플랫폼에서 제공하는 Jupyter 인터페이스를 통해 사용자는 웹 페이지에서 임대 서버를 직접 제어할 수 있습니다.
SSH를 직접 조작할 필요가 없습니다.
![](https://img-blog.csdnimg.cn/img_convert/172ab53c61094b268bd9e74610b39e9e.png)
![](https://img-blog.csdnimg.cn/img_convert/31bebd039ccc47f799b8c29e7cf5acf9.png)
![](https://img-blog.csdnimg.cn/img_convert/bc18e79b469246be899e862dd3023ede.png)
![](https://img-blog.csdnimg.cn/img_convert/eadd1b1ae0856676458d6c139762a4a6.png)
인스턴스 생성 후 바로 가기 도구에서 직접 Jupyter를 클릭하면 이미 임대한 서버를 운영하고 있으며 서버와의 연결이 이루어졌습니다.
터미널의 블랙박스를 열어보면 이미 대여한 서버의 리눅스 시스템을 사용하고 있고 이미 리눅스 명령어를 입력하면 대여한 시스템의 리소스를 사용할 수 있다.
환경 구축:
처음에 설정한 환경은 서버의 기본 환경으로 사용이 가능하거나 부족할 수 있습니다.
충분하지 않은 경우 anconda를 통해 빌드할 수 있습니다.
AutoDL 플랫폼이 임대한 서버에서 환경을 구축, 활성화 및 확인하려면 다음 단계를 따르십시오.
환경 생성 및 활성화
conda나 pip와 같은 도구를 사용하여 AutoDL 플랫폼에서 임대한 서버에 환경을 구축할 수 있으며 구체적인 단계는 다음과 같습니다.
conda를 사용하여 환경을 만듭니다.
conda create--name my_env python=3.7
source activate my_env
여기서 my_env는 지정한 환경 이름이고 python=3.7은 지정한 Python 버전입니다. source activate my_env 명령으로 환경을 활성화합니다.
pip로 가상 환경을 만듭니다.
python -m venv my_env
source my_env/bin/activate
여기서 my_env는 지정한 환경 이름입니다. source my_env/bin/activate 명령으로 환경을 활성화합니다.
환경을 활성화한 후 해당 환경에서 필요한 Python 라이브러리 및 도구를 설치하고 사용할 수 있습니다.
지각 환경
PyTorch 패키지 설치를 예로 들어 보겠습니다.
conda 또는 pip와 같은 도구를 사용하여 PyTorch를 설치할 수 있습니다.구체적인 단계는 다음과 같습니다.
conda를 사용하여 PyTorch를 설치합니다.
conda install pytorch torchvision cudatoolkit=10.1-c pytorch
여기서 cudatoolkit=10.1은 CUDA 10.1 버전용으로, 다른 버전의 CUDA를 사용하는 경우 해당 파라미터를 수정해야 합니다.
pip를 사용하여 PyTorch를 설치합니다.
pip install torch torchvision
GPU 버전의 PyTorch를 사용하는 경우 CUDA 및 cuDNN과 같은 해당 도구를 설치해야 합니다.
환경 확인
환경을 보려면 다음 명령을 사용하십시오.
콘다 환경의 경우:
conda info --envs
여기에는 각 환경에 대한 경로 및 Python 버전과 같은 정보와 함께 설치된 모든 conda 환경이 나열됩니다.
pip 가상 환경의 경우:
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