事实证明，实验室虽然给每个人配了3060，但是本菜菜的研究生环境至今还是没完全装好——GPT和一些NLP模型跑得没问题，但是最近跑CV模型——YOLO不停报错，正在崩溃中😭（后来发现是显存不够，把batch size改小）。实验室的GPU工作站也得学会用，经过学长的推荐，还是打算用VScode连服务器。在连服务器之前，记得先找实验室的负责人创建用户密码。下面就是本小白的配置过程：
安装VScode
这一步难度为0，我猜大家电脑里基本都已经安装了吧。现在VScode上的插件很多，我的想法还是把VScode当作一个编辑器，可以尝试装$\LaTeX$和Markdown以及Jupyter notebook之类，不要安装太多插件当IDE用，主要是我本人比较崇尚简单轻量。
安装Remote Development插件+配置SSH
我的电脑是Mac，本身自带ssh，实验室的Windows电脑（windows10自带powershell无需安装，其他系统安装openssh）。Windows电脑的远程配置和Mac原理一样，都差不多，可以看参考链接，和Mac电脑的步骤基本只有路径不同。需要注意的是，我有两台电脑都想要远程登录服务器，那么我只需要将两台电脑的公钥都添加到authorized_keys文件中。
参考：VSCode远程开发配置教程，Macbook Air配置vscode+remote ssh，centos配置ssh免密码登录后仍要输入密码的解决方法，windows vscode远程连接linux服务器
Remote Development插件安装后会将所有你需要的远程开发的插件都安装上，包括Remote SSH。
为了让我们不要每次连接服务器都输入密码，我们需要配置ssh公钥和私钥。首先在本地电脑Terminal下生成密钥：
ssh-keygen -t rsa -b 4096 -f ~/.ssh/id_rsa-remote-ssh
注意生成密钥的过程中可以不设passphrase，之前设过一次在后续过程中报过错，简单起见可以直接不设。这时可以看到~/.ssh下生成了id_rsa-remote-ssh和id_rsa-remote-ssh.pub两个文件，前者是本地密钥，后者是要上传到服务器的公钥。
在本地更改~/.ssh/config文件，将此文件加上（下方的注释只是解释，不要放上去）：
Host XXXX //Host名，设置好以后可以直接用ssh XXXX连接
User XXX //用户名
HostName XXXXXXXX //服务器地址
IdentityFile ~/.ssh/id_rsa-remote-ssh //本地ssh文件
用ssh登录目标服务器，在~/.ssh目录下新建文件authorized_keys。将id_rsa-remote-ssh.pub的内容用cat命令打开，复制粘贴到authorized_keys里（我用的vim）。找到服务器端的/etc/ssh/sshd_config文件去掉PubkeyAuthentication前的注释#号。然后重启远程服务器的ssh服务：
sudo systemctl restart sshd.service
接下来再登录应该不需要密码，如果还需要（本人遇到这样的事情），那么进行以下操作：
查看系统日志：
tail /var/log/secure -n 20
以上命令可能需要权限，就加sudo就行。
可以看到最后20行的日志，如果其中有对我们自己的登录信息：Authentication refused: bad ownership or modes for file，那么我们需要修改权限：
chmod g-w/home/yingzhang
chmod 700 /home/yingzhang/.ssh
chmod 600 /home/yingzhang/.ssh/authorized_keys
再进行登录就可以免密了。这个可以用Terminal check out一下，如果成功设置，那么不管在VScode上登录还是在Terminal上ssh登录都是免密的。
在远程服务器安装插件
登录远程服务器后会发现可以选择将插件安装在远程服务器上。我觉得可以不用专门安装，在你使用的过程中VScode会弹出提示推荐你安装哪些插件，包括Python，Jupyter notebook等，这里只介绍我觉得很好用一定要安装的插件：SFTP。
SFTP可以让你的本地代码和服务器代码同步。不需要再将文件传来传去。需要你在本地安装SFTP插件（注意是liximomo的版本），然后用VScode打开你想要同步的文件夹，用cmd+shift+P输入SFTP:CONFIG，可以以此编辑sftp.json。我的配置如下：
{
"name": "3090", //服务器名字，随便取
"host": "##.##.##.##", //服务器ip地址
"protocol": "sftp",
"port": 22,
"username": "#########", //用户名
"remotePath": "/home/######/Signature-Verification_System_using_YOLOv5-and-CycleGAN", //远程服务器上的路径
"password": "######", //密码
"uploadOnSave": true,
"syncMode": "update",
"watcher": {"files": "/*", "autoUpload": true, "autoDelete": true},
"ignore": ["/.vscode"]
}
配置好以后可以在本地文件处右键，选择local—>remote可以向服务器上传文件夹。
配置远程服务器环境
想要在远程服务器上跑深度学习，还需要配置。我们可以先检查一下服务器的GPU型号和有几块GPU：
nvidia-smi -L
接下来我们检查一下是否已经安装了cuda已经cuda版本：
nvcc -V
我的情况是已经安装了cuda11.4，GPU是一块3090大家共用。接下来检查一下自己的用户文件夹下有没有conda文件夹，如果没有可以肯定当前没有装conda（我的情况），接下来还是要装conda，我试了一下不装conda直接开始运行项目代码会报一些意想不到的错，主要原因就是PyTorch，Python，cuda以及显卡版本都有可能相互不适配。conda装了以后就很舒服很方便了。
miniconda是conda的轻量版本，我们先装上miniconda：
wget -c https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh
chmod 777 Miniconda3-latest-Linux-x86_64.sh #给执行权限
bash Miniconda3-latest-Linux-x86_64.sh #运行
cd ./home/用户名/miniconda3/bin
chmod 777 activate
. ./activate #激活conda环境
conda config --add channels bioconda
conda config --add channels conda-forge #添加频道
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/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/ #这四条是添加channel
###下一步添加环境变量，否则conda不能运行！！（这个命令也是常见添加环境变量的命令）
###我的安装情况是没有加，因为打开~/.bashrc发现已经自动加上了。
vim ~/.bashrc
export PATH=$PATH:/home/用户名/miniconda3/bin #根据实际路径确定
export PATH=$PATH:/home/user2/miniconda3/bin （这是我的命令）
source ~/.bashrc #保存更改
因为已经安装了cuda，接下来我们要安装PyTorch，去PyTorch官网看看，发现最近的版本1.10适配是cuda11.3，所以装一个1.10可以了：
conda create -n torch1.10 python=3.8 # 创建了一个Python3.8的环境，环境名torch1.10
conda activate torch1.10 #进入虚拟环境
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch
亲测这个环境跑代码是没有问题的。
screen命令：保证代码在后台运行不会断开
TBC-labml：用手机看服务器上的深度学习进程
Github：labml