Windows 操作系统访问ubuntu Jupyter&Tensorflow-GPU.

本文对比分析了ngrok、natapp及frp等局域网穿透工具,详细介绍了它们的优缺点、适用场景及配置方法,特别聚焦于国内性价比高的natapp及国人开发的frp,适合希望实现内网穿透至公网的读者。
部署运行你感兴趣的模型镜像

穿透NAT解决方案

ngrok

这个是一款国外的免费+收费版本的局域网穿透实现方案,缺点只有一个就是收费版本折算人民币高于国内的,免费版本,我在我的windows无法通过PowerShell以及SecureCRT实现访问,但是在我的另外一ubuntu计算机,以及我的vps:centos服务器上是可以实现的。

具体原因,未知。所以转为使用国内的…

natapp

  • 前置说明

    这是一款国内的价格低廉的局域网穿透解决方案,可能是最好的解决方案之一!

    理由:啊,便宜啊。

    官方主页:https://natapp.cn/

    注册,支付宝实名认证之后就可以开始使用了,攻略地址:https://natapp.cn/article

    然后浏览:
    攻略一号.png

  • 运行在自己的计算机上

    因为我的是ubuntu计算机,所以相对而言配置会方便很多,当然官方也有文档,也有相应的群!

  • 开启我的远程登录

    因为这个是常驻的,为了保证自己在任何时候都可以登录上该计算机,所以我买了一个固定的tcp,然后登陆之后启动临时的web映射,将我的Jupyter notebook端口映射过来问题就可以完美解决了。

    222333.PNG

    # 电脑开机后配置映射tcp端口.
    nohup ./natapp -authtoken=xxxxxx -log=stdout -loglevel=ERROR &
    
    """
    配置jupyter notebook映射,映射前的有关操作可以查看如下:
    https://blog.youkuaiyun.com/CS_GaoMing/article/details/88952879
    """
    # 这样运行?抱歉,不像ngrok,官网主页返回端口的有关信息,所以只能非后台运行..
    nohup ./natapp -authtoken=xxxxxx -log=stdout -loglevel=ERROR &
    
    # 正确姿势是老老实实的.
    ./natapp -authtoken=xxxxxx
    

    其他说明:
    因为我们没有公网,所以如下命令行是不能解决问题的.

    # 打开任何的点12000端口,链接到12345是行不通的,因为没有公网ip.
    ssh -NfL localhost:12000:localhost:12345 myubuntuusername@192.168.0.113
    
  • 结果如下:

    0000999.PNG
    8888.PNG

  • 其他ngrok,我开代理http才能爬上去,不然不行,而tcp根本爬不上去-即使开全局代理.
    338900.PNG

frp - 局域网穿透

  • frp 说明

    这一款软件是中国人写的,无论是在文档的说明还是配置的风格上都符合国人的风格,一句话不拆成两句话说,使用文档清新脱俗。

    此处给一个链接地址:https://www.vediotalk.com/?p=505

    视频链接地址:https://space.bilibili.com/28459251

  • 关于该文档,该视频的看法.

    • 这个所谓的教程并不是最早的,但是由于这个关于群晖NAS配置的介绍,故而放的此链接.
    • 同时我不认为该人的文档写的有多好,关于一些相关的配置文档写的不够详细,有部分流程存在歧义,但是配合视频是可以避免的。
  • 我个人的使用是:

    • 我有VPS服务器,实验室有自己的电脑,主要是跑深度学习的。同时还有学校的属于我老师门下的机子,当然不是每一个老师都有,但是每一个组肯定是有的,我的打算是自己的电脑运行起来,将来有一天为服务器配置。
    • 第二,因为学校的机子暴露在外网之下多有风险,自己尽量把风险控制在自己手中,虽然ssh传输相对安全。
    • 我要实现的功能:
    • 我要在寝室里使用 实验室的电脑A,需要通过 外网服务器S。寝室电脑不做配置…
    • A电脑配置如下:
      client.PNG
      我的服务为将jupyter映射到外网,jupyter端口我配置为:12345
    • S电脑配置如下:
      server.PNG
  • 访问方式:

    • web开启后,如键入百度一样键入自己的域名一样,即可进入!
    • ssh,www.domain,端口6000,不是22!
  • 如图:
    11111.PNG
    2222.PNG
    4444.PNG

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

### TensorFlow-GPU 深度学习使用教程 #### 安装配置指南 为了在深度学习中有效利用 GPU 加速,需完成以下安装和配置: 1. **创建并激活虚拟环境** 首先通过 Conda 创建一个新的 Python 虚拟环境,并指定所需的 Python 版本。例如,在命令行中执行以下命令来创建名为 `tensorflow-gpu` 的虚拟环境,并设置 Python 版本为 3.6.1: ```bash conda create --name tensorflow-gpu python=3.6.1 ``` 接着,激活该虚拟环境以便后续操作均在此环境中进行[^1]。 2. **安装 TensorFlow-GPU 及其依赖项** 在 WindowsUbuntu 上安装 TensorFlow-GPU 均需要满足特定的硬件和软件需求。以下是具体步骤: - 对于 Windows 用户,建议参考官方文档或教程中的说明,确保已正确安装 NVIDIA 显卡驱动程序以及 CUDA 工具包版本匹配的要求。随后可以通过 pip 或 Conda 来安装 TensorFlow-GPU[^2]。 ```bash pip install tensorflow-gpu==2.1.0 ``` - 对于 Linux (Ubuntu) 用户,则可以遵循类似的流程。以 Ubuntu 20.04 为例,首先确认系统已经安装了兼容的 NVIDIA 驱动(如 rtx 3060 laptop 使用的是 nvidia driver 510.73.05)。接着安装 Anaconda 并在其基础上构建适合 TensorFlow-GPU 运行的开发环境,包括 cuda 和 cudnn 库的适配版本[^3]。 3. **验证安装是否成功** 启动 Python 解释器或者 Jupyter Notebook 测试导入模块是否有误。如果一切正常,应该不会抛出任何错误消息[^4]: ```python import tensorflow as tf print(tf.__version__) ``` 4. **集成到 IDE 中** 如果希望更方便地编写、测试代码,可以选择 PyCharm 等支持插件扩展的强大编辑工具。只需将之前建立好的 Conda Environment 设置为目标解释路径即可实现无缝衔接。 #### 示例代码展示 下面给出一段简单的神经网络定义与训练过程作为入门例子: ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Flatten # 构建模型结构 model = Sequential([ Flatten(input_shape=(28, 28)), Dense(128, activation='relu'), Dense(10) ]) # 编译模型参数 loss_fn = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True) model.compile(optimizer='adam', loss=loss_fn, metrics=['accuracy']) # 准备数据集 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_test / 255.0 # 训练模型 history = model.fit(x_train, y_train, epochs=5) # 评估性能表现 test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print(f'\nTest accuracy: {test_acc}') ``` 此脚本加载 MNIST 手写数字图片库用于分类任务演示目的;它包含了从零搭建前馈型全连接层架构直至最终调参优化整个环节的内容概述[^5]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值