目錄???
1.準備作業
2.服務器的購買（華為云）
3.ssh遠程連接服務器
4.關于cuda的安裝及配置
5.關于cudnn的安裝及配置
6.關于anaconda的配置
7.關于GMP的配置
8.驗證配置是否成功
9.關于pycharm的遠程連接
10.Mindinsight安裝與使用
參考鏈接
1.準備作業
1.完成pycharm專業版的安裝
2.windows系統下可通過cmd進行ssh連接，mac下可通過終端進行ssh連接
2.服務器的購買（華為云）
注意：本教程為了適配后期神經網路的訓練，只梳理了華為云GPU的服務器購買流程，旨在為入門小白提供服務器購買的范例，您可根據需要選擇符合您實際需要的服務器規格，
1.官網完成賬戶的登陸 https://www.huaweicloud.com/ 進入首頁后如下圖所示
2.點擊進入后如下圖所示，下滑頁面找到推薦配置，根據下圖點擊立即購買
3.待頁面跳轉后，選擇按需付費，華北-北京四，選擇如下所示服務器
4.繼續下拉頁面，確認規格，選擇鏡像，系統盤規格選擇通用型，100GiB 點擊下一步
5.進入網路配置，網路和安全組均選擇默認配置即可 然后選擇下一步，進入高級配置
???????
6.進入高級配置，云服務名稱和密碼自定義 其余配置默認即可
7.進入確認配置中，與下圖核對配置，勾選協議并選擇立即購買即可完成
???????
注意：當您購買按需付費的服務器時，在實驗或專案結束后，切記及時關閉服務器，以免造成資料資源的浪費，
3.ssh遠程連接服務器
1.登陸服務器，查看驅動程式是否正常
ssh root@公網IP #（這里的IP對應購買的服務器的ip）
輸入密碼 #（對應購買服務器的時候設定的root密碼）
nvidia-smi #表示驅動程式正常（若正常的話顯示如下圖）
2.下載mindspore所需環境
我們已將mindspore所需的組態檔整理并上傳，您可通過以下途徑自行下載：
億方云鏈接: https://v2.fangcloud.com/share/fc4dfe5c7a01e32c8cba54c182 訪問密碼：bistu
百度網盤鏈接: https://pan.baidu.com/s/15AwkAA0fzlVwkt4eYzQ83w 提取碼: 63c8
上述下載好的mindspore環境組態檔需要上傳至服務器中，
3.然后依次執行下述命令：
apt update
tar -xvf mindspore_env.tar #解壓上述下載的環境包
ls #確認檔案資訊如下
4.關于CUDA的安裝及配置
CUDA(ComputeUnified Device Architecture)，是顯卡廠商NVIDIA推出的運算平臺， CUDA是一種由NVIDIA推出的通用并行計算架構，該架構使GPU能夠解決復雜的計算問題，當我們在進行深度學習任務時，我們有時需要使用GPU版本的框架，比如tensorflow-gpu或者mindspore-gpu版本就需要安裝CUDA和CUDNN進行GPU加速支持，
1.執行下述操作
sh cuda_10.1.105_418.39_linux.run #執行cuda安裝程式 等待大約30s執行結果如下圖所示：
接下來輸入： accept 回車
2.接下來顯示頁面如下圖所示，取消勾選Driver,并按下述右圖所示完成安裝（Install）
3.執行成功如下圖所示
4.執行下述操作，在組態檔中加入支持cuda的配置陳述句
#第一步 用vim打開環境組態檔
vim /etc/profile #配置環境變數
#第二步 將游標移至最后文章末尾，并按i進入編輯模式
#第三步 在文本的末尾添加如下文本
export PATH="/usr/local/cuda/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda/lib64"
#第四步 編輯完成后，按esc退出編輯模式，輸入 :wq 保存并退出即可source /etc/profile #更新環境變數
nvcc -V # 驗證cuda的安裝結果如下圖所示
5.若結果如下圖所示，則cuda配置已完成
5.關于cudnn的安裝及配置
1.執行下述操作
tar -xzvf cudnn-10.1-linux-x64-v7.6.5.32.tgz #解壓關于cudnn的組態檔
ls #查看目錄，確認是否完成解壓
2. 繼續執行下述操作
cd cuda #進入解壓出來的cuda檔案夾
ls #查看當前目錄檔案結構
cp ./include/* /usr/local/cuda/include/ #拷貝
cp ./lib64/* /usr/local/cuda/lib64/
chmod a+r /usr/local/cuda/include/cudnn* /usr/local/cuda/lib64/libcudnn* #修改檔案權限
cd # 回傳home目錄即可進行下一步配置
6.關于Anaconda的配置
Conda是一個包管理器;Anaconda是一個發行包， Conda可以理解為一個工具，也是一個可執行命令，其核心功能是包管理與環境管理，包管理與pip的使用類似，環境管理則允許用戶方便地安裝不同版本的python并可以快速切換 ，Anaconda是一個打包的集合器皿，里面預裝好了Conda、某個版本的python、眾多packages、科學計算工具等等，所以也稱為Python的一種發行版，
1.執行下述操作
sh Anaconda3-2021.11-Linux-x86_64.sh #執行Anaconda的安裝命令
2.如出現下圖，直接按回車即可
連續按enter鍵，直到出現命令（Please answer 'yes' or 'no'），輸入yes
3.若出現下圖，輸入yes即可
4.當出現以下結果，斷開ssh連接（輸入exit后回車），然后再通過ssh連接到服務器
