实验室服务器使用教程

当前服务器 IP:

1

223.111.157.214

下文统一用 <服务器IP> 指代这里的地址。以后如果地址变化，只需要更新本文顶部这一处。

旧地址请不要再使用。当前地址可直接通过 SSH 访问；如果后续网络策略调整，以管理员通知为准。

系统盘和 /home 空间有限。大型文件、数据集、模型权重、训练输出、conda 环境和包缓存请放到 ~/data 中。当前 ~/data 是 /data/你的用户名 的软链接，不再是 /data 根目录。

一、前言

#

实验室近期新购置了一台深度学习服务器，供成员进行模型训练、仿真和计算任务。为了帮助大家快速上手、规范使用、避免资源浪费或系统损坏，特编写此教程。

二、什么是“深度学习服务器”

#

深度学习服务器是一台高性能计算机，通常配备多块 GPU（图形处理器）、大容量显存、内存和高速存储。 通常安装Linux系统 ，一般不直接接显示器，而是通过网络远程访问（SSH 或远程桌面）。

主要用途

#

• 深度学习训练（如 PyTorch、TensorFlow）；
• 大规模有限元仿真（Abaqus、ANSYS、COMSOL）；
• 数据分析、图像识别、模型优化等。

系统与软件环境

#

• 操作系统：Ubuntu 24.04 LTS
• 已安装软件：Miniconda、Python、R 4.6.0、RStudio Server、JupyterHub（JupyterLab）
• 主要存储：/home 在系统盘上，有用户配额；/data 是大容量机械硬盘挂载点，不对用户设置 quota。

为避免cuda版本导致的问题，此处仅保证显卡驱动版本，请根据需求自行安装cuda。

三、账户与登录信息

#

账户申请

#

新用户请联系实验室管理员开通。

1. 账户命名规则 实验室统一以姓名全拼作为用户名，例如：

   • 张三 → zhangsan
   • 李四 → lisi

2. 初始密码 新账户的初始密码请联系管理员获取。首次登录后请立即修改密码。

手动修改密码（重要）

#

1. 登录服务器后（见后续教程），默认会自动弹出修改密码的流程。
   如果后续修改密码，在终端输入：

   1

   passwd

2. 系统会提示：

   1 2	Changing password for user zhangsan. (current) UNIX password:

   输入当前密码。

3. 接着输入新密码两次（系统不会显示输入内容，但实际上输进去了）：

   1 2	Enter new UNIX password: Retype new UNIX password:

4. 如果两次输入一致，会显示：

   1	password updated successfully

   表示修改成功。

之后会自动退出连接，使用你设置的新密码重新连接。

四、连接方式

#

推荐：配置 SSH 公钥登录

#

密码登录可以用于首次登录和修改密码。日常使用建议配置 SSH 公钥登录，后续连接 VS Code、scp、rsync 都会更方便。

在本地电脑生成密钥：

1

ssh-keygen -t ed25519 -C "你的名字@lab113"

一路回车即可。生成后会得到：

1
2

~/.ssh/id_ed25519      # 私钥，只留在自己电脑上，不要发给别人
~/.ssh/id_ed25519.pub  # 公钥，可以放到服务器上

把公钥上传到服务器：

1

ssh-copy-id username@<服务器IP>

其中 username 换成自己的服务器用户名。如果本地没有 ssh-copy-id，可以把 ~/.ssh/id_ed25519.pub 的内容发给管理员代为加入。

建议在本地 ~/.ssh/config 中添加别名：

1
2
3
4
5

Host lab113
  HostName <服务器IP>
  User username
  IdentityFile ~/.ssh/id_ed25519
  IdentitiesOnly yes

之后可以直接连接：

1

ssh lab113

（一）Windows 用户

#

此处推荐三个用于连接的终端工具（就是黑窗口，理论上使用cmd即可，但不够易用）：

• MobaXterm
• XShell
• Terminus

此处仅演示MobaXterm。

打开软件，点击左上角的Session

再点SSH，在下面的Remote host 填 <服务器IP>，Specify username填你的账号名。

首次登录后根据提示修改密码。

左边是服务器文件路径，可以按照权限操纵文件，新建个文件夹放代码之类的。

右边就是终端，可以对linux系统进行各种命令行操作。

用 VS Code 连接（主要使用方式）

#

PyCharm（以及其他Jetbrains的IDE）远程连接功能远不如VS Code，因此此处仅演示VS Code，也仅推荐使用VS Code。
如果想要使用PyCharm连接，可以阅读实验室服务器的使用指南。

