一般而言，大型的神经网络对硬件能力有着较高的需求——往往需要强劲的 GPU 来加速计算。但是你也许还是想拿着一台笔记本坐在咖啡店里安静地写 TensorFlow 代码，同时还能享受每秒数万亿次的浮点运算（teraFLOPS）速度？其实这个目标不难实现，使用 PyCharm 中的一个远程解释器，你就能通过远程的方式获得几乎和本地计算时一样的性能。Erik Hallström 在本文中分享了如何使用 PyCharm、TensorFlow 和 SSH 搭建远程机器学习平台的过程。
需要注意的是，目前仅有 PyCharm Professional 支持这一功能，Community Edition 尚不支持。
远程数据处理机器
希望你的远程机器看起来不是这样的。
我们的目标是搭建一个固定的远程机器，其中有一个或多个先进的 GPU，必须是英伟达的——虽然我不喜欢目前深度学习硬件领域的这种垄断，但 TensorFlow 只能使用英伟达的 GPU。
首先，让我们安装最新版本的 Ubuntu，我推荐你使用桌面版，你可以终止其 GUI 服务，然后释放图形内存。然后将你的计算机联网，并通过在终端（Terminal）输入 ifconfig 来获取 IP 地址，在本文中，我假设我们的 IP 地址是 192.168.0.1，在实际操作时，你需要根据你自己的情况进行修改。
设置 SSH
为了让你的计算机与你的数据处理机器通信，你需要在其上安装 SSH。打开你的固定计算机上的终端然后输入以下代码进行安装：
sudo apt-get install ssh
启用 SSH X11 转发让你可以进行绘图（plot），首先如下打开配置文件：
sudo gedit /etc/ssh/sshd_config
然后找到注释行：
# X11Forwarding yes
移除前面的 # 号，然后保存并关闭该文件。
显卡
接下来安装显卡驱动，通常不同的显卡都有自己专用的驱动，所以你需要在你的软件包管理器中增加一个新的库（repository）。你所需的软件请根据你自己的显卡和 Ubuntu 版本进行选择。我在这里使用的是 NVIDIA-367，了解更多请参阅：https://help.ubuntu.com/community/BinaryDriverHowto/Nvidia
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
sudo apt-get install nvidia-367
CUDA 和 cuDNN
现在应该安装 CUDA 工具包和 cuDNN 了，这是运行 TensorFlow 所必须的。你可以从英伟达的网站上下载它们：
注意下载 cuDNN 需要注册。这里使用的是 CUDA 8.0 和 cuDNN 5.1。对于 CUDA，我更喜欢使用内置的软件包管理器，这能让我们可以更轻松地追踪安装情况：
sudo dpkg -i cuda-repo-ubuntu1604_8.0.44-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda-toolkit-8.0
确保其 symlink 设置正确：
readlink -f /usr/local/cuda
>> /usr/local/cuda-8.0
下面是如何提取 cuDNN 的头文件，并将其复制到 CUDA 文件夹，并让其可以在终端进行读取（你的一些文件名可能会有所不同）：
tar xvzf cudnn-8.0-linux-x64-v5.1.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
最后添加你所需的环境变量，将它们附加到你的 .bashrc 文件，然后对其执行 source 命令：
echo 'export LD_LIBRARY_PATH=”$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"' >> ~/.bashrc
echo 'export CUDA_HOME=/usr/local/cuda' >> ~/.bashrc
source ~/.bashrc
Python 和 TensorFlow
安装一些所需的 Python 包：
sudo apt-get install python-pip python-dev build-essential python-numpy python-scipy python-matplotlib
然后安装启用了 GPU 的 TensorFlow，你可以在这个页面查阅你所需的版本：
https://www.tensorflow.org/versions/r0.11/get_started/os_setup.html；
注意 TF_BINARY_URL 根据不同的系统而有所不同：
export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.11.0rc2-cp27-none-linux_x86_64.whl
pip install --ignore-installed --upgrade $TF_BINARY_URL
验证安装是否有效，在终端输入：
python
import tensorflow
如果你已经成功安装了 GPU 已启用的系统，你会得到类似下面的输出：
>I tensorflow/stream_executor/dso_loader.cc:111] successfully opened CUDA library libcublas.so locally
