使用VSCode快速开始（推荐）

AladdinEdu中我的实验室使用主要分为三步，workshop创建 > 环境配置 > GPU调用，以下内容将围绕此流程展开。

插件初始化

本节预计完成时间：2min

插件安装

1. 在VSCode扩展中搜索AladdinEdu，点击安装（若在Cursor中使用，需在AladdinEdu官网下载AladdinEdu插件安装包，并将安装包拖至Cursor扩展区内手动安装）：

   

2. 安装完成后可在活动栏看到AladdinEdu插件图标，安装成功：

   

也可在登录AladdinEdu后，在「我的实验室」页面，点击“下载AladdinEdu插件”进行下载，将安装包拖拽至扩展区即可安装成功。

账号登录

1. 点击AladdinEdu插件图标，选择登录，弹窗后选择“打开”外部网站（AladdinEdu平台）：

mac用户请注意，不要使用Safari浏览器打开链接，请使用其他浏览器

2. 在AladdinEdu平台中使用手机号或账号密码登录，首次使用者请先注册：

   

3. 登录成功后点击“点击返回VSCode”，等待返回VSCode（如未自动跳转，请手动返回VSCode）。此时VSCode中出现弹窗，选择“打开”此URL，提示登录成功：

   

   

workshop创建

本节预计完成时间：3.5min

workshop为AladdinEdu插件的远程工作台，可在本地VSCode中连接远程服务器进行开发与调试。

Stop workshop时，workshop中 /root下的数据将全部保存，但不包括额外安装的python包，因此重新Open后无需再次上传数据，但需重新安装python包，强烈建议安装python包后保存自定义镜像。

• 创建方式：
  • 在IDE中创建：打开本地IDE（如VSCode），通过 AladdinEdu 插件直接创建。
  • 在平台中创建：登录AladdinEdu平台后，在「我的实验室」页面操作。

无论选择上述哪种方式创建 workshop，需要注意，当前仅支持在AladdinEdu插件内完成后续任务。

在IDE中创建

1. 在实验室菜单栏中点击 +，新建工作台：

   

2. 填写工作台名称，选择基础镜像与CPU（免费版会员推荐选择“CPU:2 MEM:8G”）：

   

• workshop启动参数介绍

参数名称	说明	备注
镜像	当前workshop使用的容器镜像	通常包含预装软件和基础运行环境
CPU	当前workshop启动时分配到的CPU和内存资源	这些资源与GPU运行时是共享的， GPU资源详情请查看GPU调用
ENV	当前workshop运行时的环境变量	可用于配置应用参数、API密钥等敏感信息

• 镜像介绍可查看环境配置

3. 点击提交后会出现插件的状态提示，配置预计在2min左右完成，提示由“workshop “Test”创建成功”变为“正在创建workshop...：等待workshop启动完成...”

   

4. 此时会弹出一个新窗口（后文统称为远端页面），workshop创建完成：

   

在平台中创建

1. 在「我的实验室」页面，可以点击“创建新工作台”以新建workshop：

   

2. 与在插件中创建类似，依次填写workshop名称、选择workshop环境，然后点击“下一步”：

   

3. 选择资源（免费版会员推荐选择“CPU:2核8G”），点击“创建并启动”，创建成功：

   

4. 创建成功，显示为启动中状态，刷新网页，显示为运行中状态：

   

5. 此时打开插件，可以看到平台中创建的workshop：

   

6. 在插件中点击“打开远端”，此时会弹出一个新窗口（后文统称为远端页面），当AladdinEdu图标在远端页面出现，说明workshop启动成功：

   

   注意：在平台中完成workshop创建后，在插件中点击“启动”后，还需要点击“安装远端插件”方可使用。

   

运行Demo

本节预计完成时间：约1min 以下操作均在远端页面中进行。

使用镜像运行Demo

在AladdinEdu平台使用镜像时，操作流程详见下图:

a. 在workshop安装的python包、apt等应用，需要保存镜像后才能被GPU session使用； b.强烈推荐将所有文件存储在/root目录下，这部分文件会【原封不动】同步至session中，同样的，没有保存在/root下的文件则会在workshop停止后删除。

