连接服务器

Windows – XShell XFtp SSH

1. 通过SSH来连接实验室的服务器

• 使用SSH连接已经不陌生了 github和OS课设都经常使用
• 目前使用 192.168.7.169

1. 使用工具 XShell 和 XFtp

• 使用XShell连接服务器以及操作，服务器每个节点上都安装了Ubuntu 16.04 LTS操作系统
• 使用XFtp管理文件

1. 参考资料：
   Xshell+Xftp SSH隧道代理
   Xshell通过SSH密钥、SSH代理连接Linux服务器详解

Mac OS – Terminal Cyberduck

因为实验室工位上的电脑是Mac 只能重新熟悉一波了

1. 使用Terminal来建立SSH远程连接
2. 使用Cyberduck来建立SFtp连接管理文件（考虑filezilla中）
3. 参考资料：
   Mac下如何用SSH连接远程Linux服务器(包括Cyberduck下载)
   Mac下使用自带终端SSH功能

建立环境 – virtualenv

1. 建立虚拟环境并安装包（也可以考虑anaconda）
   建立环境：virtualenv xxx_py virtualenv -p python3 xxx_py
   进入环境：source xxx_py/bin/activate
   退出：deactivate
2. 使用清华镜像

• 临时使用
  pip install -i https://pypi.tuna.tsinghua.edu.cn/simple some-package
• 设为默认
  pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

1. 参考资料：
   清华pypi 镜像使用帮助
   virtualenv介绍及基本使用
   Python开发必备神器之一：virtualenv
   virtualenv-廖雪峰的官方网站

让TensorFlow代码跑在GPU上

1. GPU占用问题
   TensorFlow可能会占用视线可见的所有GPU资源

• 查看gpu占用情况：gpustat
• 在python代码中加入：
  os.environ['CUDA_VISIBLE_DEVICES'] = '0' os.environ['CUDA_VISIBLE_DEVICES'] = '0,1'
• 设置使用固定的gpu：
  CUDA_VISIBLE_DEVICES=1 Only device 1 will be seen  CUDA_VISIBLE_DEVICES=0,1 Devices 0 and 1 will be visible  CUDA_VISIBLE_DEVICES=”0,1” Same as above, quotation marks are optional  CUDA_VISIBLE_DEVICES=0,2,3 Devices 0, 2, 3 will be visible; device 1 is masked
  运行代码时
  CUDA_VISIBLE_DEVICES=0 python3 main.py
• TensorFlow自己提供的两种控制GPU资源的方法：
  • 在运行过程中动态申请显存，需要多少就申请多少

  config = tf.ConfigProto()  
  config.gpu_options.allow_growth = True  
  session = tf.Session(config=config) 

  • 限制GPU的使用率

  gpu_options=tf.GPUOptions(per_process_gpu_memory_fraction=0.4)  
  config=tf.ConfigProto(gpu_options=gpu_options)  
  session = tf.Session(config=config)  

1. TensorFlow代码
   目前没有考虑在代码各个部分手动分配时GPU还是CPU
   所以用 with tf.device(self.device): 把所有网络结构包了起来
   然后用 config = tf.ConfigProto(gpu_options=gpu_options,allow_soft_placement=True) 让TensorFlow自己去分配了

2. 参考资料：
   tensorflow设置gpu及gpu显存使用
   TensorFlow 使用 GPU
   tensorflow GPU小测试