作為一個AI工程師，對Linux的一些技能的掌握也能從一定層面反應工程師的資深水平。
要求1：基於SSH的遠程訪問（本篇文章）
- 能用一台筆記本電腦，遠程登陸一台linux服務器
- 能隨時使用筆記本電腦啟動訓練任務
- 能熟練的讓代碼和文件在筆記本電腦與LINUX服務器之間的傳輸
要求2：Linux系統的文件系統（Linux指令學習）
- 知道什么是硬盤的掛載
- 能合理的使用服務器的硬盤空間
- 不要求，但建議學會如何在LINUX系統上自建邏輯卷（LVM)
要求3：LINUX系統的賬戶管理
- 知道root賬戶與普通賬戶的區別
- 能夠對賬戶權限有基本的規划
- 能在普通賬戶下，完成基於Tensorflow的AI開發
要求4：LINUX系統的驅動安裝（本篇文章）
- 能夠獨立的在Ubuntu Linux 上搭建NVIDIA GPU的深度學習環境
要求5：GIT和Github（Git從入門到精通）
- 有代碼的版本控制意識
- 能夠掌握基本的Git使用方法
- 能夠掌握基本的Github使用方法
上面的知識點我都寫過博客，寫完這篇文章我就能集齊龍珠，召喚神龍了。😃
SSH遠程連接服務器
例子：
- IP地址：111.44.254.168
- 端口號：21665
- 登錄名：root
- 密碼：123456
linux \ MAC連接
如果本地電腦是inux或者mac系統，則遠程服務器SSH登陸信息是： ssh -p 21665 root@111.44.254.168
window系統連接
如果本地電腦是 window系統用cmd登陸（需要先安裝 OpenSSL）
遠程服務器SSH登陸信息是： ssh -p 21665 root@111.44.254.16
Xshell軟件連接
我們需要用到的軟件是：Xshell (命令行控制服務器) 和 Xffp(傳輸文件)
進入官網：https://www.netsarang.com/zh/，滑到最下面點擊 家庭/學校免費，輸入姓名和郵箱，勾選兩者，點擊下載。隨后郵箱會收到兩個郵件，點擊郵件中的鏈接就可以下載安裝包。
putty，pscp、Filezila等軟件也比較主流，但可能不太穩定，這里不做介紹
搭建深度學習環境
我們首先確定自己想要安裝的版本，CUDA與顯卡驅動對應的版本關系，TensorFlow-GPU與CUDA cudnn Python版本關系
我想安裝的版本是：
- python 3.6.5（ananonda3-5.2.0）
- NVIDIA® GPU 驅動程序：
- CUDA
- cuDNN
安裝python
python環境我們選擇的是Anaconda，我選擇的安裝版本是 Anaconda3-5.2.0-Linux-x86_64.sh ，對應的python版本是python 3.6.5，建議到清華鏡像源下載，更快！
打開Xftp，連接服務器，在服務器創建一個DL_package文件夾，將 Anaconda3-5.2.0-Linux-x86_64.sh 上傳到文件夾里（不放也行，我是想要統一管理，因為后面還要安裝cuda和NVIDIA驅動）
安裝過程不要瞎點，看清楚底部的英文再確定 yes or no。
1、找到Anaconda3-2019.07-Linux-x86_64.sh安裝包，用 sh 命令執行 .sh 文件，開始安裝
2、按回車觀看更多許可信息，按 Q 鍵跳過
3、是否接受許可條款， 輸入yes回車
4、最后他會提示是否安裝 VS Code，我選了no，界面都沒有用個毛線VS Code！
5、這時關閉當前終端，再打開一個新的終端會默認打開在conda環境下
6、輸入 conda -V 可以查看安裝的Anaconda版本
7、輸入 conda list 可以查看已安裝的科學包
8、在終端輸入 python 可以看當前的python版本，並進入python編程環境
anaconda會自動將環境變量添加到PATH里面，如果后面你發現輸出 conda ，提示沒有該命令，那么需要添加環境變量
打開~/.basrc 文件c (例如: vim ~/.bashrc )，在最后面加上
export PATH=/home/aeasringnar/anaconda3/bin:$PATH
更新環境變量： source ~/.bashrc
再次輸入 conda list 測試看看，應該就是沒有問題啦！
如果你想刪除Anaconda，切換到你安裝anaconda的目錄，直接 rm -rf anaconda3，然后在去/etc/profile，把配置的刪除就OK了
安裝NVIDA顯卡驅動
禁用nouveau驅動
禁用nouveau驅動
sudo vim /etc/modprobe.d/blacklist.conf
在文本最后添加：
blacklist nouveau options nouveau modeset=0
然后執行：
sudo update-initramfs -u
重啟后，執行以下命令，如果沒有屏幕輸出，說明禁用nouveau成功：
lsmod | grep nouveau
下載驅動
nividia 顯卡驅動下載地址：NVIDIA 驅動程序下載，根據自己的顯卡型號選擇驅動程序
卸載舊驅動
