写在前面：在服务器的Linux系统中复制使用Ctrl+shift+C,粘贴使用Ctrl+shift+V
1.首先拿到一份代码先研究他的readme.md也就是说明文档（至关重要），根据说明文档的详细程度可以间接判断代码能否跑起来，或者代码是否靠谱，不然花很多时间研究才发现代码没有可行性。以下我的代码是环境的说明：
结合我的论文里面说的环境是：由PyTorch实现，并在NVIDIA GeForce RTX 2080 Ti上执行。
2.打开算力云网址注册登录
3.租用实例，先根据我们需要的GPU型号，需要的配置环境，其次选地区（北京这种地区容易没有可用实例就得等待），价格。
4.秉承版本至少高于我的要求的原则，做出以下选择：
5.划重点：配置环境可无卡模式开机！（创建以后自动开机，先关机再无卡模式开机）
6.网页端打开配置环境，下一篇帖子我会讲如何与VScode，PyCharm互动。
7.进来以后发现只有原始镜像和一些文件夹：
8.关于数据和文件存储说在前面
文件存储为网络共享存储，可挂载至同一地区的不同实例中。相比本地数据盘，有优有劣：
优势：实例间共享，可以多点读写，不受实例释放的影响；此外存储后端有多冗余副本，数据可靠性非常高（本地数据盘无冗余备份，有一定概率出现磁盘故障影响数据）
劣势：IO性能一般
考虑到以上优劣，推荐使用姿势：将重要数据或代码存放于文件存储中，所有实例共享，便利的同时数据可靠性也有保障；在训练时，需要高IO性能的数据（如训练数据），先拷贝到实例本地数据盘，从本地盘读数据获得更好的IO性能。如此兼顾便利、安全和性能。
数据量比较大的传输可参考这里使用网盘传输文件存储（在这里我想说得根据帮助文档研究一下数据文件得存储，到时候克隆项目用得着）,先在对应的区初始化文件存储，以后在相应地区的区克隆项目才不用重新上传文件：
在配置环境之前我们可用通过文件上传我们的代码和数据集（同步进行节约时间）,上传成功后使用命令解压到本地unzip ***.zip
9.打开终端输入conda info -e查看现有的环境：
创建新环境myenv（如果你租用该实例只跑一个代码就在base下也可用，但是个人习惯创建多个小格子环境，互不干扰）:conda create --name myenv python=3.7.4,过程中弹出的是否下载输入y
输入conda init重启环境,并关闭shell终端并重新打开
创建环境后，激活它以开始使用:conda activate myenv
运行以下命令来安装所需的软件包：pip install torchvision==0.13.1(pip install torchvision若不指定版本则安装最新版)，使用命令查看安装是否成功：python -c "import torchviosion;print('torchvision version:',torchvision._version_)",如图所示发现没有成功：
仔细看刚才的图才发现torch==1.12.1在最后被killed，原因是虚拟机分配的内存不足以安装torch。
通过降低内存安装，在安装命令后面加上--no-cache-dir，输入pip install torch==1.12.1 torchvision==0.13.1 --no-cache-dir
输入pip list查看通过pip命令安装成功的包，安装成功！文章来源：https://www.toymoban.com/news/detail-849956.html
文章来源地址https://www.toymoban.com/news/detail-849956.html
到了这里，关于如何从Github拿到代码在云服务器跑起来--算力云从零搭建和配置GPU模型环境的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
