All in Linux：一个算法工程师的IDE断奶之路

前不久卖萌屋的lulu写了一篇vim的分享《算法工程师的效率神器——vim篇》，突然想起来自己也有一篇攒了几年灰的稿子，在小伙伴的怂恿下小夕强行翻新了一把，于是有了本文。

开篇预警：本文毫无逻辑

已经习惯了IDE的小伙伴可能在炼丹时也惯性的使用pycharm了。这在windows、mac本地炼丹的时候往往没什么，但是一旦要在GPU server端，初学者就往往开始捉急了，更不必说让他all in这个server端的小黑框了。

小夕早期也试过一些笨办法和部分场景下有效的“巧办法”，比如

• 本地端用pycharm疯狂debug，一切测试ready后，使用scp将相关代码传到服务器起任务
• 通过syncthing这种同步工具来自动同步本地端和server端代码
• 利用pycharm内置的远端同步功能
• server端启动jupyter notebook，本地端浏览器访问

直到遇到了公司跳板机：scp、pycharm、jupyter notebook等通通失联，本地端与远程GPU服务器被跳板机生生拆散了。于是我问同组的小伙伴这该怎么炼丹，ta说：

“咦？直接在服务器上写就好了呀，linux不香么，vim不香么？难道你不会？”

“我。。我会。。。一点╮(￣▽￣"")╭”

回想自己的炼丹之路，其实完全断奶IDE确实不是一件容易的事情。早期一直是用pycharm连接远程GPU服务器来凑合，一直觉得效率还行。直到后来投身工业界后，发现身边的大佬都是在黑框框里裸奔，炼丹效率完全秒杀我，这才下决心彻底断奶。挣扎几个月断奶成功后，愈发觉得

黑框框真香╮(╯▽╰)╭

不过，毕竟自己不是专业玩linux的，只是炼丹之余摸索了一些自己用着舒服的不成体系的方法，所以相关玩法可能会有些“歪门邪道”，如有更优做法，请大佬们在评论区不吝赐教噢~

本文目录：

• 准备工作与环境迁移问题
• 与机器解耦
• 别忘写个自动配置脚本
• bash function用起来
• 与bettertouchtool的组合技
• 别再无脑vim了
• 别再无脑python了

（其实还能写更多，太困了，还是下次吧QAQ

准备工作与环境迁移问题

其实，如果只是凑合一下，那么在黑框里炼丹基本不需要什么准备工作。换到新的服务器之后，基本就是vimrc里随手写几条tab扩展、换行自动缩进、文件编码之类的，bash里随手建几条alias就可以了，剩下就是一顿pip install。

不过，如果你是一个比较深度的炼丹师，往往python环境里存了一些自己得心应手的小工具包，还有一些自己临时hack了源码的库；可能还要随身携带hadoop客户端以便在集群上炼丹和管理实验；还可能对cuda版本、cudnn版本也有一些要求，需要随身携带一些常用版本在服务器之间穿梭；此外，更不用说vim和bash的一堆个性化配置啦。

这就导致了一个问题，如果炼丹准备阶段，丝毫不顾及炼丹环境与机器的解耦和环境的迁移性，那么一旦机器挂掉，或者你要换机器（老板给你买了新机器），这就会变得非常痛苦。所以在打磨自己的工具链之后，花点时间将工具与环境解耦是非常必要的。

与机器解耦

比较欣慰的是，炼丹依赖的大部分工具和库本身就是跟机器解耦的，比如cuda、cudnn、hadoop client等，挪到新环境后，基本只需要把各bin的路径配置到环境变量PATH里，把各lib配置到LD_LIBRARY_PATH里就可以用了，多再export一下CUDA_HOME，HADOOP_HOME等。然而，python环境的迁移就相对麻烦一些了。

早期的时候，小夕在本地搞了一堆miniconda的环境，然而换机器的时候才发现迁移时这些环境非常容易损坏，或者迁移后发现有时出现奇奇怪怪的问题。当时一顿乱试，也没能很完美的解决，不知道今天miniconda或anaconda是否有改善（本地端的体验真的无敌赞）。

此外，也尝试过用docker管理环境。虽然docker的迁移性很赞，自带云端同步，但是，当你面对一台无法连接外网且没有安装docker的服务器时，你就感觉到绝望了。。。一顿离线安装折腾到疯，机器环境差点时，各种安装依赖会搞到怀疑人生。此外，docker也有一定的上手成本，理解概念、熟悉常用命令和提高生产力的命令方面会比miniconda明显成本高。

终发现，python环境的迁移性方面还是pyenv+virtualenv的组合能应对的情况更多一些，使用virtualenv建好一个环境后，若要将这个环境迁移到其他机器上，分两种情况：

如果你没有修改某些库的源码，所有的库都是pip install的，那自然直接pip freeze一下，将当前环境里的各个库和版本号直接输出重定向到命名为requirements.txt文件中就可以啦。到新的机器的新环境里，直接pip install -r requirements.txt就哦了。

然而，如果你已经深度定制了某些库，这就意味着你需要把整个离线环境打包带走了。这时首先要保证目标机器跟现有机器的大环境差不多（否则一些系统底层库版本差异很大，可能导致上层的库调用出错），然后借助virtualenv自带的命令就非常容易了，直接一行

virtualenv -relocatable