>I tensorflow/stream_executor/dso_loader.cc:111] successfully opened CUDA library libcudnn.so locally
>I tensorflow/stream_executor/dso_loader.cc:111] successfully opened CUDA library libcufft.so locally
>I tensorflow/stream_executor/dso_loader.cc:111] successfully opened CUDA library libcuda.so.1 locally
>I tensorflow/stream_executor/dso_loader.cc:111] successfully opened CUDA library libcurand.so locally
搞定了吗？下面该配置你的笔记本了！
超级便利的笔记本
打开你的笔记本电脑，然后将其连接到你的固定计算机所在的本地网络：
各种安装
我使用的是一台 Macbook，所以我可以使用一个名叫 Homebrew 的软件包管理器安装程序。甚至也可以使用 Homebrew Cask 轻松安装桌面应用。
Homebrew：http://brew.sh/
Homebrew Cask：https://caskroom.github.io/
安装 Homebrew 和 Cask：
/usr/bin/ruby -e “$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"
brew tap caskroom/cask
安装你所需的，包括 PyCharm IDE：
brew install cask ssh-copy-id python
brew cask install java pycharm xquartz
设置 SSH
通过执行下列代码生成一组 SSH 密钥对，然后继续参考该指南（如果你之前没有经验）：
ssh-keygen -t rsa
现在将该密钥复制到你的远程机器，这样你以后连接它时就不用每次都输入密码了。第一次连接的时候你需要使用你远程机器的密码进行认证：
ssh-copy-id [remote username here]@[remote Ip here]
通过将以下代码附加到你本地机器上的 config 文件来启用压缩和 X11 转发（对数据绘图有用）：
echo 'ForwardX11 yes' >> ~/.ssh/config
echo 'Compression yes' >> ~/.ssh/config
用你的笔记本连接你的运程机器，检查一下结果：
ssh [remote username here]@[remote Ip here]
现在还登录着，你应该禁用你的远程机器上的密码登录（为了安全）。使用你最喜欢的命令行编辑器打开配置文件：
sudo vim /etc/ssh/sshd_config
然后取消以下 # 行的注释：
PasswordAuthentication no
在你登录着你的远程机器时重启你的 SSH 服务器（你必须重新验证一次）：
service ssh restart
在你用 SSH 登录着你的远程机器时，你应该要做的最后一件事是找到你的显示器环境变量。后面我们将会用其来 plotting，我通常得到的是 localhost:10.0.
echo $DISPLAY
> localhost:10.0
记住这个命令的输出，后面会用到。
PyCharm 中的远程解释器
这部分很有意思，我们如何设置远程解释器（remote interpreter）从而让你能在远程机器上执行脚本呢？首先启动 PyCharm，然后新建一个 Python 项目。
解释器（Interpreter）
打开 Preferences > Project > Project Interpreter，点击右上角的加点按钮，然后点击 Add remote。
点击 SSH Credentials 按钮然后输入你的信息。选择 Auth Type 上的 Key pair，然后选择 Private Key file。其路径应该是 /Users/<your username>/.ssh/id_rsa
点击 OK > Apply。注意 Project Interpreter 上的 R 表示远程。
部署
该远程解释器不能执行本地的文件，PyCharm 必须将你的源文件（你的项目）复制到你的远程服务器上的目标文件夹，但这是自动完成的，所以你无需多想！当你在 Preferences 面板时，打开 Build, Execution, Deployment > Deployment > Options，确保勾选了 Create empty directories。这样当你创建文件夹时，PyCharm 就会自动同步：
现在回到 Build, Execution, Deployment > Deployment，然后点击 + 按钮，选择 SFTP 并为你的远程命名。点击 OK：
在 SFTP host 中首次输入你的远程机器的 IP 来设置连接，然后选择 Auth type 上的 Key pair，最后选择 Private Key file，路径应该是 /Users/<your username>/.ssh/id_rsa，如截图所示。然后你可能需要点击 Test SFTP connection 进行测试。如果你连接成功了，就应该设置 mapping 了。如果你愿意，你可以点击 Rooth path 旁边的 Autodetect，然后它会自动寻找你的远程机器上的主目录。在此之后你所特定的所有路径都将相对于该主路径。然后转到 Mappings 标签。
