超详细！！服务器搭jupyter notebook及挂起和关闭进程

再次警告⚠️……没有在小小demo上试验成功的代码不要放到服务器上造垃圾

一、服务器上配置jupyter

1.1 ssh连接到服务器，cd到你想建立jupyer的服务器目录下执行：

$ jupyter notebook --generate-config

然后会出现

1.2生成密码

$ python

>>> from IPython.lib import passwd
>>>passwd()

需要你两次输入你想设置的密码，然后返回一个’argon2:$argon……‘加密之后的字符串将其复制 ctrl+z退回终端

1.3打开jupyter_notebook_config.py文件，在开头写下面的

直接在ssh连接browse remote host后打开文件复制粘贴哇！！第一次自己在服务器手动敲的

c.NotebookApp.ip='xxx.xx.xx.xxx' #你的服务器ip
c.NotebookApp.password='argon2:$argon2idxxxxxx'	#密码
c.NotebookApp.open_browser=False 		#不在服务器打开浏览器
c.NotebookApp.allow_remote_access=True 
c.NotebookApp.port=8888 #端口 这里虽然设置了8888但是如果端口冲突会给你换一个开
c.NotebookApp.notebook_dir = '/home/xxx/xxxxxx' #jupyter的工作目录

1.4运行jupyter notebook

$ jupyter notebook
指定端口号或者ip
$ jupyter notebook --no-browser --port 6000 --ip=192.168.1.100
如果你直接运行这条语句，结果如下图，点击蓝色连接就会进入到jupyter，输入上面设置的密码就可以用了
但是始终占用一个终端命令窗口，你ctrl+z之后就无法访问，再jupyter notebook之后，会给你打开新的端口

你想用回8888端口访问怎么办？
$ ps -aux | grep jupyter
查看运行中的jupyter 进程,杀死他们的pid，也就是第一列


kill -9 26989
kill -9 26993
kill -9 26999

然后再查看，发现杀不死的话试试$ ps -ef | grep jupyter查pid
这样太麻烦了，一个是端口号不固定，还有就是不能让进程一直运行

二、后台挂载

nohup jupyter notebook --allow-root > jupyter.log 2>&1 &
会把原本在终端限时的运行状态写到jupyter.log 里
后台挂载后也不能print了，可以把结果写在log里
这样即使关掉ssh连接也会一直在后台运行

然后你不能一直挂载吧，任务结束就用上面的办法查看pid，杀死进程

三、附赠cuda()怎么写

简单来说就是穿进去模型的变量和模型自身要.cuda()，显示结果要.cpu()
因为要在mac和服务器之间反复横跳…，用另一种写法torch.device（）
知道两句话你听不懂，我们下面举几个例子

###在最开始设置device
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
#找模型定义的地方
model = x.Model(config).to(device)

#可以在生成x,y iter的时候to
'''
class DatasetIterater(object):
    def __init__(self, batches, batch_size, device):
        self.batch_size = batch_size
        self.batches = batches
        self.n_batches = len(batches) // batch_size
        self.residue = False  # 记录batch数量是否为整数
        if len(batches) % self.n_batches != 0:
            self.residue = True
        self.index = 0
        self.device = device
'''
    def _to_tensor(self, datas):
        x = torch.LongTensor([_[0] for _ in datas]).to(self.device)
        y = torch.LongTensor([_[1] for _ in datas]).to(self.device)
'''
        # pad前的长度(超过pad_size的设为pad_size)
        seq_len = torch.LongTensor([_[2] for _ in datas]).to(self.device)
        return (x, seq_len), y
'''

#也可以在传进去模型的时候to
inputs, targets = data[0].cuda(), data[1].cuda()
outputs = model(inputs)


#需要输出显示的值.cpu()
target = labels.data.cpu()
predic = torch.max(outputs.data, 1)[1].cpu()
train_acc = metrics.accuracy_score(target, predic)
#在验证或者预测函数（而不是train）需要直接用output 记得detach()
preds.append(outputs.detach().cpu().numpy())

会提示cuda memory不够了的话

我做的办法是先kill掉jupyter 进程……（这样变量会丢失，希望有更方便的方法）
然后检查自己验证函数，它是不需要梯度的

    with torch.no_grad():
        outputs = model(inputs)