以下操作都需要在命令界面操作，執行以下快捷鍵進入命令界面，並登錄：
Ctrl-Alt+F1
執行以下命令禁用X-Window服務，否則無法安裝顯卡驅動：
sudo service lightdm stop
執行以下三條命令卸載原有顯卡驅動：
sudo apt-get remove --purge nvidia* sudo chmod +x NVIDIA-Linux-x86_64-410.93.run sudo ./NVIDIA-Linux-x86_64-410.93.run --uninstall
安裝新驅動
下載驅動，官網下載地址，根據自己顯卡的情況下載對應版本的顯卡驅動，直接執行驅動文件即可安裝新驅動，一直默認即可：
sudo ./NVIDIA-Linux-x86_64-410.93.run
執行以下命令啟動X-Window服務
sudo service lightdm start
最后執行重啟命令，重啟系統即可：
reboot
注意： 如果系統重啟之后出現重復登錄的情況，多數情況下都是安裝了錯誤版本的顯卡驅動。需要下載對應本身機器安裝的顯卡版本。
安裝CUDA
由於 Pytorch 和 TensorFlow 對於 CUDA 都有特定的版本需求，所以在安裝 CUDA 之前，我們首先需要查詢，我們想要安裝的 pytorch 版本對應的 CUDA 版本。
pytorch 的配套環境要求見：https://pytorch.org/
在 https://developer.nvidia.com/cuda-toolkit-archive 中選擇你要安裝的CUDA版本
sudo sh cuda_11.2.2_460.32.03_linux.run
開始安裝。終端會在后台運行一段時間，看起來像是卡住了，並不是沒有反應，請耐心等待。
然后選擇：accept
這里將光標移到[X]Driver處，按enter鍵，取消勾選安裝驅動。
=========== = Summary = =========== Driver: Not Selected Toolkit: Installed in /usr/local/cuda-11.2/ Samples: Installed in /home/user/ Please make sure that - PATH includes /usr/local/cuda-11.2/bin - LD_LIBRARY_PATH includes /usr/local/cuda-11.2/lib64, or, add /usr/local/cuda-11.2/lib64 to /etc/ld.so.conf and run ldconfig as root To uninstall the CUDA Toolkit, run cuda-uninstaller in /usr/local/cuda-11.2/bin ***WARNING: Incomplete installation! This installation did not install the CUDA Driver. A driver of version at least 460.00 is required for CUDA 11.2 functionality to work. To install the driver using this installer, run the following command, replacing <CudaInstaller> with the name of this run file: sudo <CudaInstaller>.run --silent --driver Logfile is /var/log/cuda-installer.log
安裝完成之后，可以配置他們的環境變量，在 vim ~/.bashrc 的最后加上以下配置信息：
export CUDA_HOME=/usr/local/cuda-11.2 export LD_LIBRARY_PATH=${CUDA_HOME}/lib64 export PATH=${CUDA_HOME}/bin:${PATH}
最后使用命令 source ~/.bashrc 使它生效。
可以使用命令 nvcc -V 查看安裝的版本信息：
$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2021 NVIDIA Corporation Built on Sun_Feb_14_21:12:58_PST_2021 Cuda compilation tools, release 11.2, V11.2.152 Build cuda_11.2.r11.2/compiler.29618528_0
出現上圖所示界面說明已經安裝完成
測試安裝是否成功，執行以下幾條命令：
cd /usr/local/cuda-11.2/samples/1_Utilities/deviceQuery make -j32 ./deviceQuery
卸載cuda
cd /usr/local/cuda-11.2/bin/ sudo ./cuda-uninstaller sudo rm -rf /usr/local/cuda-11.2
