文章目录

一、Pycharm连接远程服务器

首先要确定自己的Pycharm是专业版的，平时我们用的基本上都是社区版的Pycharm，社区版的Pycharm不带远程连接的功能，所以需要用专业版的Pycharm。给大家推一篇专业版Pycharm的安装教程，只要按照这个教程进行安装即可：Pycharm专业版安装。
打开界面，点击工具箱下的deployment下的configuration。
点击加号添加服务器信息，选择SFTP，点击右边的…添加信息：

依次输入IP，端口号（默认是22），用户名（注意大小写），密码。

点击确定后返回上一个界面，可以点击Test_connection尝试连接，successful connect说明可以正常连接服务器了。

关键一步来了！-——配置文件映射信息。点击mappings，local path即为本地文件夹的路径，用的是\斜杠，deployment path是远程服务器对应的路径，重点!,服务器最后的文件夹名称一定要和本地的文件夹名称一样，我这里本地是lzy，服务器也要创建一个lzy同名文件夹，否则后面运行文件时，会报找不到文件的错误！

然后创建虚拟环境，选择ssh创建，选择我们之前创建好的服务器连接：

选择远程服务器中conda的虚拟环境，然后把之前的文件的映射关系填到这上面来。

点击finish，点击右侧的齿轮然后showall，找到远程服务器的环境，点击右侧的编辑。

改为SSH连接，修改SSH configuration和解释器路径，修改成自己的就可以。然后点击OK。

可以看到远程服务器上的虚拟环境中的库。我已经提前安装了Pytorch和torchvision和torchaudio，并且是GPU版本的。

将文件自动上传打开，也可以手动上传文件，在上传时，点击整个目录夹，然后上传。

写个脚本测试一下，服务器上的Gpu有没有成功连接：

输出：

现在代码就是在远程服务器上跑的了，用的是服务器上的GPU，至此Pycharm连接远程服务器就结束了，开始愉快的使用服务器上的显卡吧！下面给大家推荐两个很实用的工具，xshell和xftp。

二、xshell7和xrtp7配合使用

xshell是用连接远程服务器的，xrtp是用来传输文件的。xshell连接之后就相当于linux的命令窗口，可以使用各种linux的指令来控制远程服务器的动作。xrtp是在xshell连接上之后，和远程服务器进行文件互传的工作，它有可视化界面，非常方便。xshell和xrtp免费版下载地址：xshell和xrtp免费版下载地址。

填ip和端口号，用户名和密码就可以直接连接了，下一次可以不用输密码直接连接了。主要网络问题，如果挂着代理，要把代理关掉，确保当前网络是适合连接当前服务器的。

三、总结

之前觉得配置远程服务器和本地的Pycharm连接非常麻烦，随着这篇博客的完成，感觉也不是很麻烦了。思路很清晰，之前踩的坑都帮大家一一说明了，如果大家还遇到了其他问题也欢迎在下方评论！

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：628test 
@File    ：test.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/6/28 23:24 
"""
import torch
print(torch.cuda.is_available())
print(torch.__version__)
cuda_version = torch.version.cuda
print("CUDA 版本:", cuda_version)
device = torch.cuda.get_device_name()
print("名称:", device)

True
1.10.2+cu111
CUDA 版本: 11.1
名称: NVIDIA GeForce RTX 3090

将device设置成GPU

device = torch.device(“cuda” if torch.cuda.is_available() else “cpu”) # 三目判断
model = model.to(device)
loss_F = loss_F.to(device)
train_img = train_img.to(device)

train_label = train_label.to(device)

#!/usr/bin/env python
# -*- coding: UTF-8 -*-
"""
@Project ：Pytorch_learn 
@File    ：train_GPU.py
@IDE     ：PyCharm 
@Author  ：咋
@Date    ：2023/7/13 22:12 
"""

import torch
import torchvision
from torch.utils import data
from Mymodel import MyModule
from tensorboardX import SummaryWriter
# 0.设置参数
batch_size = 64
lr = 0.01
epochs = 20
savetime = 5
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
# 1.准备数据集
train_data = torchvision.datasets.CIFAR10("CIFAR10",train=True,transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10("CIFAR10",train=False,transform=torchvision.transforms.ToTensor(),
                                         download=True)

# 2.加载数据集
train_loader = data.DataLoader(dataset=train_data,batch_size=batch_size)
test_loader = data.DataLoader(dataset=test_data,batch_size=batch_size)
train_len = len(train_loader)
test_len = len(test_loader)
print("训练集长度为：{}".format(train_len))
print("测试集长度为：{}".format(test_len))
# 3.定义网络结构，实例化模型
model = MyModule()
model = model.to(device)
# 4.定义损失函数
loss_F = torch.nn.CrossEntropyLoss()
loss_F = loss_F.to(device)

# 5.定义参数更新方式
optim = torch.optim.SGD(model.parameters(),lr=lr)

# 6.开始训练和评估
model.train()
write = SummaryWriter("log_6")
for epoch in range(epochs):
    print("-------开始第{}轮训练，总共{}轮-------".format(epoch,epochs))
    train_loss = 0
    for train_time,train_item in enumerate(train_loader):
        train_img,train_label = train_item
        train_img = train_img.to(device)
        train_label = train_label.to(device)
        # 前向传播
        result = model(train_img)
        # 计算损失
        loss = loss_F(result,train_label)
        # 反向传播更新参数
        optim.zero_grad()
        loss.backward()
        optim.step()
        train_loss += loss
    model.eval()
    test_loss = 0
    right =0
    with torch.no_grad():
        for test_time,test_item in enumerate(test_loader):
            test_img,test_label = test_item
            test_img = test_img.to(device)
            test_label = test_label.to(device)
            test_result = model(test_img)
            # 获取测试集上的loss
            loss = loss_F(test_result,test_label)
            test_loss += loss
            # 获取测试集上的准确率
            right += (test_result.argmax(1) == test_label).sum()
    accuracy = right/test_len
    write.add_scalar("train_loss",train_loss,epoch)
    write.add_scalar("test_loss",test_loss,epoch)
    write.add_scalar("accuracy",accuracy,epoch)
    print("训练集上的损失为:{}".format(train_loss))
    print("测试集上的损失为:{}".format(test_loss))
    print("测试集上的准确率为:{}".format(accuracy))
    if epoch % savetime ==0:
        torch.save(model,"./model/model{}.pth".format(epoch))

print("训练完成！")