如何搭建云服务器并且配置基础论文代码环境？
前言
此次环境配置以AutoDL为例(可以选用其他服务器租用平台)，主要是针对论文配置基本环境(Pytorch、Tensorflow、Conda…)
一、租用服务器并选定基础配置
打开AutoDL，注册后先进行充值，便于租用服务器(第一次充值可以充值5-10元)
进入
算力市场，点击1卡可租
根据代码要求，选定镜像版本
具体建议
- Python：考虑使用Python 3.8或3.9，这些版本提供了更好的特性和性能改进，同时保持较好的库兼容性。
- TensorFlow：由于论文指定了TensorFlow版本小于2.0，建议选择TensorFlow 1.15，这是1.x系列中的最后一个并且是长期支持的版本。
- PyTorch：可以选择使用PyTorch的较新版本，例如1.8或1.9，除非有特定的库或代码依赖于更旧的版本。
二、容器初始化
- 开机并进入终端
在容器实例中给容器开机，并点击JupyterLab进入该机器的终端
- 克隆项目
在GitHub对应的论文网址下，找到Code下对应的论文路径。
通过git clone的方式将项目克隆到目录下，对AutoDL来说，该目录一般是/root/autodl-tmp下为项目新建的子目录。
git clone https://github.com/ma-compbio/Hyper-SAGNN.git /root/autodl-tmp/Hyper-SAGNN/
- 配置Conda环境
为每个项目创建一个新的Conda环境，并在Conda环境下配置该项目所需要的包，是一种推荐的做法。
隔离依赖：避免项目之间的依赖发生冲突
依赖管理：Conda能更好地处理包之间的依赖关系
Conda安装：Conda主要安装预编译的二进制包，这通常比从源代码编译安装(
pip install)会更好。
命令
conda create -n Hyper python=3.7 // 创建一个Python版本为3.7的名为"Hyper"的Conda环境
source activate Hyper //激活Conda环境
conda install tensorflow-gpu==1.15 // Conda二进制安装对应版本的包
conda list
pip install tensorflow-gpu==1.15
pip list
- 配置环境之后，只要激活环境之后就进入了Conda环境之中。
三、项目的具体配置
- 大型配置(先装确定的)
确定的部分就是Requirements下的一些明确的配置。
由于我们在创建Conda环境的时候就为该环境指定了Python的版本，那么我们只需要安装Tensorflow和Pytorch。
// Tensorflow
pip install tensorflow-gpu == 1.15
// Pytorch
pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/cu113 // 使安装的 PyTorch 将能够利用安装在系统上的 CUDA 11.3 版本来执行 GPU 加速的运算
pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 torchaudio==0.12.1 --extra-index-url https://download.pytorch.org/whl/cu113 // 安装GPU torch
- 小型配置(缺啥补啥)
找到论文中运行的代码，在启动Conda环境后运行，如果运行后还缺少某些指令或者包，则再进行安装。
像图中例子，如果缺genism，再通过pip install去安装缺的部分。
四、克隆
在配置完毕并成功运行代码后，如果我们不需要用了，关机后我们需要将配置好的机器克隆成多个。因为释放资源后原机器可能被抢占，所以我们通过克隆，看哪个克隆的机器闲置我们就去用相应的机器，节省时间。
将机器关机后，点击更多，选择克隆实例，勾选数据盘，创建出新的实例。
五、常见问题
- 如果出现版本过低无法安装的情况，需要适当降低Conda环境的Python版本
// 直接在重新创建的命令后更改成一个较低的版本
conda create -n Hyper python=3.7