1. 安装remote相关插件

2. 在侧边栏打开插件

3. 新建ssh连接

推荐选择前面写入 ~/.ssh/config 的 lab113；也可以直接输入：

1

ssh username@<服务器IP>

4. 选择路径

5. 在 VS Code 里使用终端：点击 New Terminal

（二）macOS 用户

#

此处推荐Terminus，iPad都能用。

或者直接用mac自带终端也行：

SSH连接 打开“终端”：

1

ssh username@<服务器IP>

文件传输 可使用命令行：

1

scp localfile username@<服务器IP>:~/data/

（三）Linux 用户

#

推荐WindTerm，本人用得最多的一个。

五、Anaconda 与 Python 环境管理

#

1. Anaconda 简介

#

Anaconda 是一个 Python 环境与包管理工具，可方便地创建独立环境、安装依赖，避免不同项目间的冲突。（miniconda是其精简版）

此处管理员已预装系统级 Miniconda（位于 /opt/miniconda3/bin/conda）。请不要直接修改 base 环境；每个项目应创建自己的 conda 环境。

服务器已为有 conda 权限的用户配置私有环境目录和包缓存目录：

1
2

~/data/conda/envs  -> /data/你的用户名/conda/envs
~/data/conda/pkgs  -> /data/你的用户名/conda/pkgs

也就是说，正常执行 conda create -n myenv ... 时，环境和包缓存会优先放到 /data/你的用户名/conda/...，不会占用 /home 的配额。可以用下面的命令确认：

1

conda config --show envs_dirs pkgs_dirs

2. 常用命令

#

如果 conda activate 不可用，先执行：

1

source /opt/miniconda3/etc/profile.d/conda.sh

如果包缓存过大，可以清理：

1
2

conda clean -a
pip cache purge

3. 使用 JupyterLab

#

服务器已部署 JupyterHub 多用户 JupyterLab 服务，详见第八章。无需手动启动，直接浏览器访问即可。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

---

## 六、远程桌面与图形化软件

> 远程桌面比起ssh命令行会有一定卡顿，深度学习等应用请保持原来的方式。

### 1. 适用场景

用于运行图形化仿真软件（Abaqus、ANSYS、COMSOL、Matlab 等）。  
> 其中大部分安装需要`sudo`权限，如需安装请联系，请勿自行安装。

### 2. 用户连接方式

从windows中打开远程桌面功能。

![desktop1](/images/desktop1.png)

按步骤依次输入 `<服务器IP>`、用户名和密码，进行连接。

![desktop2](/images/desktop2.png)

![desktop3](/images/desktop3.png)

连接上远程桌面（gnome）后，点击最左上角标识可以查看窗口与查找应用。

![desktop4](/images/desktop4.png)

---

## 七、R 语言与 RStudio Server

服务器已安装 **R 4.6.0** 和 **RStudio Server 2026.05**，所有用户登录后可直接使用。RStudio Server 是一个基于 Web 的 R 语言 IDE，无需安装任何客户端软件，浏览器打开即可写代码、画图、跑模型。

### 1. Web 访问 RStudio

打开浏览器，访问：

http://223.111.157.214:8787

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

用你的系统账号和密码登录。登录后就是熟悉的 RStudio 四窗格界面（代码编辑、控制台、环境变量、文件浏览器）。

![rstudio-login](/images/rstudio-login.png)

