使用工具和平台调试和云端训练代码

VScode调试代码

1. 一定先要在VScode的客户端中直接选择Python解释器（自己虚拟环境的），而不是通过设置之类的，因为那样有些解释器是找不到的：

   

2. 启动VScode的调试功能，注意启动调试功能后，会生成一个launch.json文件：

   

3. 注意：该文件默认调试从当前文件开始调试，所以一般从主文件main.py文件启动调试功能：

   

4. 注意：如果执行文件需要命令行参数，在VScode中要在launch.json文件中添加args数组，而在PyCharm中可在配置项中手动选择初始配置文件。

VScode启动Tensorboard

1. 切换到正确的输出目录（注意不是具体工程所在的目录！）：

   

   如上图所示，是切换到out目录，而不是下面的具体工程目录

2. 执行tensorboard命令行命令：

   tensorboard --logdir=./

3. 输出相关信息：

   TensorFlow installation not found - running with reduced feature set.
   I0109 19:34:57.516272  7692 plugin.py:429] Monitor runs begin
   Serving TensorBoard on localhost; to expose to the network, use a proxy or pass --bind_all
   TensorBoard 2.10.0 at http://localhost:6006/ (Press CTRL+C to quit)

   注意：如果之前切换错了目录导致打开tensorboard发现没有数据，即使在当前终端切换回去发现还是没有数据，此时应该打开新的终端（或者重启VScode）执行正确的命令行命令。

Colab + Conda 云端训练代码

本次项目直接运行就行，没有用到预训练文件和数据集文件，如果项目以后需要提前准备这些数据集，我会更新教程。

查看云端设备信息及更改运行时类型为GPU

新建笔记本，以下是常见的查看设备信息指令：

print("============查看GPU信息================")
# 查看GPU信息
!/opt/bin/nvidia-smi
#  或者使用如下命令也可以
#  !nvidia-smi
print("==============查看pytorch版本==============")
# 查看pytorch版本
import torch
print(torch.__version__)
print("============查看虚拟机硬盘容量================")
# 查看虚拟机硬盘容量
!df -lh
print("============查看cpu配置================")
# 查看cpu配置
!cat /proc/cpuinfo | grep model\ name
print("=============查看内存容量===============")
# 查看内存容量
!cat /proc/meminfo | grep MemTotal

挂载谷歌云端硬盘

from google.colab import drive
drive.mount('/content/gdrive')

切换到代码所在的工作目录（可以复制路径）：

%cd /content/gdrive/MyDrive/Colab Notebooks/lsq-net-master

安装MiniConda

%%bash
MINICONDA_INSTALLER_SCRIPT=Miniconda3-py39_4.10.3-Linux-x86_64.sh
MINICONDA_PREFIX=/usr/local
wget https://repo.anaconda.com/miniconda/$MINICONDA_INSTALLER_SCRIPT
chmod +x $MINICONDA_INSTALLER_SCRIPT
./$MINICONDA_INSTALLER_SCRIPT -b -f -p $MINICONDA_PREFIX

注意：此处的MiniConda版本和你当前的python版本有关，当前python版本为3.10，但是MiniConda最新的版本支持到python3.9，但我安装了这个版本在这个项目目前也没有什么问题。

将Conda安装的包添加到python路径中

import sys
sys.path

sys.path.append("/usr/local/lib/python3.10/site-packages")

使用Conda安装各种包

!conda install tensorboard

!conda install scikit-learn pyyaml munch

注意：使用conda安装pytorch和torchvision的老生常谈问题——版本不正确导致默认下载的cpu版本。

例如当前环境的CUDA版本为12.2，但是如果我用一些不匹配版本（大概率是项目Readme.md文件要求的）的命令进行安装：

!conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge

这个命令将从PyTorch和conda-forge的频道安装PyTorch、Torchvision和Torchaudio，并且指定CUDA工具包的版本为11.1。

但是可能是因为是此版本没有GPU版本，所以pytorch默认安装cpu版本。

正确做法应该是去官网，查看符合你CUDA版本的pytorch安装命令（向下兼容）。如下：

!conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia

这样安装的pytorch和torchvision版本才是GPU版本的。

注意：我在colab上尝试创建过虚拟环境，但感觉没有什么用。因为几个小时后可能就会断开，又得重新配置环境，不如直接不创建虚拟环境。而且创建后进入虚拟环境查看python版本还是环境外的版本，出现更多细小的问题，所以不去创建节省精力。