json_0">VS Code Debug技巧：launch.json实用参数
在使用Visual Studio Code (VS Code)进行调试时，launch.json文件是一个强大的工具，它允许你自定义调试会话。以下是一些实用的参数，可以帮助你更有效地调试Python代码。
1. 调试第三方库代码
如果你需要调试第三方库中的代码，可以使用"justMyCode": false参数来禁用仅我的代码功能。这样，你就可以在库代码中设置断点。
json">{"version": "0.2.0","configurations": [{"name": "Python: tutorial_train.py","type": "debugpy","request": "launch","program": "${workspaceFolder}/tutorial_train.py","justMyCode": false,"console": "integratedTerminal"}]
}
2. 指定CUDA环境
在进行深度学习开发时，你可能需要指定CUDA设备。通过设置"env"中的"CUDA_VISIBLE_DEVICES"，你可以控制哪些GPU设备对当前调试会话可见。
json">{"version": "0.2.0","configurations": [{"name": "Python: tutorial_train.py","type": "debugpy","request": "launch","program": "${workspaceFolder}/tutorial_train.py","env": {"CUDA_VISIBLE_DEVICES": "1"},"justMyCode": false,"console": "integratedTerminal"}]
}
3. 指定Conda环境
如果你的项目依赖于特定的Conda环境，可以通过"python"参数指定Conda环境的Python解释器路径。
json">{"version": "0.2.0","configurations": [{"name": "Python 调试程序: 当前文件","type": "debugpy","request": "launch","program": "${file}","console": "integratedTerminal","justMyCode": false,"python": "/root/miniconda3/envs/xxx/bin/python"}]
}
4. 使用accelerate.launch替代
accelerate库提供了一个命令行工具来启动分布式训练。在launch.json中，你可以使用"module"参数来指定accelerate.commands.launch模块，并通过"args"参数传递必要的命令行参数。
json">{"version": "0.2.0","configurations": [{"name": "Python 调试程序: 训练脚本","type": "debugpy","request": "launch","module": "accelerate.commands.launch","args": ["--config_file", "/path/accelerate/default_config.yaml","/path/train_xxx_deepspeed.py","--config", "/path/test_xxx.yaml"],"console": "integratedTerminal","env": {"CUDA_VISIBLE_DEVICES": "4,5,6,7"},"justMyCode": false}]
}
5. 设置当前工作目录
使用"cwd"参数，你可以为调试会话设置当前工作目录。这对于需要在特定目录下运行脚本的情况非常有用。
json">{"version": "0.2.0","configurations": [{"name": "Python 调试程序: 当前文件","type": "debugpy","request": "launch","program": "/root/TensorRT/demo/Diffusion/demo.py","console": "integratedTerminal","cwd": "/root/TensorRT/demo/Diffusion","env": {"PYTHONPATH": "/root/TensorRT/demo/Diffusion"}}]
}
通过这些launch.json参数，你可以更灵活地控制VS Code的调试环境，无论是调试第三方库、管理CUDA设备、使用特定Conda环境，还是进行分布式训练。
