从零开始复现深度学习代码

1.硬件条件

笔者是用的自己的笔记本远程连接服务器进行代码复现的

2.前置准备

2.1新建文件夹

首先，在服务器中建立存放code的文件夹

mkdir TTSCGAN

2.2下载代码

这里有两种情况：

在服务器中用git clone的方法下载代码，
先把整个代码文件包下载到本地，然后再用Pycharm上传至服务器，笔者这里用的是第二种方法

3.配置环境

这里有两种情况：

下载的代码文件中有requirements.txt文件

有这个文件那复现代码工作就已经完成了一般了

请跳到3.5和3.7，然后直接在虚拟环境里自动安装所有需要的包：
pip install -r requirements.txt
下载的代码文件中没有**requirements.txt**文件

很不幸，笔者这次是第二种情况

3.1确认Pytorch版本

首先，用Pycharm打开代码文件大概看一眼原作者用了什么包，笔者这里用的是Pytorch，然后根据原作者在GitHub上上传代码的年份反推了一下，原作者大概用的是1.8版本的Pytorch

3.2确认系统版本能支持的最低和最高cuda版本

cd /root
cat /rtc/issue

输出：

Ubuntu 20.04.5 LTS \n \l

经百度查得ubuntu20.04最低支持cuda11.0

nvidia-smi

Driver Version为431.40，可安装的最高CUDA版本为11.7.

3.3根据Pytorch版本确认对应的CUDA版本

去官网查：https://pytorch.org/get-started/previous-versions/

经官网查得1.8.0版本的Pytorch可安装10.0、11.1的CUDA，那么选择11.1的CUDA

conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge

卸载CUDA命令：

conda uninstall cudatoolkit==11.1.1

Tips: NVIDIA显卡驱动版本和CUDA版本对应关系截图来自:

https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

3.4确认并安装cuDNN版本

CUDA和cuDNN版本对应关系：

https://developer.nvidia.com/rdp/cudnn-archive

conda install cudnn=8.0.5

3.5根据Pytorch版本确认对应的Python版本

在这查 https://github.com/pytorch/vision#installation

查得>=3.6, <=3.9的Python都可以，这里选了3.8

注意：3.6版本的Python是一个分水岭，代码不通的时候可以把Python版本退回到3.6试试

3.6查看是否成功使用了对应版本的python、CUDA、cuDNN

python
import torch
print (torch.__version__) 
print(torch.version.cuda)
print(torch.backends.cudnn.version())

3.7用Anaconda创建虚拟环境

conda create -n 你想创建的名字 python==版本号

conda create -n TTSCGAN python==3.8

在执行下面的代码前请先保证已在服务器中安装了Anaconda，并把源换成国内的方便之后下载包

Anaconda配置国内镜像源:

https://blog.csdn.net/william118/article/details/119073539

3.8Anaconda conda常用命令

https://blog.csdn.net/chenxy_bwave/article/details/119996001

创建虚拟环境
conda create -n TTSCGAN python==3.8
进入环境
conda activate TTSCGAN
或者
source activate TTSCGAN
退出环境
conda deactivate
查看当前环境
conda list
查看有哪些虚拟环境
conda env list
删除环境
conda remove -n pytorch_env(虚拟环境名称)  --all

3.9在虚拟环境中安装Pytorch和CUDA

先进入环境

source activate TTSCGAN

再进行安装

conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=10.2 -c pytorch

3.10在虚拟环境中安装代码需要的包

其实到这里就可以直接下载数据开始跑代码了，然后看报错，少什么包就安装什么包就行，但是笔者因为比较熟悉，看代码里的import先安装一些常用的包

conda install numpy -y
conda install pandas -y
conda install scipy -y
conda install tqdm -y
pip install Pillow
pip install argparse

关于版本的问题，直接先默认装，会装最新的版本，然后跑的时候报错再退回低版本或者改代码

4.下载数据集

这里也有两种情况

源代码里有现成的数据集

那直接就开始跑就行了，在readme.md文件里一般会有开始跑代码的命令行:

python mitbih_Train_CGAN.py

源代码里没有现成的数据集

笔者这里是第二种情况，那么就去readme.md文件，或者作者的原文中找，一般都会给出下载地址

然后根据源代码提示把下载下来的数据集放在指定位置：

filename='./mitbih_test.csv'

5.用Pycharm将代码上传至服务器

这里由于篇幅过长，Pycharm远程连接服务器的内容将新开一篇文章叙述

https://wh1720848796.github.io/post/b108b838.html

6.跑代码

6.1使用screen实现关掉本地计算机而远程服务器继续跑代码

这与本章无关，所以就简单提一下，感兴趣的话可以去看底部的参考链接

创建screen的时候要指定窗口的名称并进入窗口：
screen -L -t 自定义log名 -S 自定义screen窗口名字
screen -L -t windows1 -S TTSCGAN
退出screen：
screen -d 12540.TTSCGAN
ctrl+a+d
查看所有创建的screen：
screen -ls
启动screen：
screen -r 12540.TTSCGAN
删除screen：
screen -X -S xxx.TTSCGAN quit

进入窗口：
screen -r 12540.TTSCGAN
切换路径：cd到服务器中你文件的存放位置：
cd /home/sda/wh/TTSCGAN
进入环境：
source activate TTSCGAN
开始跑代码：
python mitbih_Train_CGAN.py

6.2少什么包补什么包

Traceback (most recent call last):
  File "trainCGAN.py", line 6, in <module>
    from DataLoader import *
  File "/home/sda/wh/TTSCGAN/DataLoader.py", line 12, in <module>
    from sklearn.utils import resample
ModuleNotFoundError: No module named 'sklearn'

pip install scikit-learn
pip install einops
pip install torchsummary
pip install imgaug
conda install -y -c conda-forge tensorboard

7.跑的时候会经常用到的命令

进入窗口：
screen -r 12540.TTSCGAN
进入环境：
source activate TTSCGAN
开始跑代码：
python mitbih_Train_CGAN.py
退出窗口：
ctrl+a+d

参考链接：

https://blog.csdn.net/ztmajor/article/details/117651176

https://blog.csdn.net/FionaAI/article/details/105174160

https://blog.csdn.net/weixin_44058333/article/details/99693489