本文总共分三部分：
一、配置PyCharm远程调试的环境(服务器为linux系统)
二、服务器上安装tensorflow-gpu及配置cuda环境，同时改变PyCharm的环境
三、配置过程中遇到的问题及解决办法
一、配置pycharm远程调试的环境(服务器为linux系统)
1、设置sftp文件同步
在PyCharm中打开SFTP配置面板，路径为Tools => Deployment => Configuration:
1.1填写connection下的所有信息：
1.2配置Mappings参数设置，进行本地项目路径和远程服务器项目路径的关联：这里注意，可能是我有管理员权限的原因，按原作者师姐的路径，类似的deployment path写/lrt-vaesemti-pycharm后面会上传不了代码到服务器的准确位置，因此路径要写全。
2、设置远程python interpreter
PyCharm主界面进入File-Setting-Project-Project Interpreter
2.1 点击小齿轮选择Add Remote
选择ssh的解释器，填写服务器用户信息
2.2 默认你配置好了sftp，现在只需要选择好Interpreter的路径，默认路径是/usr/bin/python
注意如果在服务器为自己配置了单独的python环境，记得修改解释器路径。
2.3 设置Path mapping
本地项目的路径和远程服务器的路径要填对，后面配置Configurations需要再填一遍
3、设置Configurations
在PyCharm中打开Run/Debug Configurations设置面板，路径为Run-Edit Configurations-Python Remote Debug，点击左上角的加号
3.1 设置Configuration的信息
Name可以瞎填，Local host name填本机IP，Port可自行填写1002以上的任意数字。
要设置好Path mappings，路径和设置解释器时候一致。
5、完成所有步骤后，需要上传代码到远程服务器
右键具体项目，点击upload to sftp
二、服务器上安装tensorflow-gpu及配置cuda环境，同时改变PyCharm的环境
注意：
实验室服务器已经安装cud及virtualenv，所以接下来的步骤不会有安装cuda和virtualenv步骤，只涉及配置环境变量。
6、利用virtualenv（虚拟沙盒）创建自己的python环境
注意每次使用沙盒环境前需使用激活命令。
6.1 建立自己的独立python环境
virtualenv --python=python3 yylpython（已建立）
6.2 激活该环境
source yylpython/bin/activate 激活
6.3 退出环境（这步先不做）
deactivate
7、服务器安装tensorflow-gpu
衔接上一步，这时候你已经进入yylpython的环境里，安装最新版本：
pip install tensorflow-gpu
8、配置cuda的环境
在服务器（ubuntu系统）的命令行终端输入以下代码：
export CUDA_DEVICE_ORDER=PCI_BUS_ID
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda
export CUDA_VISIBLE_DEVICES=0,1
export TF_CPP_MIN_LOG_LEVEL=1
9、这时你在服务器上配置好tensorflow-gpu和cuda环境，需要在PyCharm里设置好对应的信息
9.1 改变解释器路径，使用新建立的python环境，而不是默认的usr/bin/python，注意这里需要服务器端已经安装了虚拟环境（见本文第二部分）
PyCharm主界面进入File-Setting-Project-Project Interpreter，点击小齿轮，点击more
9.2 把默认的usr/bin/python路径修改成新的yylpython里的路径
9.3 在PyCharm中打开Run/Debug Configurations设置面板，路径为Run => Edit Configurations，配置cuda的环境变量
点击Environment variables右边的...添加对应的环境变量：
CUDA_DEVICE_ORDER=PCI_BUS_ID
LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
CUDA_HOME=/usr/local/cuda
CUDA_VISIBLE_DEVICES=0,1
TF_CPP_MIN_LOG_LEVEL=1
3.3.2018 增加
注意这里要填写才能run，否则是未使用，每次运行一个工程就要修改对应的路径
三、配置过程中遇到的问题及解决办法
按一、二步骤则环境安装成功，但在配置过程如果遇到以下问题，可以采取对应的解决办法。
1、ImportError: libcudnn.so.6: cannot open shared object file: No such file or directory
这个错误是cudnn未能成功配置。
1.1 如果确定服务器里已安装好cuDNN v6.0，那么是环境变量配置有问题。
请查看步骤8，将对应的环境变量仔细观察一遍，尤其是在pycharm里设置环境变量时，多一个空格都会无法识别。
1.2 如果服务器未安装cuDNN v6.0，需要去官网下载安装包，并在服务器里安装。
1：对应cuda版本下载cudnn资源：https://developer.nvidia.com/cudnn
2：cudnn的安装：把文件拷入cuda安装文件的对应位置，建立相应软连接。
3、解压下载的压缩包：tar zxvf cudnn-8.0-linux-x64-v6.0.tgz
4、拷贝并建立软连接
cd cuda
sudo cp include/cudnn.h /usr/local/cuda/include
sudo cp -a lib64/libcudnn* /usr/local/cuda/lib64
2、ImportError: libcusolver.so.8.0: cannot open shared object file: No such file or directory
这个问题出现时，表示tensorflow的程序无法正常运行，一般是环境变量配置有误。
解决办法：
请查看步骤8，将对应的环境变量仔细观察一遍，LD_LIBRARY_PATH的路径填写可能有误。
---------------------
作者：wuliLan
来源：CSDN
原文：https://blog.csdn.net/gsch_12/article/details/78233734
版权声明：本文为博主原创文章，转载请附上博文链接！