現如今深度學習日益變得火爆，最明顯的地方就是深度學習的訓練平臺變得日益衆多，例如Google的conlab 百度的paddlepaddle的框架平臺，但是大氣多數平臺的操作系統均爲Linux系統，因此掌握基本的Linux系統知識必不可少。同時深度學習的模型日益變得深不見底，即使有Tesla v100這樣的GPU也要訓練一天左右。同時針對如yolov3 等目標檢測的深度學習模型則更加長時間。如果在Linux的終端執行中突然發生遠程連接的中斷，就會很苦惱。因此需要藉助方法使得當Linux系統發生遠程連接中斷時仍然可以觀察loss與acc的輸出值。
Linux的nohup指令
nohup command &
nohup爲不掛起的終端命令，即使終端意外關閉，仍然在後臺進行執行執行，但是對於深度學習來說，僅僅在後臺執行最後得到訓練好的model遠遠不夠，很多時候對於經驗老道的“煉丹師”最開始幾行的loss輸出既可以判斷錯誤，所以需要將輸出進行實時的監督
nohup command out.file 2>&1 &
這行代碼就是將運行指令的輸出存入out.file文件 默認是nohup.out文件,2>&1的代碼作用是將輸出的錯誤信息也存入out.file文件，&是這個代碼的重點。代表此條指令在後臺運行。
例如：
python train.py command out.file 2>&1 &
計算機會在執行模型訓練文件，並且將輸出存放在out.file進行日誌的整理。
相對來時更適合在服務器進行，這樣使得代碼在遠程進行執行，在訓練結束後進行log文件的查看即可。