AladdinEdu（H卡GPU算力平台）使用教程： 1）注册与开通流程 2）插件使用流程

AladdinEdu使用教程：1）注册与开通流程 2）插件使用流程

AladdinEdu

3179人浏览 · 2025-04-15 15:04:32

AladdinEdu · 2025-04-15 15:04:32 发布

一、注册与开通流程

首先进入AladdinEdu官网：AladdinEdu-同学们用得起的H卡算力平台-高效做AI就上Aladdin
完成注册，并进行学生认证：学生认证账户，认证期间享受教育优惠价。
登录官网进入控制台

二、插件使用流程

快速开始

AladdinEdu的使用主要分为三步，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
以VSCode版本为例

在扩展中搜索Aladdin，点击安装：
安装完成后可在活动栏看到Aladdin插件图标，安装成功：

账号登录
以VSCode版本为例

点击Aladdin插件图标，选择Login Personal Account，弹窗后选择“打开”外部网站（AladdinEdu平台）：
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：
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

Stop时workshop中的数据（包括环境）将全部保存，因此重新Open后无需再次配置和上传数据。总之，workshop在，数据在。但是，自当前算力套餐失效起，若15日内未登录过AladdinEdu平台，存储将会被释放。

workshop为Aladdin插件的编码区，可在本地VSCode中连接远程服务器。

在workshop菜单栏中点击 +，新建workshop：
填写workshop名称，选择基础镜像与资源（推荐选择“CPU:2 MEM:8G”）：

workshop启动参数介绍

参数名称	说明	备注
Environment	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
Resource	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

镜像介绍可查看配置环境

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 is waiting for creating.”变为“Workshop is created.”：
此时会弹出一个新窗口（后文统称为远端页面），选择"Linux"，之后远端页面中将自动安装相关插件：
等待远端页面中出现Aladdin插件图标，workshop创建完成：

若您3天以上未调用GPU，workshop将会自动停止。但请不用担心，workshop停止不会影响其中运行的GPU任务，下次使用重新启动即可~

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。

打开/root目录文件夹，新建test.py文件，将测试代码复制到文件中，在代码区或对文件右击，选择GPU RUN运行：

使用以下代码测试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()

修改启动选项：环境选择为torch，资源选择为GPU，python解释器按需选择，其余不变。提交运行：

若选择Save as configuration保存当前参数设置，之后调用GPU时将弹出Quick GPU Run窗口，列出内容为保存的Configuration。您可直接选用以快捷启用GPU Run，或通过+ New Create重新设置参数。

输出内容案例：

======= CUDA 测试 =======
 PyTorch CUDA 可用: ✅是
 PyTorch CUDA 版本: 12.4
 当前 GPU 设备: [你选择的显卡]
 GPU 数量: 1
========================

======= GPU 速度测试 =======
 CPU 计算时间: 0.1339 秒
 GPU 计算时间: 0.0078 秒
 GPU 比 CPU 快: 17.3 倍
==========================

======= 简单训练测试 =======
使用设备: CUDA
Epoch 1, Loss: 1.0850
Epoch 2, Loss: 1.0827
Epoch 3, Loss: 1.0805
Epoch 4, Loss: 1.0784
Epoch 5, Loss: 1.0763
总训练时间: 0.17 秒
==========================

配置环境

概要

AladdinEdu内置了部分公共镜像，启动workshop时选择公共镜像就会自带相应框架的软件。如果自带的框架版本或Python版本不满足需求，请自行配置其他版本的框架或尝试Python方法。

公共镜像

镜像类型	版本标签	包含内容
torch	2.5.1-cu124	核心包:`torch==2.5.1` `torchvision==0.20.1` `torchaudio==2.5.1` `cuda==12.4` 附加包:`datasets` `transformers` `scikit-learn` `peft` `tiktoken` `blobfile` `sentencepiece` `protobuf` `deepspeed`
torch	2.6.0-cu124	核心包:`torch==2.6.0` `torchvision==0.21.0` `torchaudio==2.6.0` `cuda==12.4` 附加包: 同 2.5.1 版本
jupyter-lab	4.4.2	核心包: `jupyterlab==4.4.2` `torch==2.5.1+cu124` `cuda==12.4`
llama-factory	v0.9.3.dev0-cuda12.4-cudnn9-devel	核心包: `llamafactory==0.9.3` `peft==0.15.1` `trl==0.9.6accelerate==1.6.0 transformers==4.51.3 torch==2.7.0` cuda==12.6`
llama-factory	v0.9.3.dev0-cuda12.1-cudnn9-devel	核心包: `llamafactory==0.9.3` `peft==0.15.1` `trl==0.9.6` `accelerate==1.6.0` `transformers==4.51.3` `torch==2.7.0` cuda==12.1
python	3.10/3.11/3.12/3.13	纯净Python环境
ubuntu	22.04	纯净 Ubuntu 22.04 系统

注：jupyter-lab和llama-factory均已配conda。如您选用jupyter-lab和llam-factory作为workshop的基础镜像，后续配置环境时无需再手动安装conda。