5.重新連接后，如下圖所示，左側出現（base），表示成功
6.執行下述操作
conda create -n mindspore_py39 -c conda-forge python=3.9.0 #利用conda命令創建python3.9.0的虛環境
當出現如下結果后，輸入y
7.出現以下畫面，表示安裝成功
8.執行下述操作，執行結果如下圖所示：
conda activate mindspore_py39 
???????
9.安裝mindspore框架
conda install mindspore-gpu=1.5.0 cudatoolkit=10.1 -c mindspore -c conda-forge
#出現結果如下圖所示：
10.輸入 y ，等待片刻，結果如下圖則成功
7.關于GMP的配置
關于Gmp：Gmp 是一個mindspore 框架需要的數學計算庫
1.執行下述操作
apt install m4 #安裝GMP需要的工具
tar -xPvf gmp-6.1.2.tar.xz #gmp后自動補全
解壓出來的目錄如下所示
2.依次執行下述操作
cd gmp-6.1.2/
./configure --enable-cxx #安裝成功后，如下圖所示
3.執行下述操作
make #等待片刻
make check
make install
cd #回到home目錄
到此，GMP的配置已完成，接下來，我們來驗證上述的配置是否成功
8.驗證配置是否成功
1.執行下述操作
python -c "import mindspore;mindspore.run_check()"
#出現以下結果
2.執行下述操作
cd #回到home目錄
python mindspore_test.py
#出現以下結果則表示成功
注意：上述mindspore_test.py檔案內容如下，您也可以自行復制執行，完成測驗：
import numpy as np
import mindspore
from mindspore import nn, Model
from mindspore.dataset import GeneratorDataset
from mindspore.train.callback import LossMonitor, TimeMonitor
class DatasetGenerator:
def __init__(self, inputs, targets):
self.inputs = inputs
self.targets = targets
def __getitem__(self, item):
return np.array([self.inputs[item]]), np.array([self.targets[item]])
def __len__(self):
return len(self.inputs)
def main():
inputs = np.linspace(-50000, 50000, 100000, dtype=np.float32)
targets = inputs * 3 + 2
dataset_generator = DatasetGenerator(inputs, targets)
dataset = GeneratorDataset(source=dataset_generator, column_names=['inputs', 'targets'],
column_types=[mindspore.float32, mindspore.float32])
dataset = dataset.batch(batch_size=100)
linear = nn.Dense(in_channels=1, out_channels=1)
loss_fn = nn.MSELoss()
optimizer = nn.Adam(linear.trainable_params(), learning_rate=0.01)
model = Model(network=linear, loss_fn=loss_fn, optimizer=optimizer)
model.train(epoch=15, train_dataset=dataset, callbacks=[LossMonitor(), TimeMonitor()])
print('線性回歸樣例：y=3x+2, x = {1, 2, 3}')
outputs = model.predict(mindspore.Tensor([[1], [2], [3]], dtype=mindspore.float32))
print(outputs.asnumpy())
if __name__ == '__main__':
main()
9.關于pycharm的遠程連接
接下來我們介紹如何在pycharm中實作服務器的遠程連接，具體的配置操作如下：
1.首先打開pycharm，找到python Interpreter
2.如下圖，點擊齒輪??，選擇add
3.選擇SSH Interpreter，并輸入您的服務器公網IP地址以及Username，選擇Next
4.接下來輸入root密碼，點擊next
5.更改路徑地址，選擇/root/python
6.如下圖所示編輯Remote Path即可,綠色框中的地址為您當前專案的路徑
7.配置完成后顯示如下圖所示，點擊Apply完成遠程連接
8.測驗樣例如下，執行下圖所示demo，輸出結果如紅色區域所示，則表示遠程連接成功
10.Mindinsight安裝與使用
在深度學習或者其他引數優化領域中，對于結果的可視化以及中間網路結構的可視化，是一個非常重要的作業，一個好的可視化工具，可以更加直觀的展示計算結果，可以幫助人們更快的發掘大量的資料中最有用的資訊，接下來我們介紹MindSpore框架下的可視化工具MindInsigh的基本配置及使用方法，
