云服务器进行训练-记录：

借用实验室老哥工作站好几次了，不大合适，打算自己弄个云服务器，比如微软的azure或阿里云，先去了解一下吧。

认识：

目前大致看了，发现服务器大体上有三大类：

1. 国内BAT华为的云服务，不过价格昂贵，尤其是GPU服务，或许可以看看有没有白嫖机会。
2. 国内较小云服务平台AutoDL之类，挑选起来相当简单，直接选择显卡，系统之类即可，价格一般在1-5r/h，还可以接受。
3. 免费的notebook，按一位老哥介绍打开即用，但只易跑小数据，或许可以看看：
   kaggle:https://www.kaggle.com/code
   colab:https://colab.research.google.com/#scrollTo=5fCEDCU_qrC0

选择：

发现较多人推荐AutoDL，看了下，感觉价格什么的都不错，决定也试试。

注册与租赁：

手机号注册，前两天sim卡坏了，等到今天才办好。注册之后，发现有学生认证，认证了，成为了炼丹会员，有九五折，还不错的亚子。


要选择的东西少，配置的东西少，门槛低，只需要选择显卡，流量/包月计费，想要的环境，然后就可以了。真的比眼花缭乱的bat省心很多很多。不过，需要注意下显卡最高支持cuda，有的仅支持11.5。

可以选择无卡模式开机，用来上传项目数据或配置环境时用，1毛每小时，是真不戳啊。

这玩意还有专门开发票的功能，它可真懂啊。

文件结构：

在AutoDL上，通过实例右侧“快速工具”的JupyterLab可以进行管理。进入后的文件结构如下所示：

autodl-fs：autodl自带可以上传数据的网盘，在网盘功能那里上传，然后在同区域（比如内蒙A区）的服务器实例文件结构中的autodl-fs中可以查看，不过在此文件夹中读写很慢，所以可以复制到autodl-tmp中，然后使用。网盘如下所示：

autodl-tmp：读写速度很快，我看到别人是用来存放项目的。我也是这样。
autodl-pub：我翻了翻，发现里边是一些公共的数据集。
miniconda3：用来进行python项目环境管理和配置，我自己配的环境就在这里。通过终端运行source miniconda3/bin/activate指令，可以使用conda命令。
tf-logs：不大感兴趣，浅浅地查找，没找到，以后再说。
系统为ubuntu，所有的文件夹都位于/root下。
除了使用上传到网盘的数据，此界面上方的箭头也可以上传本地文件，不过两者速度感觉都在几百K左右，上传稍大的文件实在是得等一会。

配置环境：

在选择显卡的时候说是配置好环境了，不过我不大明白在哪里。这可能和我没学过python，不大了解conda文件结构有关系（又需要去了解下文件结构了）。所以就自己配了环境，流程和之前在自己电脑上没区别，除了上边提到的通过终端运行source miniconda3/bin/activate指令，当然，我觉得这是我不怎么用ubuntu的原因。出乎意料的，在AutoDL上配环境本身倒是很快，这或许是服务器上本来有包吗？我不大清楚，不过舒服很多。配置完的环境如下：

值得一提，在配置完后，我偶然间发现，AutoDL的pip指令默认设置为阿里云的，还是什么，忘记了。
还有，我选择的按量计费，所以按你使用GPU模式的开启小时数计费。当你关机后，你的GPU会被释放，有可能被他人占用，所以我认为最好在同一区域多租几个（关机不计费），它们之间的环境和数据可以相互迁移（我觉得可以粗糙认为是autodl-tmp和miniconda的迁移，速度比较快，尤其是前者，有百兆字节每秒），这样，当你想训练时，发现GPU被占用了，可以看看同一区域的另外几个能不能使用，这很方便。
还有，它的可视化操作太垃圾，删除个文件夹如果里面有东西都不行，一看就是直接调用了rm指令，不带参数的那种。以后多用终端吧。
还有，因为上传的时候多用压缩文件，所以，用比较早的算法，或者怎么说呢？反正就是有些算法压缩的文件，在这里解压不出来，会直接跳过。如果你选择的压缩算法不兼容，上传解压，只能得到一堆空文件夹，这个得注意一下。毕竟半兆字节的网速上传大文件，是个表痛苦的事，尤其是反复上传。

开始训练：

把需要的yolov5工程文件夹和datasets数据集文件夹（新版yolov5的文件结构）放在autodl-tmp中，把环境配置好，在配置好的language环境下运行train.py就开始训练了。值得一提，因为yolov5使用相对路径，所以保持整个工程：yolov5和datasets同级不变就可以在不同的电脑上运行，这很省心。

48G大显存用起来确实很舒服，256一批不在话下。半分钟一轮，根本之前不敢想。也由此，需要去了解下怎么调参能把显卡性能完全调用起来了。

Pycharm远程链接：

右侧是服务器实例的ssh和密码。复制ssh。

pycharm中找到解释器的shh。

输入ssh和密码，链接到服务器实例。


选择实例上的环境。

选择上传位置。

之后会上传项目，完场后，然后就可以在对方的服务器上训练或运行了。

总结：

在服务器上训练，使用云端的算力，真是给人一种新奇感，仿佛过去的人第一次在家里用上自来水，用上天然气，用上电力。这也让我比较直观的意识到什么叫做“基础设施”级别的云计算了。真是有趣，当然，主要是省钱，毕竟，几万的卡卡，还只是用来训练，怎么想都有些亏。