1. 生成会话

tmux
tmux new -s <session-name>

2. 退出当前会话

tmux detach
exit

3. 查看有什么会话

tmux ls

4. 再次链接会话

tmux attach -t <session-name>

5. 删除会话

tmux kill-session -t <session-name>

6. 重命名会话

tmux rename-session -t <new-name>

7. 切换会话

tmux switch -t <session-name>

回溯log ctl+b 上下键

---

git stash

临时保存工作区和暂存区的修改
典型使用场景包括

1. 当你正在一个分支上开发，突然需要切换到另一个分支处理紧急问题，但当前修改还没完成不想提交
2. 需要拉去远程最新代码，但本地i修改与远程有冲突
3. 想临时回答某个干净状态测试或查看代码

常用操作：
保存当前修改

git stash

会把工作区和暂存区的修改保存到一个 “储藏栈” 中，工作区恢复到最近一次提交的状态
查看储藏列表

git stash list

会显示所有保存的储藏，格式类似：stash@{0}: WIP on 分支名: 提交哈希 提交信息
恢复最近的储藏

git stash apply  # 恢复后，储藏仍会保留在栈中
# 或
git stash pop    # 恢复后，会删除该储藏（推荐日常使用）

恢复指定的储藏

git stash apply stash@{n}  # n是储藏的编号，如stash@{1}

删除指定储藏

git stash drop stash@{n}

删除所有储藏

git stash clear

使用huggingface下载模型

1. 本地 git clone 下载
   git clone 网址（modelcard）
   

2. 服务器镜像下载

pip install -U huggingface_Hub

设置环境变量

export HF_ENDPOINT=https://hf-mirror.com

export HF_ENDPOINT=https://hf-mirror.com && huggingface-cli download --resume-download gpt2 --local-dir gpt2

3. modelscope下载

pip install modelscope

命令行下载

modelscope download --model llava-hf/llava-1.5-7b-hf ....

SDK下载

#模型下载
from modelscope import snapshot download
model dir =snapshot download('llava-hf/llava-1.5-7b-hf')

git下载

git lfs install
git clone https://www.modelscope.cn/llava-hf/llava-1.5-7b-hf

如果您希望跳过 Ifs 大文件下载，可以使用如下命令

GIT LFS SKIP SMUDGE=1 git clone https://www.modelscop

使用不同的显卡跑任务的命令

不同的任务跑在不同的GPU上,可分别指定设备

方法 命令行指定GPU（环境变量）

# 终端 1：脚本跑在 GPU 0
CUDA_VISIBLE_DEVICES=0 python script1.py

# 终端 2：脚本跑在 GPU 1
CUDA_VISIBLE_DEVICES=1 python script2.py

方法：在代码中指定GPU编号

在代码中指定GPU编号

pytorch代码中

在 PyTorch 代码中，使用 torch.cuda.set_device() 或在张量 / 模型迁移时指定 device，可以控制任务在哪个 GPU 上运行。

import torch

# 指定使用 GPU 0
torch.cuda.set_device(0)##########在这里指定
x = torch.tensor([1.0, 2.0]).cuda()  # 张量迁移到 GPU 0

# 或者在创建模型时指定
model = MyModel().cuda(0)  # 模型迁移到 GPU 0

import torch
from torch import nn

# 任务 1：跑在 GPU 0
device0 = torch.device("cuda:0")
x0 = torch.tensor([1.0, 2.0]).to(device0)
model0 = nn.Linear(2, 2).to(device0)
output0 = model0(x0)

# 任务 2：跑在 GPU 1
device1 = torch.device("cuda:1")
x1 = torch.tensor([3.0, 4.0]).to(device1)
model1 = nn.Linear(2, 2).to(device1)
output1 = model1(x1)

Tensorflow场景

TensorFlow 中通过 ** 指定设备作用域（tf.device）** 来控制任务的 GPU 分配。

import tensorflow as tf

# 任务 1：跑在 GPU 0
with tf.device('/GPU:0'):
    a = tf.constant([1.0, 2.0])
    b = tf.constant([3.0, 4.0])
    c = a + b

# 任务 2：跑在 GPU 1
with tf.device('/GPU:1'):
    d = tf.constant([5.0, 6.0])
    e = tf.constant([7.0, 8.0])
    f = d * e

# 运行并查看结果
with tf.Session() as sess:
    print(sess.run(c))
    print(sess.run(f))

在 TensorFlow 2.x（ eager execution 模式）中，也可通过 tf.distribute.MirroredStrategy 实现多 GPU 并行训练，类似 PyTorch 的 DataParallel。

使用 DataParallel 或 DistributedDataParallel（多 GPU 并行训练）

如果是模型训练任务，想让一个模型在多个 GPU 上并行训练，可使用 PyTorch 提供的并行工具：

DataParallel：简单易用，适合单节点多 GPU，会自动将数据划分到不同 GPU 并聚合结果，但存在主 GPU 显存占用更高的问题。

import torch
from torch import nn
from torch.utils.data import DataLoader

model = MyModel()
# 将模型包装为 DataParallel，指定使用 GPU 0 和 GPU 1
model = nn.DataParallel(model, device_ids=[0, 1])
# 在这里指定
model.cuda()  # 模型会被分散到 device_ids 指定的 GPU 上

dataloader = DataLoader(dataset, batch_size=32)
for batch in dataloader:
    batch = batch.cuda()
    output = model(batch)
    # 后续 loss 计算、优化等逻辑

DistributedDataParallel（DDP）：更高效的分布式训练方式，支持多节点多 GPU，各 GPU 进程独立且通信更高效，适合大规模训练。使用时需要通过启动脚本指定 GPU（如 python -m torch.distributed.launch --nproc_per_node=2 train.py，会自动分配 GPU 0 和 GPU 1 给两个进程）。