### 设置 PyCharm 的 SSH 连接以运行深度学习任务 #### 一、PyCharm 版本的选择 为了实现远程连接功能，需确保使用的是 PyCharm Professional Edition（专业版），而非 Community Edition（社区版）。这是因为只有专业版支持远程开发环境的功能[^3]。 --- #### 二、创建新的项目并配置远程解释器 1. **新建项目** 打开 PyCharm 后，在欢迎界面选择 `New Project` 或者通过菜单栏中的 `File -> New Project` 创建新项目。 2. **配置远程 Python 解释器** 在项目的设置窗口中，找到 `Python Interpreter` 配置项。点击下拉框旁边的齿轮图标 (`⚙️`) 并选择 `Add...`。随后在弹出的对话框中选择 `SSH Interpreter` 来指定远程服务器作为计算资源的位置。 3. **填写 SSH 参数** 输入远程 GPU 服务器的信息，包括主机名 (Host)、端口号 (Port，默认为 22)，以及登录所需的用户名 (Username) 和密码/密钥文件路径。这些参数可以通过点击右上角的 `"..."` 图标进入更详细的 SSH 配置页面完成设置[^1]。 4. **验证连接** 完成上述字段输入后，可以尝试测试连接是否成功。如果一切正常，则会显示已建立成功的消息；如果有错误提示，请检查网络状况或者重新核对所填入的各项信息是否有误。 --- #### 三、上传本地代码与数据集至服务器 对于大规模的数据集传输，推荐先将其打包成 `.tar.gz` 压缩包形式再上传到服务器，这样能有效减少时间成本和带宽消耗[^2]。具体步骤如下： 1. 使用命令行工具如 Linux 自带终端或 Windows PowerShell 对目标目录执行压缩指令： ```bash tar -czvf dataset.tar.gz /path/to/dataset/ ``` 2. 将生成好的压缩文件利用 Xftp 等 SFTP 工具直接拖拽方式复制到服务器相应位置。 3. 登录到服务器解压该档案以便后续处理程序调用它： ```bash tar -xzvf dataset.tar.gz -C /destination/path/ ``` --- #### 四、调试与运行脚本 当所有前期准备工作完成后，可以在 PyCharm 内部编写训练模型所需的各种 python 脚本，并借助之前设定好的 Remote Debugger 功能实时监控进程状态及调整超参等操作直至获得满意的结果为止。 ```python import torch from torchvision import datasets, transforms transform = transforms.Compose([transforms.ToTensor()]) train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True) print(f'Training samples loaded successfully with size {len(train_dataset)}') ``` ---