### 2. 命令行使用 R

SSH 登录后直接在终端运行：

```bash
R          # 进入 R 交互式解释器
Rscript my_script.R   # 直接运行 R 脚本

3. 已安装的系统包

#

以下常用包已安装在系统库（/usr/lib/R/library/），所有用户直接 library() 即可加载，无需重复安装：

完整列表：系统库共 188 个包。

4. 安装新包

#

如果需要安装其他包，直接在 R 控制台或 RStudio 里运行：

1

install.packages("包名")

包会安装到你的个人库（~/R/x86_64-pc-linux-gnu-library/4.6/），不占系统空间也不需要 sudo。

如果需要安装到系统库（所有用户共享），请联系管理员。

5. R 与 Python 互通

#

通过 reticulate 包可以在 R 里直接调用 Python 和使用 conda 环境：

1
2
3

library(reticulate)
use_condaenv("myenv")       # 使用你创建的 conda 环境
py_run_string("import torch; print(torch.cuda.is_available())")

这样既可以用 R 的统计分析能力，又能调用 GPU 上的 PyTorch/TensorFlow 模型。

6. GPU 相关 R 包（需自行安装）

#

以下 GPU 加速包可自行安装到个人库：

1
2
3

install.packages("keras")       # Keras 深度学习接口
install.packages("torch")       # R 版 PyTorch
install.packages("xgboost")     # GPU 加速梯度提升

注意：使用 GPU 前先 nvidia-smi 确认有空闲显存。

八、JupyterHub / JupyterLab

#

服务器已部署 JupyterHub 5.4.6 + JupyterLab 4.5.8，是一个多用户 Jupyter 服务器。所有用户通过浏览器即可使用 JupyterLab，无需手动启动或 SSH 端口转发。

1. Web 访问

#

打开浏览器，访问：

1

http://223.111.157.214:8000

用你的系统账号和密码登录。首次登录时 JupyterHub 会自动为你启动一个专属的 JupyterLab 实例（约需 5-10 秒），之后会进入完整的 JupyterLab 界面。

2. 功能简介

#

JupyterLab 是一个交互式开发环境，支持：

• Notebook（.ipynb）：交互式代码 + 文档 + 可视化
• 代码编辑器：带语法高亮的 Python / R 文件编辑
• 终端：直接在浏览器里使用服务器终端
• 文件管理器：浏览、上传、下载服务器上的文件
• 扩展生态：Git、变量查看器、调试器（可自行安装）

3. 使用 Conda 环境

#

你的个人 JupyterLab 会自动继承系统 PATH。如果需要在 Notebook 中使用你创建的 conda 环境，先在终端激活环境再安装 ipykernel：

1
2
3

conda activate myenv
pip install ipykernel
python -m ipykernel install --user --name myenv --display-name "Python (myenv)"

之后在 JupyterLab 的 Kernel 菜单中就能看到 “Python (myenv)"。

4. GPU 使用

#

每个用户的 JupyterLab 运行在各自的系统账号下，直接使用系统 Python 和 GPU。在 Notebook 里：

1
2
3

import torch
print(torch.cuda.is_available())   # True
print(torch.cuda.device_count())   # 6 (RTX 4090)

使用前先 nvidia-smi 确认有空闲 GPU，礼貌协商使用。

5. 工作目录

#

JupyterLab 默认打开你的 home 目录（/home/你的用户名）。如需访问大盘数据：

• 在文件浏览器里进入 ~/data（指向 /data/你的用户名）
• 或通过 File → Open from Path 直接输入路径

6. 会话管理

#

• 关闭：直接关闭浏览器标签页即可，服务器上的内核保持运行。
• 重启内核：Kernel → Restart Kernel
• 关闭 Notebook 服务：File → Hub Control Panel → Stop My Server
• 空闲 2 小时无活动后服务器会自动关闭，下次登录时自动重启。

九、文件管理与备份

#

1. 目录说明

#

2. /home 配额说明

#

当前 /home 所在系统盘对普通用户设置了 quota：

• 软限制：100G
• 硬限制：135G
• /data 不设置 quota

超过软限制后系统会进入宽限期；超过硬限制后继续写入会失败，但系统不会自动删除你的文件。建议定期检查：

1
2
3

quota -s
df -h / /data
du -sh ~ ~/.cache ~/data 2>/dev/null

如果发现 ~/.cache 很大，请把可复用缓存放到 ~/data。例如 Hugging Face、pip、uv 缓存可以按需写入 ~/.bashrc：

1
2
3
4
5

mkdir -p ~/data/.cache/huggingface ~/data/.cache/pip ~/data/.cache/uv
echo 'export HF_HOME=~/data/.cache/huggingface' >> ~/.bashrc
echo 'export PIP_CACHE_DIR=~/data/.cache/pip' >> ~/.bashrc
echo 'export UV_CACHE_DIR=~/data/.cache/uv' >> ~/.bashrc
source ~/.bashrc

十、服务器使用规范

#

1. 不要在系统目录（/、/root）下操作。

2. 大文件请放在 ~/data，不要放在 /home/username、/tmp 或系统目录。

3. 运行长时间任务时请使用：

   1	nohup python train.py > log.txt 2>&1 &

   或在 tmux 会话中执行。

4. 运行 GPU 任务前先看资源占用：

   1	nvidia-smi

   如需指定 GPU，可以使用：

   1	CUDA_VISIBLE_DEVICES=0 python train.py

5. 未经沟通严禁重启服务器（如果你有权限的话）。

6. 任务结束后释放显存和进程（输入 ps -aux | grep 你的进程名 找你的进程，找到 pid 之后 kill -9 你的pid）。

7. 请勿安装系统级软件，如需 sudo 权限请在群里询问。

十一、常见问题（FAQ）

#

十二、附录

#

常用命令速查

#

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

nvidia-smi                                # 查看 GPU
quota -s                                  # 查看 /home 配额
df -h / /data                             # 查看系统盘和数据盘容量
du -sh ~ ~/.cache ~/data 2>/dev/null      # 查看个人目录、缓存和 data 占用
pwd                                       # 显示当前路径
ls -lh                                    # 列出文件
scp localfile username@<服务器IP>:~/data/  # 上传文件到个人大盘目录
conda create -n myenv python=3.10         # 创建新环境，默认进入 ~/data/conda/envs
R                                         # 进入 R 交互式解释器
Rscript my_script.R                       # 运行 R 脚本
rstudio-server version                    # 查看 RStudio Server 版本
jupyterhub --version                      # 查看 JupyterHub 版本
systemctl status jupyterhub               # 查看 JupyterHub 运行状态

管理员联系方式

#

推荐学习资料

#

• Linux命令快速入门：https://wangchujiang.com/linux-command/
• Anaconda官方文档：https://docs.anaconda.com/
• PyTorch教程：https://pytorch.org/tutorials/

参考文档

#

实验室GPU管理神器Determined - 吕昱峰的文章 - 知乎。

实验室服务器管理经验 - PurRigiN的文章 - 知乎。

手把手教你如何连上实验室的服务器。

Mac下使用SSH连接远程Linux服务器。

实验室服务器使用教程（用户篇）。

yurizzzzz/TJU-ServerDoc 天津大学实验室服务器使用和管理。

实验室服务器的使用指南。