2020年1月1日

炼丹第0步，装好环境

系统 Ubuntu 18.04 LTS

先装上conda（自带大多数科学计算基础包，以及比较优秀的包管理系统）：

国内网络环境建议到清华大学镜像站下载：

下载最新版本的安装包然后安装：

sh Anaconda3-2019.10-Linux-x86_64.sh

安装过程中需要注意安装路径，需要保证这是个空路径而且当前用户对于这个文件夹有写权限。安装之后执行conda init来初始化，之后就可以使用conda命令了。

安装过conda之后先装整出来个虚拟环境：

conda create -n name_of_the_env python=3.7

这样做的好处是在虚拟环境里可以只安装这个项目需要的包，可以有项目所需要的python版本（比如casa还是python2，真让人头大）。

然后安装pytorch，可以去官网 pytorch.org 选好自己的对应环境就能有个安装命令，复制粘贴运行就行。

如果想要pytorch运行在GPU上的话还需要有nvidia的显卡，在机器学习上，还是得整个显卡，4路E7都干不过1060。

此时需要先安装cuda，是N卡做计算的驱动，到英伟达官网https://developer.nvidia.com/cuda-downloads 下载最新的驱动版本：

也是复制粘贴运行（需要管理员权限）没有难度。

cuda安装好之后运行nvidia-smi如果看到你在主机上装的显卡的数量和型号能对上应该就是装好了，比如：

理论上来说至此已经可以运行pytorch来进行神经网络的训练了。

但是，值得注意的是，大部分时候，比较强算力的机器是服务器，而服务器在机房，不会像个主机一样，可以一边训练，一边开个pycharm或者VSCode改model，而且比较传统的方式： 写代码->上传->运行->修改->运行 的方法太不优雅了，这里可以使用jupyterlab或者vscode-server 来实现丝滑流场的开发和运行。实现方式是在服务器上起一个编辑器的服务，然后我们来访问这个服务器来实现在线的编辑以及运行命令。

先安装jupyterlab （如果没有的话）：

conda install jupyterlab

然后在命令行下运行：

jupyter-lab --no-browser

此时会启动一个jupyter服务器，同时避免在服务器开启一个浏览器，我们在本地启动一个服务器，然后访问命令弹出来的带密钥的网址，就会进入jupyterlab工作环境:

有notebook，能改脚本，有文件树，有terminal，画完图能直接看，夫复何求。

所以工作流程是这样的： 在notebook里面开发+测试，把成熟的部分封装并写成.py文件并在notebook里引用来简化notebook，等所有都结束了之后在terminal里用tmux启动一个几万epoch的大训练，然后就是漫无天日的等待了。