自己的研究方向是心脏AI相关（心脏MRI+深度学习这样子），最近在学习医学图像分割——自动心脏诊断挑战赛（ACDC）的代码：
GitHub - baumgach/acdc_segmenter: Public code for our submission to the ACDC Cardiac Segmentation challenge
这个项目的运行环境要求：python3.5、Tensorflow1.12、cuda9.0，最后决定用学校的服务器来跑，学校的服务器配置是8张2080ti显卡。
Linux查看Nvidia显卡信息及显存的使用情况，可以使用Nvidia自带的一个命令行工具：
nvidia-smi
如果要周期性的输出显卡的使用情况，可以用watch指令实现：
watch -n 1 nvidia-smi
至于服务器的远程控制，在尝试WinSCP、XShell、FinalShell三个终端工具后，最终确定使用FinalShell，上传下载文件方便，还可以直接运行服务器终端，确实很好用。
离线激活FinalShell专业版参考下面这位大佬的博客：
FinalShell-免登录解锁专业版(最高支持3.9.5.7版本所有功能)_蓝之桉的博客-CSDN博客_finalshell专业版
一、安装与Python3.5对应的Anaconda版本
1.这里要感谢大佬的博客：
anaconda python 版本对应关系_Wanderer001的博客-CSDN博客_anaconda3对应的python版本
最终在下面的清华镜像源中选择了 Anaconda3-4.2.0-Linux-x86_64.sh：
Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror
2.下载完成后，用FinalShell上传到服务器：
3.使用bash命令进行安装，bash 安装包名：
bash Anaconda3-4.2.0-Linux-x86_64.sh
4.接着按照提示输入ENTER。到了环境变量配置选项这一步，记得输入yes：
5.在控制端输入conda，如果显示“conda:command not found”，则表示没配置环境变量（或是配置了环境变量并没有生效）。
网上有很多相关的配置教程，不过好像在上一步的时候输入过yes，只需要断开服务器主机，重新连接就好了。
此时输入conda -V，会正常显示版本号：
6.创建一个pyhon版本为3.5的虚拟环境。
conda create -n tfgpu python=3.5
注意：tfgpu是自己起的“个人环境名称”（your_env_name ）。选好自己想要8 的python版本，之后在这个环境里进行tensorflow-gpu版的安装。
7.激活这个环境，就能看到环境由 base 切换到了 your_env_name。
conda activate your_env_name
这里我在激活的时候，系统提示我要使用source而不是conda，我也不知道为什么。
source activate tfgpu
退出环境的代码如下：
conda deactivate
Conda常用命令：
（1）查看已有环境
conda env list
（2）查看已安装的包
conda list
（3）更改镜像源
conda config --add channels 源地址
conda config --set show_channel_urls yes
（4）删除环境
conda remove -n your_env_name --all
二、进入环境安装tensorflow-gpu版
1.环境激活完以后，就是安装tensorflow-gpu 1.12了，可以使用以下指令：
pip install tensorflow-gpu==1.12.0 -i https://pypi.tuna./simple
2.此时我的pip版本显示是8.9.1的，执行上面的指令时一直报错，说pip等级太低，后来根据提示升级了一下pip，就一直在报下面的错：
折腾了好久，终于通过下面大佬的帖子找到了解决方案：
pip指令出现SyntaxError: invalid syntax的两种原因及解决方法，完美解决！_御名方守矢-的博客-CSDN博客
不过帖子里获取get-pip.py的命令应该改为：
wgethttps://bootstrap.pypa.io/pip/3.5/get-pip.py
3.然后就能正常安装了：
安装过程中遇到了如下报错：
根据错误提示，分别重新安装了以上两个版本要求的包：（要先装futures才能装enum34）
pip install -i https://pypi.tuna./simple "futures>=2.2.0"pip install -i https://pypi.tuna./simple "enum34>=1.0.4"
4.CUDA9.0的下载地址：CUDA Toolkit 9.0 Downloads | NVIDIA Developer。
下载后是cuda_9.0.176_384.81_linux.run，然后使用sh cuda_9.0.176_384.81_linux.run命令进行安装。
sh cuda_9.0.176_384.81_linux.run
注意：默认安装路径是/usr/local/cuda-9.0，当然也可以自定义，安装到自己文件夹下面去，之后在.bashrc中配置好就行。
5.cuDNN的下载地址：cuDNN Archive | NVIDIA Developer。
下载以后得到cudnn-9.0-linux-x64-v7.5.0.56.tgz，解压：
将 /cudnn-9.0-linux-x64-v7.5.0.56/cuda/include/cudnn.h 上传到服务器的 /home/wang4/cuda-9.0/include 位置。
将 /cudnn-9.0-linux-x64-v7.5.0.56/cuda/lib64/libcudnn* 上传到服务器的 /home/wang4/cuda-9.0/lib64 位置。
检查是否安装成功：
cat /home/wang4/cuda-9.0/include/cudnn.h | grep CUDNN_MAJOR -A 2
如果返回以下结果，则表示运行成功：
6.输入下面的指令配置.bashrc文件。
vi ~/.bashrc
然后按insert键，在最下方输入代码：
export LD_LIBRARY_PATH=/home/wang4/cuda-9.0/lib64:$LD_LIBRARY_PATHexport PATH=/home/wang4/cuda-9.0/bin/:$PATH
然后按ESC键，再输入:wq!进行保存退出，
:wq!
