一、远程服务器以及本地pycharm配置

1 原理

将docker中的ssh端口22映射到服务器中的某一个端口，例如9999，本地使用docker的用户名和密码登录9999端口，也就登录了相应的docker

2 ssh配置步骤

• 运行docker镜像，并且指定相应的端口映射关系

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

这里指定了容器运行后，将容器的端口22映射到服务器的端口9999。

• 在远程服务器以及daocker中分别安装ssh服务，openssh-server

sudo apt-get install openssh-server

• 在docker中配置ssh服务

#允许使用root身份登录docker
sudo sed -i 's/PermitRootLogin prohibit-password/PermitRootLogin yes/' /etc/ssh/sshd_config
sudo sed 's@session\s*required\s*pam_loginuid.so@session optional pam_loginuid.so@g' -i /etc/pam.d/sshd

#下面这一步可能没有权限，可以自己打开相应的文件，将"export VISIBLE=now"写入/etc/profile的最后一行
echo "export VISIBLE=now" >> /etc/profile

• 重启ssh服务

service ssh restart

• 在服务器中测试端口映射

#查看自己的docker container端口22所映射的服务器端口
docker port my_tensorflow1.9_py3 22

#如果映射成功，可以看到如下输出
0.0.0.0:9999

• 在本地测试ssh登录docker container

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

如果上面的ssh配置失败，可以查看防火墙是否禁用了相应端口。

3 本地pycharm配置

• 选择Tools->Deployment->Configuration，增加SFTP服务器
  

• 点击左上角加号，输入server name，以及选择Type为SFTP
  

• 按照自己服务器地址、映射端口、docker用户名密码进行相应设置
  

• 选择Mapping选项卡，配置本地、远程，对应项目路径的映射
  

• 配置远程项目以及本地项目的同步
  选择Tools->Deployment->Automatic Upload(always)
  这样就可以随时使用ctrl+s来进行本地项目修改和远程docker中项目的自动同步

• 配置远程编译器
  File->Settings->Project:your project name->Project Interpreter
  

选择Add Interpreter
选择SSH Interpreter，右边窗口选择Existing server configuration，选择已经配置好的远程服务器即可。接下来会有两个选项Create和Move，选择Move即可

• 映射本地项目路径和对应的服务器项目路径
  

• 到这一步几乎已经完成了远程调试docker的所有配置，但是如果你现在就开始甩开键盘庆祝的话，就有点早了。运行基于GPU的TensorFlow项目时，会出现错误 ImportError:libcuda.so.1: cannot open shared object file: No such file or directory
  

  • 解决办法
    选择Run->Edit Configurations->点击加号->选择python->找到项目运行主文件增加环境变量LD_LIBRARY_PATH=/usr/local/cuda/lib64。这里要查看自己docker中对应的路径，使用命令如下：

echo $LD_LIBRARY_PATH

然后设置相应的路径即可

二、使用中的问题

1 在使用pycharm调试程序的时候，无法连接到控制台，程序无法运行

问题描述：

解决办法：
将run->Edit Configurations相应选项卡下，run with python console的“√”去掉