AutoDL 环境+ PyCharm 配置教程：实现 GPU 加速与远程开发_autodl pycharm

简介
在本文中，我们将深入讲解如何通过 AutoDL 租用 GPU 服务器，并利用 Conda 配置 Python 环境。接着，我们将配置 PyCharm 与 AutoDL 实例进行远程开发，帮助你高效进行深度学习模型的训练与部署。无论是配置 Jupyter 内核，还是在 PyCharm 中进行代码开发和调试，本教程都将手把手教你如何操作，让你的开发过程更加流畅。

目录

• • • • 一、AutoDL 环境配置
      • • 1.1 租用 AutoDL 服务器
        • 1.2 进入终端并配置 Conda
        • • 1.2.1 配置Conda 环境
          • 1.2.2 创建 Python 环境
          • 1.2.3 安装 PyTorch 和其他依赖
        • 1.3 更新 Jupyter 内核页面
      • 二、在 PyCharm 中配置 AutoDL
      • • 2.1 连接 AutoDL 实例
        • 2.2 配置 SSH 连接
        • 2.3 配置远程 Python 解释器
        • 2.4 配置项目映射和文件同步
      • 三、PyCharm 与 AutoDL 交互
      • • 3.1 配置自动上传与远程资源管理
        • 3.2 下载远程模型和数据
    • 总结

一、AutoDL 环境配置

在使用 AutoDL 租用 GPU 时，首先需要通过 Conda 配置 Python 环境。以下是详细的配置步骤。

1.1 租用 AutoDL 服务器

1. 访问 AutoDL 平台并租用 GPU 服务器，确保你的租用实例具备所需的显卡支持。

1.2 进入终端并配置 Conda

通过 JupyterLab 进入终端并配置 Conda 环境。

1. 点击 JupyterLab 进入终端：

   

2. 使用 conda activate base 命令激活环境，但可能会遇到命令无法识别的错误。接下来我们来配置 Conda。

1.2.1 配置Conda 环境

1. 输入vim ~/.bashrc，打开配置文件

   

2. 键盘输入i (一定保证是英文i) 开始编辑

   

3. 在文件末尾添加以下路径： source /root/miniconda3/etc/profile.d/conda.sh

4. 按 Esc，然后输入 :wq 保存退出。

5. 输入 bash 命令重启终端，或直接关闭终端重新打开。

6. 再次使用 conda activate base 命令，即可成功激活环境。

   

1.2.2 创建 Python 环境

创建一个新的 Python 环境：

conda create -n py38 python=3.8

conda activate py38

1.2.3 安装 PyTorch 和其他依赖

根据显卡的 CUDA 版本，安装适合的 PyTorch 版本。

1. 输入nvidia-smi查询你的显卡支持的 CUDA 版本：例如这是RTX 4090D 的显卡，最高支持12.4的CUDA

   

2. 安装 PyTorch，进入官网找到对应历史版本

   以我的主机参数：2080Ti 显卡，conda 10.1，python3.8环境为例——查询到使用1.7.0版本，CUDA选择10.1 的pytorch

   conda install pytorch==1.7.0 torchvision==0.8.0 torchaudio==0.7.0 cudatoolkit=10.1 -c pytorch

本人的UNet项目开发环境——RTX 3090 显卡，conda 10.1，python3.8 (ubuntu18.04)环境为例， CUDA 11.3 的pytorch (正在使用)

pip install torch==1.13.1+cu117 torchvision==0.14.1+cu117 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu117

安装其他必需的包：

pip install jupyter d2l

1.3 更新 Jupyter 内核页面

1. 在创建的环境中安装 Jupyter 内核：

   在创建的 py38环境中，输入conda install ipykernel

2. 使用以下命令更新内核：

   输入：ipython kernel install --user --name=sci_research，成功之后刷新页面，如下:

   

刷新页面，新的内核配置就会出现在 Jupyter 页面中。

二、在 PyCharm 中配置 AutoDL

2.1 连接 AutoDL 实例

登录 AutoDL 后复制 SSH 指令，连接到实例：

例如SSH指令： ssh -p 20777 root@region-77.seetacloud.com

2.2 配置 SSH 连接

1. 打开 PyCharm，进入 Settings -> Tool -> SSH Configurations。

2. 填入 SSH 信息并点击 Test Connection 测试连接。

   

2.3 配置远程 Python 解释器

1. 在 Settings -> Project -> Python Interpreter 中添加远程解释器。

   

2. 选择Existing

   

3. 配置远程解释器路径

可以通过在远程cmd终端输入whereis python，查找miniconda的环境所在路径

默认是在/root/miniconda3/bin/python，自定义创建的新环境就会在 miniconda下的envs文件夹中（例如小编的路径为：/root/miniconda3/envs/py38/bin/python）

2.4 配置项目映射和文件同步

1. 在根目录下创建一个新的项目文件夹，以便管理。

   root目录为 根目录，为了便于管理，那就在root目录下创建新的项目目录（小编创建了root/unet_my文件夹）

   

2. 在 PyCharm 中配置项目映射，将本地文件与远程服务器同步。

三、PyCharm 与 AutoDL 交互

3.1 配置自动上传与远程资源管理

通过 Tools -> Deployment 配置自动上传和远程资源管理。

在 Browse Remote Host 中管理远程资源，下载训练好的模型到本地。

3.2 下载远程模型和数据

使用 Automatic Upload (Always) 将代码自动上传到远程服务器。

提醒：远程交互也可以使用XShell、FinalShell等远程工具灵活使用。

总结

通过本文的详细步骤，你已经成功配置了 AutoDL 环境并在 PyCharm 中实现了远程开发与 GPU 加速。无论是通过 JupyterLab 进行实验，还是在 PyCharm 中开发、调试与训练模型，都能有效提高你的工作效率。借助 Conda 和 PyTorch 的强大支持，你将能够快速搭建深度学习环境，并专注于模型的训练与优化。