1.首先安裝MindInsigh需要在mindspore的conda環境下，執行下述操作
conda activate mindspore_py39
2.通過官網找到對應的下載命令
pip install https://ms-release.obs.cn-north-4.myhuaweicloud.com/1.5.0/MindInsight/any/mindinsight-1.5.0-py3-none-any.whl --trusted-host ms-release.obs.cn-north-4.myhuaweicloud.com -i https://pypi.tuna.tsinghua.edu.cn/simple3.更改組態檔，使允許被外網訪問
cd /root/anaconda3/envs/mindspore_py39/lib/python3.9/site-packages/mindinsight/conf/
vim constants.py #將檔案中的HOST改為0.0.0.0如果mindspore的conda環境名不是mindspore_py39，則自行替換路徑中的環境名 將檔案中的HOST從127.0.0.1改為0.0.0.0
4.啟動Mindinsight
mindinsight start –summary-base-dir /root/summary5.關閉Mindinsight
mindinsight stop6.可視化的網頁地址為—公網IP地址：8080（例如：123.60.222.93:8080）
您需要先在您購買的服務器上，打開8080埠的服務
您在瀏覽器中輸入http://123.60.222.93:8080即可打開訓練資料的可視化面板，
7.最后，您可以執行下述demo檔案查看您的配置是否成功
import numpy as np
import mindspore
from mindspore import nn, Model
from mindspore.dataset import GeneratorDataset
from mindspore.train.callback import LossMonitor, TimeMonitor, SummaryCollector
class DatasetGenerator:
def __init__(self, inputs, targets):
self.inputs = inputs
self.targets = targets
def __getitem__(self, item):
return np.array([self.inputs[item]]), np.array([self.targets[item]])
def __len__(self):
return len(self.inputs)
def main():
inputs = np.linspace(-5000, 5000, 10000, dtype=np.float32)
targets = inputs * 3 + 2
dataset_generator = DatasetGenerator(inputs, targets)
dataset = GeneratorDataset(source=dataset_generator, column_names=['inputs', 'targets'],
column_types=[mindspore.float32, mindspore.float32])
dataset = dataset.batch(batch_size=50)
linear = nn.Dense(in_channels=1, out_channels=1)
loss_fn = nn.MSELoss()
optimizer = nn.Adam(linear.trainable_params(), learning_rate=0.05)
model = Model(network=linear, loss_fn=loss_fn, optimizer=optimizer)
# model.train(epoch=20, train_dataset=dataset, callbacks=[LossMonitor(), TimeMonitor()])
model.train(epoch=15, train_dataset=dataset, callbacks=[LossMonitor(), TimeMonitor(),
SummaryCollector(summary_dir='/root/summary/',
collect_freq=1)])
print('線性回歸：y=3x+2, x = {1, 2, 3}, y = {5, 8, 11}')
outputs = model.predict(mindspore.Tensor([[1], [2], [3]], dtype=mindspore.float32))
print(outputs.asnumpy())
if __name__ == '__main__':
main()
8.若上述配置成功，可視化面板中所展示的結果如下圖所示
參考鏈接
1.???????https://www.cnblogs.com/dechinphy/p/nonlinear.html??????
2.https://www.huaweicloud.com
3.https://www.mindspore.cn
4.https://www.cnblogs.com/dechinphy/p/msinsight.html
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/388033.html
標籤：其他