深度学习-服务器训练SparseDrive过程记录

1、cuda安装
1.1 卸载安装失败的cuda
参考：https://blog.csdn.net/weixin_40826634/article/details/127493809
注意：因为/usr/local/cuda-xx.x/bin/下没有卸载脚本，很可能是apt安装的，所以通过执行下面的命令删除：

cpp 复制代码

apt-get --purge remove "cuda*"
apt-get autoremove

然后执行find / -name "cuda"，查看是否还有残留的cuda相关文件，比如/etc/alternatives/cuda-12还存在，则执行下面的命令：

cpp 复制代码

rm /etc/alternatives/cuda-12

1.2 安装cuda及cudnn
参考：https://blog.csdn.net/weixin_40826634/article/details/127493809
注意：

服务器显卡驱动支持的cuda最高版本是12.4，SparseDrive官方教程依赖的cuda运行时版本是11.6，因为运行时版本只要小于最高版本即可，所以这里安装的是cuda-11.6。
安装完cuda后，发现/usr/local/cuda-11.6/samples路径下没有测试用例，从官网使用命令git clone https://github.com/NVIDIA/cuda-samples.git拉取了测试用例仓库，验证cuda成功安装。
cudnn减压后的文件夹名为cudnn-linux-x86_64-8.4.1.50_cuda11.6-archive，和参考文档里减压后的文件夹cuda是对应的，只不过这里是cuda11.6对应的cudnn，参考文档里是cuda10.0对应的cudnn。

2、数据集准备

数据集的目录：

nuSenses/

├── can_bus

├── maps

│ ├── 36092f0b03a857c6a3403e25b4b7aab3.png

│ ├── 37819e65e09e5547b8a3ceaefba56bb2.png

│ ├── 53992ee3023e5494b90c316c183be829.png

│ ├── 93406b464a165eaba6d9de76ca09f5da.png

│ ├── basemap

│ ├── expansion

│ └── prediction

├── samples

│ ├── CAM_BACK

│ ├── CAM_BACK_LEFT

│ ├── CAM_BACK_RIGHT

│ ├── CAM_FRONT

│ ├── CAM_FRONT_LEFT

│ ├── CAM_FRONT_RIGHT

│ ├── LIDAR_TOP

│ ├── RADAR_BACK_LEFT

│ ├── RADAR_BACK_RIGHT

│ ├── RADAR_FRONT

│ ├── RADAR_FRONT_LEFT

│ └── RADAR_FRONT_RIGHT

├── sweeps

│ ├── CAM_BACK

│ ├── CAM_BACK_LEFT

│ ├── CAM_BACK_RIGHT

│ ├── CAM_FRONT

│ ├── CAM_FRONT_LEFT

│ ├── CAM_FRONT_RIGHT

│ ├── LIDAR_TOP

│ ├── RADAR_BACK_LEFT

│ ├── RADAR_BACK_RIGHT

│ ├── RADAR_FRONT

│ ├── RADAR_FRONT_LEFT

│ └── RADAR_FRONT_RIGHT

└── v1.0-trainval

├── attribute.json

├── calibrated_sensor.json

├── category.json

├── ego_pose.json

├── instance.json

├── log.json

├── map.json

├── sample.json

├── sample_annotation.json

├── sample_data.json

├── scene.json

├── sensor.json

└── visibility.json
注意：要将nuScenes-map-expansion-v1.3中的basemap、expansion、prediction拷贝到maps下。
3、SparseDrive训练

完全按照官网的教程进行部署，训练脚本不需要修改，就是两步，执行训练脚本遇到如下的问题：

排查是因为共享空间不足![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/c388ef7294314b3abef5321d227a6a97.png![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/f7eaf0c1ea8c4ee0baa6236f011f70d1.png)

执行以下两条命令，申请了8G的共享内存，并把batch_size从64改成32后，程序可以正常训练：

cpp 复制代码

卸载默认的 /dev/shm
umount /dev/shm
#挂载更大的内存文件系统（例如8g）
mount -t tmpfs -o size=8g tmpfs /dev/shm

4、使用screen在服务器后台运行程序

用ssh远程的服务器终端只要关闭该终端，训练程序也会中断，是因为虽然ssh的终端是在本地电脑上显示的，但是其实是服务器端的终端，所以关掉ssh的终端，就是关掉了服务器的终端，在终端上运行的程序就会中断，通过使用screen就可以让程序在后台运行，即使关掉终端，程序仍然会在后台运行。

screen常用命令：

cpp 复制代码

screen -S sparsedrive #创建一个名字为sparsedrive的会话

按ctrl+a后再按d，退出会话

screen -r sparsedrive #重新进入会话

screen -ls #查看所有会话

cpp 复制代码

screen -X -S 27444 quit 删除会话

5、报显存不足的解决方法

在训练时，如果发现显存不足，用htop查看未释放显存的进程，如果存在程序已经结束，但是显存还没释放的进程，则用下面的命令强制杀死这些进程：

cpp 复制代码

kill -9 <进程id>

然后，用nvidia-smi查看，会发现素所有gpu的util都是0了，即显存都被释放了。