1. 在/root路径下，新建test.py文件,将测试代码复制到文件中，保存文件：

   

import torch
import time

def test_cuda_availability():
    print("\n======= CUDA 测试 =======")
    # 检查 CUDA 是否可用
    cuda_available = torch.cuda.is_available()
    print(f"PyTorch CUDA 可用: {'✅是' if cuda_available else '❌否'}")

    if cuda_available:
        # 打印 CUDA 版本和设备信息
        print(f"PyTorch CUDA 版本: {torch.version.cuda}")
        print(f"当前 GPU 设备: {torch.cuda.get_device_name(0)}")
        print(f"GPU 数量: {torch.cuda.device_count()}")
    else:
        print("⚠️ 请检查 CUDA 和 PyTorch 是否安装正确！")
    print("========================\n")

def test_gpu_speed():
    print("\n======= GPU 速度测试 =======")
    # 创建一个大型张量
    x = torch.randn(10000, 10000)
    
    # CPU 计算
    start_time = time.time()
    x_cpu = x * x
    cpu_time = time.time() - start_time
    print(f"CPU 计算时间: {cpu_time:.4f} 秒")

    if torch.cuda.is_available():
        # 移动到 GPU 计算
        x_gpu = x.to('cuda')
        start_time = time.time()
        x_gpu = x_gpu * x_gpu
        torch.cuda.synchronize()  # 确保 GPU 计算完成
        gpu_time = time.time() - start_time
        print(f"GPU 计算时间: {gpu_time:.4f} 秒")
        print(f"GPU 比 CPU 快: {cpu_time / gpu_time:.1f} 倍")
    else:
        print("⚠️ GPU 不可用，跳过测试")
    print("==========================\n")

def test_training():
    print("\n======= 简单训练测试 =======")
    # 定义一个极简神经网络
    model = torch.nn.Sequential(
        torch.nn.Linear(10, 100),
        torch.nn.ReLU(),
        torch.nn.Linear(100, 1)
    )
    
    # 如果有 GPU，将模型和数据移到 GPU
    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    model = model.to(device)
    print(f"使用设备: {device.upper()}")

    # 模拟数据
    X = torch.randn(1000, 10).to(device)
    y = torch.randn(1000, 1).to(device)

    # 训练循环
    optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
    start_time = time.time()
    for epoch in range(5):
        optimizer.zero_grad()
        output = model(X)
        loss = torch.nn.functional.mse_loss(output, y)
        loss.backward()
        optimizer.step()
        print(f"Epoch {epoch + 1}, Loss: {loss.item():.4f}")
    
    total_time = time.time() - start_time
    print(f"总训练时间: {total_time:.2f} 秒")
    print("==========================\n")

if __name__ == "__main__":
    test_cuda_availability()
    test_gpu_speed()
    test_training()

2. 选择代码首行的“运行”按钮。在创建会话中，镜像需选择为aladdin/pytorch，资源类型为GPU，其余无需修改。点击“提交”：

   

   若选择保存当前任务的参数设置，下次可在启动任务时再次使用该配置。

输出内容案例：

======= CUDA 测试 =======
 PyTorch CUDA 可用: ✅是
 PyTorch CUDA 版本: 12.1
 当前 GPU 设备: NVIDIA H100 80GB HBM3
 GPU 数量: 1
=========================

======= GPU 速度测试 ======
 CPU 计算时间: 0.0116 秒
 GPU 计算时间: 0.0070 秒
 GPU 比 CPU 快: 1.6 倍
==========================

======= 简单训练测试 =======
 使用设备: CUDA
 Epoch 1, Loss: 1.0493
 Epoch 2, Loss: 1.0266
 Epoch 3, Loss: 1.0107
 Epoch 4, Loss: 0.9994
 Epoch 5, Loss: 0.9914
 总训练时间: 0.09 秒
===========================
 

3. 或使用“快速运行”启动GPU会话：

3.1 添加快速启动所需的GPU配置文件，依次点击“运行和调试”、“创建一个 launch.json 文件”、“Aladdin 远程 Python 调试（附加）”：

3.2 在launch.json文件中，选择“Aladdin 远程：Python 文件”选项，按照以下模板新增配置。

         "resource": {
            "cpu": "",
            "memory": "",
            "gpu": {
               "count": 1,
               "name": "nvidia.com/gpu-l40s"
            },
            "ephemeralStorage": "32Gi"
         },
         "setupCommand": ""

3.3 修改完成后，保存文件：

3.4 在test.py文件，选择“快速运行”即可完成上述GPU调用。

使用Conda环境运行Demo

注：强烈推荐按照本文说明，使用miniconda做环境配置。

1. workshop启动成功后，进入远端页面，新建终端，在终端中安装miniconda，并确认安装在/root目录下：

   