安裝CUDNN
進入到CUDNN的下載官網，然點擊Download開始選擇下載版本，當然在下載之前還有登錄，選擇版本界面如下
下載之后是一個壓縮包：cudnn-11.2-linux-x64-v8.1.1.33.tar，然后對它進行解壓，命令如下：
tar -zxvf cudnn-11.2-linux-x64-v8.1.1.33.tar
解壓之后可以得到以下文件：
cuda/include/cudnn.h cuda/NVIDIA_SLA_cuDNN_Support.txt cuda/lib64/libcudnn.so cuda/lib64/libcudnn.so.7 cuda/lib64/libcudnn.so.7.4.2 cuda/lib64/libcudnn_static.a
使用以下兩條命令復制這些文件到CUDA目錄下：
cp cuda/lib64/* /usr/local/cuda-11.2/lib64/ cp cuda/include/* /usr/local/cuda-11.2/include/
拷貝完成之后，可以使用以下命令查看CUDNN的版本信息：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
查看 Nvidia 顯卡利用率：顯存占用和算力情況。
# 0.5 秒更新一次顯卡利用情況，並查看 NVIDIA 驅動版本 watch -n 0.5 nvidia-smi
安裝TensorFlow
TensorFlow經歷過一次變革，從 Tensorflow 1.* 變革到了現在的 Tensorflow 2.*，從靜態變成了動態。
如果想要安裝tensorflow 1.*，需要：
# 支持CPU的版本，版本可更改 pip install tensorflow==1.15 # 支持GPU的版本，版本可更改 pip install tensorflow-gpu==1.15
如果想要安裝tensorflow 2.*，只需要：
pip install tensorflow
- 若要支持 Python 3.9，需要使用 TensorFlow 2.5 或更高版本。
- 若要支持 Python 3.8，需要使用 TensorFlow 2.2 或更高版本。
更詳細情況，請移步Tensorflow官網。
Tensorflow 查看GPU是否可用，返回True則代表可用
import tensorflow as tf tf.test.is_gpu_available()
安裝pytorch
pytorch的安裝沒啥好說的，因為 任何人的介紹或轉述 都不如官網寫的明白，請直接移步 pytorch官網首頁。
pytorch 查看GPU是否可用，返回True則代表可用，返回False則代表不可用。
import torch torch.cuda.is_available()
搭建Jupyter Notebook遠程雲服務器
為什么要使用Jupyter Notebook
- 隨時可在未安裝Python的電腦上使用Python（可以分享給別人）
- 借助服務器的性能，在服務器上做分析，解放本地計算機的CPU
- 不同電腦間，使用服務器jupyter可避免數據不一致
- Jupyter Notebook能幫助我們有效地組織輸入輸出，將探索數據的過程記錄下來，
- Jupyter Notebook支持Markdown，也支持Python、R甚至Julia等語言，完全可以支持一個數據工作者的大多數分析需求。
完工后的界面如下，輸入密碼就可以開始使用啦：
安裝過程
1、安裝 Jupyter Notebook 庫
我安裝的是 Ananconda ，這是 Python 的科學計算包，自帶了 Jupyter，因此無需此步驟。若未安裝，也可單獨安裝
$ pip install Jupyter
2、生成 Jupyter Notebook 配置文件
$ jupyter notebook --generate-config
生成的配置文件，后來用來設置服務器的配置
3、設置Jupyter Notebook密碼
設置密碼用於設置服務器配置，以及登錄Jupyter。打開Python終端，輸入以下：
$ python >> from notebook.auth import passwd >> passwd() 此時會讓你兩次輸入密碼，然后就會生成秘鑰 sha1＊＊＊＊＊＊＊＊＊＊＊＊
4、設置服務器配置文件
$ vim ~/.jupyter/jupyter_notebook_config.py
在末尾增加以下幾行配置信息（此配置信息，也可在啟動Jupyter時在參數中添加，但我認為那樣看起來比較亂）
