前提条件

• 服务端安装好anaconda，并建立要用的虚拟环境

详情可见我的另外一篇文章

【手把手AI项目】三、利用Anaconda配置tensorflow-gpu环境（linux+windows）

假设我们这里创建的虚拟环境是一个 name为che的python3.6的环境，什么其他的包都还没有装。

• 本地环境需要安装git，如果你没啥特别的需求，就傻瓜式安装即可。

具体步骤

这里要注意的一点是如果你的服务器是学校得或者公司的，肯定是要连接上对应的vpn的。

• 通过git bash输入ssh命令连接远程服务器 点击git bash

$ ssh user_name@server_ip -L 127.0.0.1:12345:127.0.0.1:1111

首先输入这个命令，user_name就是你的服务器的你的个人的用户名， server_ip就是你的服务器的独有ip

127.0.0.1:12345为本地的地址 127.0.0.1:1111为服务器端的地址

大白话理解就是咱们用ssh把本地的127.0.0.1:12345端口地址映射对应于服务器端的127.0.0.1:1111，在本地访问127.0.0.1:12345就相当于访问了127.0.0.1:1111

127.0.0.1其实就是我们常用的localhost

之后你就会看到让你输入对应于你这个user的password

输入之后你就会进入到远程服务器的命令行界面了

这个时候你可以尝试开启你的jupyer lab服务，就像是你本地用jupyter lab一样，当然你也可以用jupyter notebook，但我用过来说还是lab香。

$ jupyter lab --port=1111

开启了之后 可以在本地浏览器直接 输入

http://localhost:12345

第一次进的时候发现会让你填个token

这个token在哪里找呢，当然在我们开启jupyter lab服务的时候来找。

这个token之后的复制粘贴就成功进入到我们的lab界面了

这也算是初步完成了我们的需求

当然这里可能会有同学问，我的文件保存的地址在哪里呢，如果直接在user下执行jupyter lab的话，那就直接在user的文件夹下即可找到你的jupyter的对应配置文件和代码等等文件了。

配置环境

我们现在虽然是连接上了并且本地也登陆了，但是kernel里只有一个原生的python，所谓kernel就是编译环境。

我们下载要做的是把anaconda我们里面之前创建的虚拟环境che和jupyter建立连接。

具体做法就是在对应的虚拟环境种执行两个命令。

首先我们进入虚拟环境中去

$ source activate che

之后执行一下核心的两个命令

$ conda install nb_conda ipykernel   
$ ipython kernel install --user --name c

--name为我们把这个虚拟环境che在我们的kernel中命名为c

再刷新或者重新登陆一下jupyter lab新建notebook如下图所示

会看到多了一个叫做c的kernel，直接点击开始你的代码之路把

总结

配置环境有各种而样的坑，当然我个人也踩了不知道多少个坑，希望我的详细的记录可以帮助您尽早地把时间投入到代码的学习中去~