• Conda配置方法

# 下载最新版 Miniconda (Linux 64位)
curl -L -O https://mirrors.tuna.tsinghua.edu.cn/anaconda/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 运行安装脚本
bash Miniconda3-latest-Linux-x86_64.sh

# 按 ENTER 确认默认安装路径 /root/miniconda3
# Note: You can undo this later by running `conda init --reverse $SHELL`

# 此项必须选择yes,安装完成后重启终端conda命令才能生效~

#关闭当前终端，重新启动一个新的终端
# 验证安装
conda --version
# 应该显示类似：conda 25.11.1

# 添加清华 conda 源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
# 显示通道URL
conda config --set show_channel_urls yes
# 设置 pip 使用清华源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2. 成功安装miniconda后，需配置python解释器——新建一个python文件，点击远端页面右下角的python版本号，切换到conda环境中的python：

或使用Ctrl+Shift+P快捷键打开命令窗口，输入"Select Interpreter"，更换python解释器。

重要 ❗：如不切换，调用GPU时将无法复用配置的环境，出现找不到已安装包的报错！

3. 远端页面右下角的版本号出现conda环境名，环境切换成功：

   

4. 接着安装torch，推荐安装12.4版以适配GPU：

配置科学上网后将显著提升下载安装速度，具体步骤参考学术资源加速。

#安装cuda 12.4
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124

5. 使用下面代码测试cuda是否安装成功，以及是否与当前环境GPU兼容：

import torch
import time

def test_cuda_availability():
    print("\n======= CUDA 测试 =======")
    # 检查 CUDA 是否可用
    cuda_available = torch.cuda.is_available()
    print(f"PyTorch CUDA 可用: {'✅是' if cuda_available else '❌否'}")

    if cuda_available:
        # 打印 CUDA 版本和设备信息
        print(f"PyTorch CUDA 版本: {torch.version.cuda}")
        print(f"当前 GPU 设备: {torch.cuda.get_device_name(0)}")
        print(f"GPU 数量: {torch.cuda.device_count()}")
    else:
        print("⚠️ 请检查 CUDA 和 PyTorch 是否安装正确！")
    print("========================\n")

def test_gpu_speed():
    print("\n======= GPU 速度测试 =======")
    # 创建一个大型张量
    x = torch.randn(10000, 10000)
    
    # CPU 计算
    start_time = time.time()
    x_cpu = x * x
    cpu_time = time.time() - start_time
    print(f"CPU 计算时间: {cpu_time:.4f} 秒")

    if torch.cuda.is_available():
        # 移动到 GPU 计算
        x_gpu = x.to('cuda')
        start_time = time.time()
        x_gpu = x_gpu * x_gpu
        torch.cuda.synchronize()  # 确保 GPU 计算完成
        gpu_time = time.time() - start_time
        print(f"GPU 计算时间: {gpu_time:.4f} 秒")
        print(f"GPU 比 CPU 快: {cpu_time / gpu_time:.1f} 倍")
    else:
        print("⚠️ GPU 不可用，跳过测试")
    print("==========================\n")

def test_training():
    print("\n======= 简单训练测试 =======")
    # 定义一个极简神经网络
    model = torch.nn.Sequential(
        torch.nn.Linear(10, 100),
        torch.nn.ReLU(),
        torch.nn.Linear(100, 1)
    )
    
    # 如果有 GPU，将模型和数据移到 GPU
    device = 'cuda' if torch.cuda.is_available() else 'cpu'
    model = model.to(device)
    print(f"使用设备: {device.upper()}")

    # 模拟数据
    X = torch.randn(1000, 10).to(device)
    y = torch.randn(1000, 1).to(device)

    # 训练循环
    optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
    start_time = time.time()
    for epoch in range(5):
        optimizer.zero_grad()
        output = model(X)
        loss = torch.nn.functional.mse_loss(output, y)
        loss.backward()
        optimizer.step()
        print(f"Epoch {epoch + 1}, Loss: {loss.item():.4f}")
    
    total_time = time.time() - start_time
    print(f"总训练时间: {total_time:.2f} 秒")
    print("==========================\n")

if __name__ == "__main__":
    test_cuda_availability()
    test_gpu_speed()
    test_training()