c.NotebookApp.ip = '*' # 所有綁定服務器的IP都能訪問，若想只在特定ip訪問，輸入ip地址即可 c.NotebookApp.port = 8888 # 將端口設置為自己喜歡的吧，默認是8888 c.NotebookApp.open_browser = False # 我們並不想在服務器上直接打開Jupyter Notebook，所以設置成False c.NotebookApp.notebook_dir = '/home/user/Desktop/jupyter_projects' # 這里是設置Jupyter的根目錄，若不設置將默認root的根目錄，不安全 c.NotebookApp.allow_root = True # 為了安全，Jupyter默認不允許以root權限啟動jupyter c.NotebookApp.password = 'sha1:7a80c9a4cec6:9fcda0d4be1fb9d2181c9912c931689c49f6179a' # 設置之前生成的sha1
不過我建議你通過Xftp把jupyter_notebook_config.py拉下來，在本地更改后再上傳上去(要更改的地方取消注釋)
5、啟動Jupyter 遠程服務器
$ jupyter notebook # 或者指定端口和IP地址 $ jupyter notebook --no-browser --port 6000 --ip=192.168.1.103
至此，Jupyter遠程服務器以搭建完畢。在本地瀏覽器上，輸入 ip地址:8888，將會打開遠程Jupyter。接下來就可以像在本地一樣使用服務器上的Jupyter啦~~
按下ctrl+C鍵，可以退出
Jupyter notebook 更換kernel
由於jupyter notebook訪問的時候，默認使用了anaconda的base環境，這里就需要更換環境。
具體方式如下：
1、安裝ipykernel：
# 新建虛擬環境 (base) [root]$ conda activate your_eniv # 安裝nb_conda_kernels (your_eniv) [root]$ conda install nb_conda_kernels Collecting package metadata (current_repodata.json): done Solving environment: done
python -m ipykernel install --user --name 環境名稱 --display-name "顯示的名稱"
3、打開notebook服務器：jupyter notebook，瀏覽器打開對應地址，就會有對應的環境提示了。
快速搭建JupyterLab服務
JupyterLab與Jupyter Notebook師出同源，可以憑個人愛好進行選擇。因為我想把博客寫全，所以再介紹一下JupyterLab服務搭建
jupyter lab的每一步都和jupyter一樣，就是啟動的時候，加了lab而已。
1、安裝 Jupyter Notebook 庫
pip install jupyterlab
2、生成 Jupyter Notebook 配置文件
$ jupyter lab --generate-config
生成的配置文件，后來用來設置服務器的配置
3、設置Jupyter Notebook密碼
設置密碼用於設置服務器配置，以及登錄Jupyter。打開Python終端，輸入以下：
$ python >> from notebook.auth import passwd >> passwd() 此時會讓你兩次輸入密碼，然后就會生成秘鑰 sha1＊＊＊＊＊＊＊＊＊＊＊＊
4、設置服務器配置文件
$ vim /home/ubuntu/.jupyter/jupyter_notebook_config.py
我們看到了一大串的配置選項，一入眼就有點懵了。不要慌，我們只需要修改其中的四行即可。我們使用vim的快捷鍵/來搜索以下幾項，將他們之前的注釋去掉，並按照如下配置修改。
# 將ip設置為*，意味允許任何IP訪問 c.NotebookApp.ip = '*' # 這里的密碼就是上邊我們生成的那一串 c.NotebookApp.password = u'sha1:1e39d24dcd6c:b265321ca0c4cb798888bcb69b0024983a8ac439' # 服務器上並沒有瀏覽器可以供Jupyter打開 c.NotebookApp.open_browser = False # 監聽端口設置為8888或其他自己喜歡的端口 c.NotebookApp.port = 8888 # 我們可以修改jupyter的工作目錄，也可以保持原樣不變，如果修改的話，要保證這一目錄已存在 c.MappingKernelManager.root_dir = '/home/ubuntu/.jupyter_run/root' # 允許遠程訪問 c.NotebookApp.allow_remote_access = True
好了，保存輸入:wq退出vim。
不過我建議你通過Xftp把jupyter_notebook_config.py拉下來，在本地更改后再上傳上去(要更改的地方取消注釋)
5、啟動Jupyter 遠程服務器
$ jupyter lab --allow-root # 或者指定端口和IP地址 $ jupyter lab notebook --no-browser --port 6000 --ip=***.***.**.***
