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：

CUDA：https://developer.nvidia.com/cuda-downloads

cuDNN：https://developer.nvidia.com/cudnn

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：

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