- 登录超算云服务
- 连接服务器
- 1. 通过SSH连接服务器
- 2. 通过第三方软件连接服务器（Xshell）
- 配置深度学习环境
- 1. 查看服务器已安装模块
- 2. 调用Anaconda模块
- 3. 创建Python3.7的虚拟环境
- 4. 虚拟环境下安装CUDA10.2+Pytorch1.6.0
- 5. 虚拟环境下安装CUDA版本的DGL
最近在用并行超算云服务器(北京超级云计算中心，宁夏超级云计算中心)搭建Pytorch1.6+CUDA10.2+DGL0.4.3的深度学习实验环境，这里记录一下。 登录超算云服务
根据注册时获得的账号和密码，使用网页版或下载客户端登录账号。
我这里尝试了2种连接服务器的方式，SSH和第三方软件（Xshell）
1. 通过SSH连接服务器点击桌面SSH图标，显示当前账号可访问的云服务器，点击想要连接的服务器。
显示当前页面表明服务器连接成功。
前提：计算机本地已安装Xshell。
本人平时连接服务器习惯用XShell，主要原因是Xshell配套的Xftp方便服务器和本地文件的传输。
从应用中心安装Xshell。选择应用中心->超算云服务->Xshell申请使用
由于我这里已经安装完成，所以显示卸载。如果未安装则显示申请使用。
安装完成后桌面会显示Xshell图标。第一次进入Xshell会让选择文件路径，此时需要选择本地计算机的Xshell.exe将云服务器与本地Xshell连接起来。
绑定后，点击Xshell图标则会唤醒本地Xshell应用，并自动连接云服务器。这里可能会询问是否确认连接服务器，输入yes即可连接到服务器，其他的Xftp等服务均可正常使用。
在SSH或Xshell终端输入命令module avail
踩过的坑：如果输入module avail显示command module not found，则先输入source path/path/module.sh（一般这里路径会在连接服务器时有提示），再输入module avail。通常服务器已经预先装好anaconda，cuda等常用环境。
[your@account ~]$ module avail ------------------------------ /usr/share/Modules/modulefiles ------------------------------- dot module-git module-info modules null use.own ---------------------------------- /data/apps/modulefiles ----------------------------------- alphafold/2.0.0 alphafold/2.0.0_20210827 alphafold/2.0.1 alphafold/2.1.1 amber/AmberTools21_openmpi_nccl anaconda/2020.112. 调用Anaconda模块
module load anaconda/2020.113. 创建Python3.7的虚拟环境
conda create -n myname python=3.74. 虚拟环境下安装CUDA10.2+Pytorch1.6.0
sources activate myname conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.2 -c pytorch #速度太慢，安装了除pytorch以外的所有包 pip install torch==1.6.0 torchvision==0.7.0 #安装成功，但通过print(torch.cuda.is_available())返回False，认为未安装对应CUDA（后来想起也可能是因为未向云服务器请求分配GPU的原因）
尝试向Anaconda添加清华镜像源，加快pytorch下载速度
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud//pytorch/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --set show_channel_urls yes
重新用conda安装pytorch
conda install pytorch==1.6.0 torchvision==0.7.0 cudatoolkit=10.2
安装成功，利用torch.cuda.is_available()检查cuda是否可用，返回True则证明可用。注：此处记得先向云服务器申请GPU设备再检测。
5. 虚拟环境下安装CUDA版本的DGL点击这里寻找与cuda版本对应的dgl包
将下载的包放在合适文件夹下，终端进入该文件夹，安装DGL包
cd ./archive pip install dgl_cu102-0.4.3.post2-cp37-cp37m-manylinux1_x86_64.whl
安装成功。
至此，我所需要的所有深度学习模型环境已经配齐，接下来就可以上传代码跑实验啦！