一旦你在你的本地路径中保存或创建了一个文件，它就将会被复制到远程机器上的 Deployment path，也许你想将其部署到如下所示的 DeployedProjects/ 文件夹。这是相对于你前面指定的 Rooth path，所以在我们的这个例子中，绝对的部署路径是：/home/username/DeployedProjects/TestProject/
现在我们完成了偏好设置，点击 Apply > OK，然后点击 Tools > Deployment > Automatic Upload，确认其被选择了：
要进行初始上传，右击项目浏览器中的项目文件夹，然后点击 Upload to remote：
在你的底部面板应该会出现一个 File transfer 标签，你可以查看进程：
然后点击 Tools > Deployment > Browse Remote Host。将该窗口拖拽到左边 Project 标签下面。这样你就能轻松地在本地和远程项目之间切换了。
一旦你保存并运行了一个文件后，这些部署设置将会无缝工作，它完成得非常快，你可能都无法察觉。
设置控制台
打开 Preferences > Build, Execution, Deployment > Console > Python console 然后选择 Python interpreter。然后点击 Dotted button 并输入所需的之间我们加入到 ~/.bashrc 中的环境变量。注意我们也给 DISPLAY 变量加了一个值，这个值是我们之前使用 SSH 连接服务器时找到的：
然后回到 Preferences > Build, Execution, Deployment > Console > Python console 然后选择 Always show the debug console。这在我们调试的时候非常有用：
创建一个运行配置
在你的项目中创建一个简单的名为 test.py 的测试文件，其中仅包含：
import tensorflow
print "Tensorflow Imported"
现在进入 Run > Edit Configurations…，点击 + 按钮创建一个新的 Python 配置。为其命名后选择该脚本运行：
现在像之前一样进入所需的环境变量。小技巧：你可以直接从我们之前指定的控制台设置中直接复制它们，在左下角使用 Ctrl+A 和复制/粘贴即可。你可以通过点击 Environment variables 一行后面的加点按钮获取它们。
点击 OK > OK 开始测试！
测试该设置
现在我们应该全部完成了，改进行测试了。首先打开终端并确保你至少有一个带有 X 转发的 SSH 信道连接到你的服务器。如果你的连接已经开启了一段时间了，你可能必须退出并重启它们：
ssh [remote username here]@[remote Ip here]
控制台
然后打开 PyCharm 中底部栏的 Python Console 并输入 import tensorflow。然后你可以输入 ls/ 来验证你确实在你的服务器上执行该命令。输出应该是这样的：
运行脚本
现在回到你的 test.py 脚本，然后选择顶部栏的 Run > Run…。选择你新建的运行配置 Test，其应该输出这样的结果：
绘图
让我们做一些绘图，把你的 test.py 文件改成这样：
import tensorflow
import matplotlib
matplotlib.use('GTKAgg')
import matplotlib.pyplot as plt
import numpy as np
print "Tensorflow Imported"
plt.plot(np.arange(100))
plt.show()
接着用你的运行配置 Test 再一次运行它，你会得到这个图：
这个图实际上在你的远程服务器上完成，但是窗口数据被转向到了你的本地机器。注意我们可以用 matplotlib.use('GTXAgg') 改变支持，因为它是一个支持 X11 的显示后台。你可以在这里阅读更多关于 Matplotlib 后台的信息：
http://matplotlib.org/faq/usage_faq.html#what-is-a-backend
你也可以在 matplotlibrc 文件中修改默认行为。记住在一个分离开的终端中你需要至少一个开放的 SSH 连接，使用 DISPLAY 环境变量的正确值以使其工作。如果无效尝试重新启动你的 SSH 连接。
调试脚本
最后做一些调试。点击左侧栏以放一个断点（breakpoint），接着点击 Run > Debug…，并选择 Test 配置。你将会看到执行已停止，然后你就可以远程调试脚本了。
下一步
为了使你的机器联网，你不得不在家庭路由器上转发端口，这根据不同的供应商而变化。我建议在你的路由器上转发一个超过 22 的不同端口。世界上存在很多动机不良的 bot 想要攻击你，它们会检查默认端口，也许会减慢你的连接（尽管你已经关闭了口令认证，所以你相当安全）。也许你可以把你的路由器上的端口 4343 转发到 IP 192.168.0.1 上的端口 22（该教程中我们的远程默认 IP）。另外，为了加快绘图，你也许会需要更快的加密：http://xmodulo.com/how-to-speed-up-x11-forwarding-in-ssh.html
