一、遠端伺服器以及docker配置ssh

1 原理

將docker中的ssh埠22對映到伺服器中的某一個埠，例如9999，本地使用docker的使用者名稱和密碼登入9999埠，也就登入了相應的docker

2 ssh配置步驟

• 執行docker映象，並且指定相應的埠對映關係

NV_GPU=5 nvidia-docker run -ti --name my_tensorflow1.9_py3 -v ~/dataShare:/home/dataShare -p 9999:22 192.168.12.23:5000/tensorflow1.4:18.01-py2 /bin/bash

這裡指定了容器執行後，將容器的埠22對映到伺服器的埠9999。

• 在遠端伺服器以及daocker中分別安裝ssh服務，openssh-server

sudo apt-get install openssh-server

• 在docker中配置ssh服務

#允許使用root身份登入docker
sed -i 's/PermitRootLogin prohibit-password/PermitRootLogin yes/' /etc/ssh/sshd_config
sed '[email protected]\s*required\s*[email protected] optional [email protected]' -i /etc/pam.d/sshd

#下面這一步可能沒有許可權，可以自己開啟相應的檔案，將"export VISIBLE=now"寫入/etc/profile的最後一行
 

echo "export VISIBLE=now" >> /etc/profile

• 重啟ssh服務

service ssh restart

• 在伺服器中測試埠對映

#檢視自己的docker container埠22所對映的伺服器埠
docker port my_tensorflow1.9_py3 22

#如果對映成功，可以看到如下輸出
0.0.0.0:9999

• 在本地測試ssh登入docker container

#如果本地是windows，可以下載git，使用git bash測試
ssh <username>@<server IP> -p 9999
 

如果上面的ssh配置失敗，可以檢視防火牆是否禁用了相應埠。

3 本地pycharm配置

• 選擇Tools->Deployment->Configuration，增加SFTP伺服器
  

• 點選左上角加號，輸入server name，以及選擇Type為SFTP
  

• 按照自己伺服器地址、對映埠、docker使用者名稱密碼進行相應設定
  

• 選擇Mapping選項卡，配置本地、遠端，對應專案路徑的對映
  

• 配置遠端專案以及本地專案的同步
  選擇Tools->Deployment->Automatic Upload(always)
  這樣就可以隨時使用ctrl+s來進行本地專案修改和遠端docker中專案的自動同步

• 配置遠端編譯器
  File->Settings->Project:your project name->Project Interpreter
  

選擇Add Interpreter
選擇SSH Interpreter，右邊視窗選擇Existing server configuration，選擇已經配置好的遠端伺服器即可。接下來會有兩個選項Create和Move，選擇Move即可

• 對映本地專案路徑和對應的伺服器專案路徑
  

• 到這一步幾乎已經完成了遠端除錯docker的所有配置，但是如果你現在就開始甩開鍵盤慶祝的話，就有點早了。執行基於GPU的TensorFlow專案時，會出現錯誤 ImportError:libcuda.so.1: cannot open shared object file: No such file or directory
  

  • 解決辦法
    選擇Run->Edit Configurations->點選加號->選擇python->找到專案執行主檔案增加環境變數LD_LIBRARY_PATH=/usr/local/cuda/lib64。這裡要檢視自己docker中對應的路徑，使用命令如下：

echo $LD_LIBRARY_PATH

然後設定相應的路徑即可