安装其他版本的Python：推荐使用Miniconda创建其他版本的Python虚拟环境

# 构建一个虚拟环境名为：myenv，Python版本为3.7
conda create -n myenv python=3.7    

# 更新bashrc中的环境变量
conda init bash && source /root/.bashrc
# 切换到创建的虚拟环境：my-env
conda activate myenv

# 验证
python --version

安装PyTorch： 参考链接

❗ 注意： 1️⃣ 通过Torch官方的conda安装命令，在国内安装的conda一般为非cuda版本，而是cpu版本（有bug），因此推荐用pip安装。并且，如果使用torch官方的pip命令，去掉-f/–index-url参数，这样可以走国内的pip源，速度更快； 2️⃣ 平台中目前所提供显卡支持的最低cuda版本为11.8，过低版本可能会导致计算性能损失。

安装TensorFlow： 参考链接

推荐的使用姿势
（1）如果平台内置的公共镜像中有您需要的Torch、TensorFlow等框架的相应版本，首选公共镜像。
（2）如果以上条件都不满足，推荐使用Ubuntu系统，并自行安装miniconda进行环境配置。

私有镜像

AladdinEdu支持保存私有镜像，分为两种方式：本地上传私有镜像、保存workshop环境镜像。私有镜像可在控制台的私有镜像仓库、本地VSCode的ENVIRONMENTS中查看。

上传私有镜像

打开电脑终端，逐条输入以下命令（以python3为例），推送成功后即成功在私有镜像仓库中新增镜像：

# 登录
docker login registry.hd-01.alayanew.com:8443
# 拉取镜像
docker pull m.daocloud.io/docker.io/library/python:3
# 镜像tag重命名
docker tag m.daocloud.io/docker.io/library/python registry.hd-01.alayanew.com:8443/aladdinedu-e3fadb18-a994-470f-9a59-dde816718791/python:3
# 推送镜像
docker push registry.hd-01.alayanew.com:8443/aladdinedu-e3fadb18-a994-470f-9a59-dde816718791/python:3

用户名、密码在控制台的私有镜像仓库页查看
在这里插入图片描述

在VSCode中登录Aladdin，并在Registry中填入私有镜像仓库的用户名、密码，登录私有镜像仓库：
此时，ENVIRONMENTS中可查看私有镜像仓库，其中列出了上传的私有镜像，在workshop、GPU配置页中可直接选择使用。

保存workshop环境
如需将在workshop中使用的环境保存到私有镜像中，可按如下步骤操作。需注意，以下步骤要求 workshop 为 running 状态。

’

启动workshop，右键选择“Save Env”：
选择私有镜像仓库，回车：
输入要保存的workshop环境名，回车：
输入tag，回车，等待保存：
选择yes，更新当前workshop镜像：

如果选择no，保存的workshop环境不会作用于当前workshop。
更新成功后，私有镜像仓库中即会存有该环境，此时在workshop、GPU配置页中可选择使用该环境。

数据

概要

目前，AladdinEdu平台中的所有存储均为网络盘形式的文件存储，各套餐权益所含存储免费额度与可扩展上限见下表：

套餐类型	体验版	尝鲜版	初级版	高级版
免费文件存储空间	30G	30G	60G	100G
最大可扩展空间	不可扩展	500G	500G	2TB

存储计费详见文件存储计费，如需更大的容量请扫码联系客服。

存储使用Tips

数据保留规则
自当前算力套餐失效、账号不享套餐权益起，若15日内未登录过AladdinEdu平台，存储资源将会自动回收。

上传下载数据

文件传输的平均速度为2-3M/s，峰值约为5M/s。如传输速度缓慢，可能是由于带宽负载较大，请稍后再试。

小文件传输（M级别文件）
选择工作目录后，可通过直接拖拽至工作区来导入文件。
在这里插入图片描述
大文件传输（G级别文件，强烈推荐）
传输文件时，推荐调整workshop的资源至可用范围内最大配额，保证传输过程稳定。

workshop创建成功后，查看ssh的配置文件：

按Ctrl+Shift+P快捷键，选择“Remote-SSH: Open SSH Configuration File”
在配置文件中找到workshop名称对应的Host，其中IdentityFile为密钥文件目录

配置sftp软件，以FlieZilla Client 为例连接、传输时需确保 workshop 处于 running 状态
向/root目录下传输文件

scp方式（推荐Mac用户及Linux用户使用）

#上传命令
scp -r /本地/目录 ${workshop name}:/root/路径

#下载命令
scp -r ${workshop name}:/root/路径 /本地/路径

公网网盘传输
正在施工中，敬请期待~

GPU调用

概要

对python文件支持GPU Debug、GPU Run、Run Task；对shell文件支持Run Shell、Run Task。以上任务运行均与workshop状态无关，您可在任务运行时停止workshop。