输入source ~/.bashrc激活环境配置文件：
source ~/.bashrc
输入nvcc -V查看当前cuda版本，如果显示9.0，恭喜你，环境变量配置成功啦！
7.测试：
进入python，输入import tensorflow，再输入tensorflow.__version__，不报错即说明使用成功。
python>>> import tensorflow>>> tensorflow.__version__
三、把项目跑起来
1.由于训练时间很长，不可能一直开着本机电脑与学校的服务器保持连接，所以可以使用tmux来管理会话，这里感谢大佬的博客：
非root用户服务器安装tmux_不会概率的Bayes的博客-CSDN博客_服务器安装tmux
tmux的使用方法，参考下面这位大佬的博客和矩池云的官方帖：
TMUX使用教程_阿 mark的博客-CSDN博客_tmux使用教程
Tmux 使用教程 | 矩池云支持中心 ()
以下是 Tmux 的最简操作流程：
新建会话tmux new -s [my_session]。在 Tmux 窗口运行所需的程序。按下快捷键Ctrl+b d将会话分离。下次使用时，重新连接到会话tmux attach-session -t[my_session]。
2.安装项目运行所需的依赖库：
cd acdc_segmenter-masterpip install -r requirements.txt
3.修改config目录下的system.py：
project_root = '/home/wang4/acdc_segmenter-master'#修改为你的项目代码目录data_root = '/home/wang4/DataSet/ACDC_challenge_0617/training'#修改为你的项目训练集目录test_data_root = '/home/wang4/DataSet/ACDC_challenge_0617/testing'#修改为你的项目测试集目录local_hostnames = ['wang4']#修改为你的运行平台的hostname
4.在train.py文件下选择你需要运行的网络结构：
# from experiments import FCN8_bn_wxent as exp_config# from experiments import unet2D_bn_modified_dice as exp_configfrom experiments import unet2D_bn_modified_wxent as exp_config# from experiments import unet2D_bn_modified_xent as exp_config# from experiments import unet2D_bn_wxent as exp_config# from experiments import unet3D_bn_modified_wxent as exp_config# from experiments import unet2D_bn_wxentropy_bs5 as exp_config
在acdc_segmenter-master/experiments目录下打开你选择的网络所对应的参数设置文件。
以unet2D_bn_modified_wxent.py为例，建议修改learning_rate、max_epochs。learning_rate默认值为0.01，过大，会导致网络震荡；max_epochs默认值为20000，不修改后面可能需要手动中断训练；batch_size默认值为10，过大会导致在训练过程中遇到内存不够程序终止的情况，可以根据自己显存的情况来进行修改。
5.通过tmux在会话下输入：
python train.py
确认运行没有问题后，断开与服务器的连接，程序也能正常运行。
在训练完成之前的时间里，便可以学习源代码、数据集简介、数据预处理acdc_data.py的代码解析……
6.运行结果会保存在项目文件夹下的acdc_logdir文件夹下。
7.在训练过程中，可以通过tensorboard实时观察网络的训练情况。
在“FinalShell->连接管理器->SSH连接->隧道”中按下图进行隧道添加，直接将侦听端口和目标端口都设置成6006（tensorboard的访问地址）即可。
在服务器端运行：
tensorboard --logdir=acdc_logdir/[模型文件夹名]
本机浏览器访问127.0.0.1:6006，然后就可以开始愉快的看tensorboard的内容啦！
8.在训练期间或之后的任何时候，都可以通过键入以下内容来评估模型：
python evaluate_patients.py acdc_logdir/[model]
这里的[model]要改为自己的模型保存文件夹名，最终的分割结果保存在[model]/predications下。
