PyCharm之服务器篇|连接服务器|同步代码|安装虚拟环境|训练模型

2026-01-29 02:13:29 栏目：最新资讯 5 阅读

读了别人的文章，感觉有些步骤有省略，本文将详细讲解本地与远程服务器的连接、远程服务器的虚拟环境配置、代码同步以及训练模型。

首先必须要确保使用的PyCharm版本为专业版，可通过help->about查看，若显示为Professional Edition即为专业版，可以开始接下来的操作

一、连接到远程服务器

首先点击Tools->Deployment->Configuration

(此图片引自https://i-blog.csdnimg.cn/blog_migrate/fac49e9753f2ab5a3c262724b13ace42.png)

然后会出现三步的操作，先通过下拉框选择SFTP传输协议，然后通过SSH输入实验室为你申请创建的账户，ip:port可能都是特定的（我的就是）然后输入ip，port，user name和密码即可，最后点击测试连接弹出Successfully connected提示框,即连接成功。

(此图片引用https://i-blog.csdnimg.cn/blog_migrate/4dc3a049d14dadd874d0a572b72d6872.png)

二、配置本地与云服务器代码同步

接着上一步，点击Mappings中进行本地项目位置与服务器项目位置映射，一般地，师兄为你创建的账户文件夹在home/用户名，然后可以在该目录下再创建新的文件夹用于存放项目。

(图片引自https://i-blog.csdnimg.cn/blog_migrate/5ada3773c2ea98000fdf257681baa67f.png)

然后通过点击Tools->Deployment->Options配置代码自动上传

(图片引自https://i-blog.csdnimg.cn/blog_migrate/eba75696543b972e5fc6289fe9648940.png)

最后再通过点击Tools->Deployment->Browse Remote Host即可查看项目是否上传到云服务器，即同步项目

若打开后项目文件夹有这种浅绿色即为成功(初次可能未成功，则选择upload代码，然后点击刷新按钮)

resource_scheduling是我新创建的一个服务器，然后右边框中包含刷新按钮。接下来还不能运行代码，因为缺少我们特有的虚拟环境，也就是说我们需要下载Anaconda用于创建虚拟环境。

三、配置云服务器虚拟环境

我这里先使用XShell登录账户操作，正常创建连接，然后输入服务器ip，端口，用户名密码等与第一步类似，即可操作文件夹。

创建虚拟环境使用Anaconda和Miniconda都行，我这里使用Anaconda。在用户名目录下使用命令mkdir Anaconda创建文件夹Anaconda，通过Linux的ls指令即可查看当前用户目录下有两个文件夹(之前同步本地与服务器项目目录创建的project文件夹)。

然后这里我是用wgt + 链接的方式下载Anaconda安装包不成功超时(timed out)，因此，我才用另外一种方式，使用电脑在清华镜像下载Anaconda安装包，然后使用xftp软件将其放进目录中，然后并安装的方式。

如图所示，将本地下载好的Anaconda的Linux版本拖拽到服务器目录中，然后等待上传完之后通过指令安装

如下图所示，文件传输成功

下面开始安装Anaconda，使用命令 bash Anaconda3-2024.02-1-Linux-x86_64.sh开始安装，并会给出进度条。

然后执行下面两条指令，即可进入到base环境中，可以创建属于自己的虚拟环境。

cd /home/用户名/Anaconda/bin

source activate

然后还有问题，需要保证在Windows环境中的库版本一致，那么执行指令到处环境，再次使用ftp将该文件传输到服务器目录中。

conda env export > D:Program FilesExport_envenvironment.yml

pip freeze > "D:Program FilesExport_envenvironment.txt"

四、云服务器运行代码测试

配置服务器的解释器环境，点击FIles->Settings->add 解释器->SSH，紧接着输入账号密码，iP以及端口即可，然后关键在于本地项目路径要和服务器项目路径相对应，然后还要选择Linux环境中云服务器Anaconda中的环境解释器，路径一般为home/anaconda/envs/环境名，选择Python3。

全部操作完之后就可以看到各种包的版本，那么说明创建成功了。

最后要使用下面代码测试服务器运行

import tensorflow as tf

# 1. 检查 GPU 是否被使用
print("当前使用的设备：", tf.test.gpu_device_name())  # 输出 '/device:GPU:0' 表示正在使用 GPU

# 2. 查看模型训练时的设备分配（需在模型训练时打印）
tf.debugging.set_log_device_placement(True)  # 开启设备分配日志

# 示例模型训练（会打印每个操作分配到的设备）
model = tf.keras.Sequential([tf.keras.layers.Dense(1, input_shape=(1,))])
model.compile(optimizer='adam', loss='mse')
model.fit(tf.constant([[1.]]), tf.constant([[1.]]), epochs=1)