Pycharm远程连接深度学习服务器Autodl实现模型训练
目录
0 前言
1 问题背景
2 问题解决
2.1 进入算力市场
2.2 筛选与选择心仪的机器
2.3 镜像选择
2. 4 打开Pycharm进行网络配置
0 前言
🙋欢迎光临我的博客！我衷心希望这里的分享能够对你有所帮助。祝愿你拥有美好的一天！
1 问题背景
在深度学习的探索与实践中，我们常常会遇到一个核心矛盾：强大的模型需要强大的算力，但个人设备的GPU资源往往捉襟见肘。 配置本地环境、处理版本冲突、等待漫长的训练过程……这些“琐事”常常会分散我们本应聚焦于模型与算法本身的精力。
此时，AutoDL这样的云GPU租赁平台便成为了我们的得力助手。它就像是一个随时待命的“超级计算机”租赁中心，为我们提供了触手可及的强大算力。
AutoDL平台的核心优势在于：
-
开箱即用的环境：AutoDL为我们预配置了主流的深度学习框架（如PyTorch, TensorFlow）和常用库。你无需在本地进行繁琐的环境配置，只需选择所需的镜像，即可在几分钟内获得一个纯净、稳定、功能齐全的深度学习环境，真正实现了“开机即用”。
-
极致的性价比与丰富选择：平台提供了多种按需计费的GPU机型，从性价比极高的RTX 4090到顶尖的A100、H800等专业计算卡。你可以根据自己任务的算力需求和预算，灵活选择最合适的机器，按实际使用时长付费，成本可控，避免了硬件投资的巨大开销。
-
高效的数据管理：AutoDL提供了网盘、数据集广场等功能，你可以轻松上传个人代码和数据，或直接加载平台预存的公开数据集（如COCO, ImageNet等）。结合其高速的内网传输，数据准备工作变得异常高效。
-
便捷的远程访问：通过直观的Web控制台，你可以像操作本地电脑一样使用远程实例。更重要的是，AutoDL支持Jupyter Lab和SSH连接，这为我们使用PyCharm等专业IDE进行远程开发与调试铺平了道路，能够将本地流畅的编码体验与云端强大的计算能力完美结合。
总而言之，AutoDL极大地降低了深度学习的入门与应用门槛，将复杂的硬件和环境问题打包成一项简单的服务。在接下来的部分，我们将一步步探索如何利用PyCharm这一强大IDE，无缝连接到AutoDL的云端实例，打造一个集编码、调试、训练于一体的高效工作流。
2 问题解决
当你成功登录AutoDL官网后（AutoDL算力云 | 弹性、好用、省钱，GPU算力零售价格新标杆），按照以下步骤即可快速租用并启动一台云端GPU服务器。
2.1 进入算力市场
在“算力市场”首页，涵盖所有可用GPU实例。在使用前，你可先进行“学生认证”，充值一定的金额，方便后续租用（即使你在后面使用无卡开机，也是需要0.1/h计费的，学生认证有一定的优惠）。
2.2 筛选与选择心仪的机器
你会看到一个机器列表，此时需要根据你的需求进行筛选：
-
地区：主要看你选的显卡，哪里有你需要的显卡就在哪里进行租用。
-
GPU型号：根据你的算力需求和预算选择。例如：
-
RTX 4090：性价比极高，适合大部分学术研究和中等规模的模型训练。
-
A100 / A800：适用于大规模模型训练和非常复杂的任务。
-
操作：找到合适的机器后，点击卡片上的 “1卡可租” 按钮。这里我们以重庆A区4090D为例子。
2.3 镜像选择
在租用服务器时，“镜像” 就是你云服务器的预装操作系统和软件环境。AutoDL提供了三类镜像，它们决定了你开机后能立即使用的工具和框架。
我们这里使用“基础镜像”，自己配置服务器，但是如果社区镜像有你所需要的模型也可以直接选择社区模型。以下为各类镜像的介绍：
-
基础镜像
-
是什么：一个非常“干净”的系统环境，通常只预装了最基础的Python、CUDA驱动和conda包管理器，不包含PyTorch、TensorFlow等特定深度学习框架。
-
适用场景：
-
你需要一个极度纯净、高度定制化的环境。
-
你打算从零开始手动安装所有依赖，以解决特定版本冲突问题。
-
你正在学习环境配置，想亲手实践。
-
-
-
社区镜像
-
是什么：由AutoDL官方或社区用户预配置好的、包含各种流行框架和工具的“增强版”环境。你可以找到预装了PyTorch、TensorFlow、JupyterLab、OpenCV等全套工具的镜像。
-
适用场景：
-
绝大多数深度学习项目和用户。
-
希望“开箱即用”，快速开始编码和训练，避免环境配置的麻烦。
-
需要快速验证想法或复现论文结果。
-
-
如何选择：在搜索框中输入你需要的框架和版本，例如
PyTorch 2.0、TensorFlow 2.10，然后选择一个版本较新、下载量高的官方或热门镜像，通常更加稳定可靠。
-
-
我的镜像
-
是什么：这是你自定义保存的镜像。当你使用“基础镜像”或“社区镜像”后，在实例中安装了新的软件或库，可以将其制作成个人镜像并保存下来。
-
适用场景：
-
你拥有一个配置完善、满足个人长期需求的专属环境。
-
你需要在多次租用实例时，快速复现完全相同的开发环境，保证实验的一致性。
-
你希望将配置好的环境分享给团队成员。
-
-
初次使用时此项为空。在你对平台熟悉之后，这是一个能极大提升效率的高级功能。
-
根据不同的深度学习框架配置不同的服务器，我使用的是Pytorch框架，所以这里以Pytorch为主，其他框架类似。配置好之后点击“创建并开机”
配置完之后会自动跳转到控制台容器实例界面，建议首次学习配置的时候在租用好服务器之后，关机，然后选择“无卡开机”的模式进行配置。
2. 4 打开Pycharm进行网络配置
点击file->Setting
然后点击Tools->SSH Configurations
回到我们前面租用的服务器中有登录指令和密码。
其中，具体内容如下：
登录指令： ssh -p 46362 root@connect.cqa1.seetacloud.com
密码：xxxxx（复制你们自己的即可）。
对应我们pycharm配置如下：
Host对应登录指令中@后面的内容，比如我的为：connect.cqa1.seetacloud.com
Port对应登录指令中的数字部分，比如我的为：46362
Username我们设定为：root
Passwords对应前面的密码：xxxxx，只需要复制过来即可。
点击Test Connection，测试连接是否成功。
成功成功之后进行网络配置：
选择已存在的远程连接：
这一步是为了选择编译器，选择已存在的编译器，根据以下操作，输入编译器路径，一般是在这里，Pytorch和Tensorflow框架是这个路径。选择好之后点击OK。
回到我们的服务器中，进入JupterLab，点击空白区创建文件夹方便后续文件管理，可以不用和你项目所在文件夹同名，比如我在服务器上是Model，但是本地是Test文件夹。
这里进行配置文件保存路径，其中Local Path不要动，这是你的本地文件所在路径，也就是你现在打开的pycharm项目路径。勾选Automatically upload Project files to the sever，这样你在本地改了代码之后他会自动上传你的代码到服务器。将Remove Path改成我们刚刚创建文件夹的路径。
配置好之后文件会自动上传。
等环境运行好之后就可以编译了。
结语： 恭喜你完成了这篇博客的阅读！我衷心希望我的分享能够为你带来启发和帮助。愿你拥有一个宁静而美好的夜晚，好梦相伴。🌛🌛🌛
