到天亮发现各个最优参数都找到了，超级开心有木有。