利用遠程雲服務器跑深度學習模型主要有三個問題需要解決。
一是深度學習環境的搭建，二是已搭建環境的保存，三是遠程數據的傳輸。
深度學習環境的搭建
以阿里云爲例，在購買服務器創建實例時，可以在鏡像市場選擇購買已經配置好環境裝好驅動的鏡像。其優點是可以省去大量自己配置環境和安裝顯卡驅動的時間；而缺點在於不能自己選擇深度學習框架和其它軟件的版本，在後續自己安裝其他軟件或者函數庫時可能發生兼容問題。下圖是阿里雲鏡像市場提供的一個已有預裝環境的系統。
對於一臺新購買的雲服務器，深度學習環境的搭建無外乎安裝Anaconda、TensorFlow或PyTorch，以及其他用於數據處理的庫，例如numpy/pandas/matplotlib/sklearn/jupyter notebook，等等。另外還可根據需要安裝keras，以及顯卡驅動。具體教程在此不一一贅述。
已搭建環境的保存
對於自己配置環境的雲服務器，可以製作自定義鏡像保存，以便在釋放實例後再次創建其他實例時可以快速創建環境。在每次創建實例時選擇按量付費，選擇自定義鏡像，做玩一次實驗後對數據做好備份（保存快照或者遠程傳輸到本地電腦），然後釋放實例。如此可以將費用降到最低。
根據實例創建自定義鏡像
根據自定義鏡像創建實例
遠程數據的傳輸
在運行深度學習模型時，爲了防止長時間無操作而導致遠程連接斷開，可以讓模型在後臺運行。
source activate tensorflow_env # 激活深度學習環境
nohup jupyter notebook & # 後臺運行並將數據保存到nohup.out文件中
nohup jupyter notebook --allow-root & # 如果是root用戶
ps -aux | grep jupyter # 查看jupyter notebook進程號，假設是1842
kill -9 1842 # 停止後臺運行
如果需要遠程傳輸數據，可以安裝putty/scp/pscp。本地Windows系統請安裝pscp.exe，將其放在C:\Windows\System32\文件夾下。
# 將Windows本地的file.txt上傳到遠程Linux服務器
# 服務器文件路徑爲：用戶名@服務器公網IP:文件路徑
pscp E:\jupyter_notebook\workplace\file.txt root@服務器公網IP:/root/workplace
# 將遠程服務器上的數據下載到本地Windows文件夾
pscp root@服務器公網IP:/root/workplace/data.npy E:\jupyter_notebook\workplace\data.npy
以上。
參考文章