至此，Jupyter遠程服務器以搭建完畢。在本地瀏覽器上，輸入 ip地址:8888，輸入密碼，也就是我們自己設置並確認的密碼。將會打開遠程Jupyter lab。
按下ctrl+C鍵，可以退出
搭建虛擬環境
在Python中，虛擬環境（virtual enviroment）就是隔離的Python解釋器環境。通過創建虛擬環境，我們可以擁有一個獨立的Python解釋器環境。這樣做的好處是可以為每一個項目創建獨立的Python解釋器環境，因為不同的項目常常會依賴不同版本的庫或Python版本。使用虛擬環境可以保持全局Python解釋器環境的干凈，避免包和版本的混亂，並且可以方便地區分和記錄每個項目的依賴，以便在新環境下復現依賴環境。
我總結了多種創建虛擬環境的方法，我推薦conda方法，你們可以根據自己的愛好選擇。
conda搭建虛擬環境(推薦)
1、新建虛擬環境
conda create --name <env_name> <package_names> # 創建一個名為 python_2 的環境，環境中python版本為2.7 # conda create --name python_2 python=2.7 # 創建一個名為 conda-test 的環境，環境中python版本為3.6，同時也安裝了numpy和pandas。 # conda create -n conda-test python=3.6 numpy pandas
- –name 同樣可以替換為-n。
- <env_name> 創建的環境名。建議以英文命名，且不加空格，名稱兩邊不加尖括號“<>”
- <package_names> 即安裝在環境中的包名。名稱兩邊不加尖括號“<>”
查看創建的虛擬環境
conda env list # 或：conda info --envs # 或：conda info -e
2、激活虛擬環境
Linux: source activate your_env_name(虛擬環境名稱)
Windows: activate your_env_name(虛擬環境名稱)
查看安裝了哪些庫
conda list
3、退出虛擬環境
conda deactivate
若配置好環境后需要別的包，用conda或者pip下載皆可
# 在當前環境安裝包 pip install 安裝的包名 conda install 要安裝的包名 # 指定環境安裝包 conda install --name 環境名 要安裝的包名
4、刪除虛擬環境
conda remove -n your_env_name --all
復制環境
conda create --name new_env_name --clone copied_env_name
virtualenv搭建虛擬環境
首先，我們用pip安裝virtualenv：
$ pip3 install virtualenv
然后，假定我們要開發一個新的項目，需要一套獨立的Python運行環境，可以這么做：
1、創建目錄
$ mkdir myproject
$ cd myproject/
2、創建一個虛擬環境，命名為venv
$ virtualenv venv
若想要指定Python3
$ virtualenv -p python3 newEnv
查看newEnv文件夾中的內容
$ cd newEnv
$ ls
bin include lib pip-selfcheck.json
3、激活虛擬環境
Linux： source venv/bin/activate
Windows：venv\Scripts\activate.bat
4、在虛擬環境中安裝python第三方庫
在venv環境下，用pip安裝的包都被安裝到venv這個環境下，系統Python環境不受任何影響。也就是說，venv環境是專門針對myproject這個應用創建的。
$ pip install ***
5、關閉虛擬環境
Linux： deactivate
Windows：venv\Scripts\deactivate.bat
依據當前環境中的依賴包生成requirements.txt文檔
$ pip freeze > requirements.txt
依據requirements.txt文檔重建環境
$ pip install -r < requirements.txt
刪除虛擬環境，只需要把虛擬環境文件夾刪了即可
Pipenv搭建虛擬環境
Pipenv是基於pip的Python包管理工具，它和pip的用法非常相似，可以看作pip的加強版，它的出現解決了舊的pip + virtualenv + requirements.txt的工作方式的弊端。具體來說，它是pip、Pipfile和Virtualenv(虛擬環境)的結合體，它讓包安裝、包依賴管理和虛擬環境管理更加方便，使用它可以實現高效的Python項目開發工作流。如果你還不熟悉這些工具，不用擔心，我會在下面逐一進行介紹。
通過pip安裝Pipenv：
$ pip install pipenv
1、創建虛擬環境
虛擬環境通常使用Virtualenv來創建，但是為了更方便地管理虛擬環境和依賴包，我們將會使用集成了Virtualenv的Pipenv。首先確保我們當前工作目錄在示例程序項目的根目錄，然后使用pipenv install命令為當前的項目創建虛擬環境：
$ pipenv install
初始化好虛擬環境后，會在項目目錄下生成2個文件 Pipfile 和 Pipfile.lock 。為pipenv包的配置文件，代替原來的 requirement.txt。項目提交時，可將 Pipfile 文件和 Pipfile.lock 文件一並提交，待其他開發克隆下載，根據此Pipfile 運行命令 Pipfile.lock 生成自己的虛擬環境。
Pipfile.lock 文件是通過hash算法將包的名稱和版本，及依賴關系生成哈希值，可以保證包的完整性。
2、進入虛擬環境
$ pipenv shell
3、退出虛擬環境
$ exit
4、在虛擬環境中創建python包
$ pipenv install <某個包的名稱>
查看安裝包及依賴關系
$ pipenv graph
5、生成 requirements.txt 文件
pipenv可以像virtualenv一樣用命令生成requirements.txt 文件
$ pipenv lock -r --dev > requirements.txt
6、pipenv也可以通過requirements.txt安裝python包
$ pipenv install -r requirements.txt
運行python代碼
方法一：pipenv run python xxx.py
$ pipenv run python xxx.py
方法二：啟動虛擬環境的shell環境
$ pipenv shell
$ python xxx.py
7、刪除虛擬環境
$ pipenv --rm
常用命令一覽
pipenv --where 列出本地工程路徑
pipenv --venv 列出虛擬環境路徑 pipenv --py 列出虛擬環境的Python可執行文件 pipenv install 創建虛擬環境 pipenv isntall [moduel] 安裝包 pipenv install [moduel] --dev 安裝包到開發環境 pipenv uninstall[module] 卸載包 pipenv uninstall --all 卸載所有包 pipenv graph 查看包依賴 pipenv lock 生成lockfile pipenv run python [pyfile] 運行py文件 pipenv --rm 刪除虛擬環境
使用GPU
查看GPU的運行情況，同時我們也可以看到驅動和CUDA的版本號
nvidia-smi # 查看訓練進程時的GPU情況一般需要持續監視該輸出 # 即每隔0.5秒執行一次nvidia-smi； # watch -n 0.5 nvidia-smi
使用指定GPU
做好GPU的分配，比如我們有四張顯卡，只想使用第1個和第4個GPU，有以下兩種方法：
1、在終端設定：
CUDA_VISIBLE_DEVICES=0,3 python my_script.py
2、在代碼中設定
import os os.environ['CUDA_VISIBLE_DEVICES'] = '0,3'
tensorflow使用多GPU
以后再來補全
pytorch使用多GPU
參考我的另一篇博客Pytorch入門教程
pycharm使用遠程服務器
這個也是我最近發現的，將pycharm連接了遠程服務器后，我們就能像之前那樣，在本地PC端使用pycharm編寫代碼，當跑是在服務器端。具體流程如下：
1、將添加python解釋器，選擇SSH解釋器，輸入主機名和用戶名，點下一步，然后輸入密碼
2、添加解釋器的位置，和同步文件夾
因為ubuntu自帶python 2 解釋器，我們上面安裝過anaconda，是python3，添加為解釋器即可，如果不知道解釋器的位置可以在命令行輸入 which python 。
3、選擇服務器的解釋器
至此我們就可以使用遠端服務器跑代碼了，為了可以看到服務器的文件夾，可以進行下面步驟：
4、菜單欄 工具-->部署-->瀏覽遠端服務器，會出現遠端服務器的根目錄文件管理界面，但是我們的項目可能不在根目錄下一次需要進行下面操作，點擊...
5、連接處的根路徑選擇項目目錄
6、映射處的的部署路徑，選擇當前目錄 /
參考
【博客園文章】關於博客園內嵌入bilibili視頻
【嗶哩嗶哩視頻】【ssh遠程連接服務器教程】租了GPU服務器不知道怎么深度學習？看完不會你打我
【CSDN】Ubuntu安裝和卸載CUDA和CUDNN
【CSDN】Ubuntu16.04下安裝NVIDIA驅動 + cuda 11.2 + cudnn 8.1
【CSDN】ubuntu16.04安裝NIVIDIA顯卡驅動，cuda8.0，cuDNN6.0以及基於Anaconda安裝Tensorflow-GPU
【個人博客】搭建Jupyter Notebook遠程雲服務器
【知乎】Jupyter lab 和避免服務器連接斷開會關閉運行jupyter
【CSDN】Jupyter前台運行和后台運行，以及遇到的Bug如何解決 ★
【pytorch官網】DATAPARALLEL
【知乎】Anaconda-用conda創建python虛擬環境