除了Run Task为训练态，其他功能均为开发态，即会有Log输出，但是不会保存。

配置页参数介绍
在代码区或对对应文件右击，点击相应功能后弹出如下配置页面：
在这里插入图片描述

参数名称	说明	备注
Configurations	查看已保存的配置信息	可快速载入历史配置
Environment	GPU运行的基础镜像	强烈推荐与workshop的镜像保持一致
Resource	GPU调用时分配到的资源	（1）可选择显卡数量、型号（2）卡型号后内容为系统自动适配的CPU、内存（※ 40G卡型暂不支持使用多卡）
Save as configuration	保存当前GPU调用配置	勾选后可供下次直接调用
ENV	环境变量配置	支持键值对形式注入
Args	命令行参数	按需传入执行参数
Python Module	Python模块入口	支持Python模块
Work Dir	工作目录路径	不同项目可配置不同路径

"6C 80G"是指为每卡分配了6个CPU与80G内存，以此类推。每并行度可用CPU数为10，内存为121G，超出后将报错超出quota；

常用功能介绍
提交调用GPU（所有类型）成功后，对Running状态下的进程，可以通过右击 DEVELOP SESSION 中的对应session，进行下列操作：
在这里插入图片描述

操作	功能描述	使用场景
Terminal	打开运行终端，实时查看进程状态和GPU使用率	使用nvidia-smi或nvi-top实时监控GPU状态
View Log	查看任务实时/历史运行日志	检查执行结果和错误
Copy Path	复制log目录路径（Run Task功能专属）	在终端快速访问日志目录
Delete	手动终止进程并释放资源	停止异常任务

GPU Debug
提供 Debug 调试功能，支持断点调试，并在调试控制台中查看输出信息。
在这里插入图片描述
GPU Run
GPU Run提供与VSCode直接Run代码类似的开发态执行体验，运行Log默认会在输出中展示。运行结束后将会自动释放资源，停止计费。

Run Shell
与GPU Run类似，Run Shell可用于运行sh脚本，也可用于编译环境，但如上文所说编译后的环境只会保存在临时存储中，关闭workshop后会清除。

注：若使用了conda环境，则在sh文件中需要添加conda activate [你的环境名]命令，或在.bashrc文件中直接激活conda环境。

Run Task
Run Task作为唯一训练态功能，可用于运行多worker分布式任务（torchrun）。此时GPU并行度=GPU数*worker数。
在这里插入图片描述
运行Task时默认不会有Log输出。如需查看日志，需在session中等待Task状态切换为Running后，右击“View log”查看；或右击“copy path”，复制日志文件目录到终端中，通过cd打开查看。

同时，Run Task支持在本地VSCode中查看或下载日志。
在这里插入图片描述

操作介绍

本地VSCode中，Delete功能会停止Task并删除日志信息。

命令行执行GPU调用

❗ 重要 ❗：

1️⃣ 使用命令行连接workshop前，需要至少打开一次对应的workshop。
2️⃣ 使用期间需要保持本地VSCode处于打开状态，不能关闭。
3️⃣ 暂时无法使用命令行查看日志，预计在下版本中增加。

Open需要通过命令行连接的workshop，然后在本地VSCode终端中使用ssh连接，注意远程服务器地址是 [即将连接的workshop名称]+.bj1：
在终端中输入aladdin -h，查看可用命令及其相关用法：
同样地，也可以用相同方法查看以上各命令的使用方法和相关参数：
注：若仅使用CPU运行任务，需要对 --cpu int 和 --mem int 两个参数进行赋值修改。若使用GPU运行任务，则这两个参数是固定值，无法修改。
以快速开始中的Demo为例，使用80G GPU卡的运行命令为：

aladdin run -f gputest.py --gpu-type nvidia.com/gpu-h100-80gb-hbm3 --gpu-count 1 --image registry.hd-01.alayanew.com:8443/aladdin/torch:2.6.0-cu124

输出示例如下，其中可以看到启动GPU任务时的参数信息，并且自动修正了CPU和内存的大小：

2025/06/20 09:57:12 [WARNING] Fix Cpu to 13, Mem to 200, because gpu-type is nvidia.com/gpu-h100-80gb-hbm3, gpu-count is 1
2025/06/20 09:57:12 
File            : gputest.py
Image           : registry.hd-01.alayanew.com:8443/aladdin/torch:2.6.0-cu124
Resource        : Cpu: 13(H), Mem: 200(GB), Gpu: nvidia.com/gpu-h100-80gb-hbm3(1)
PythonEnv       : /usr/bin/python
DeleteSession   : false
SaveAsConfig    :
Env             :
Args            :
WorkDir         : /root
Ports           : []

2025/06/20 09:45:24 start success. name: run-6056d7a71bd549a0b2, id: d828bfc2-1b57-4d28-b64f-f0bbb0be0df6

日志查看命令正在开发中，目前仅可通过Session的View Log功能查看：

端口转发

❗ 重要 ❗：
1️⃣ 如果远端服务使用结束，一定要记得手动delete shell任务，否则会一直占用GPU资源，产生不必要的费用。
2️⃣ 所有server必须绑定0.0.0.0，不能使用127.0.0.1或localhost。
3️⃣ 暂不支持TCP协议，仅支持HTTP协议。

使用端口转发启动Jupyter

使用torch镜像启动workshop，进入远端页面后，选择/root目录作为工作路径。
打开远端页面终端，输入以下命令安装Jupyter，并保存为新镜像：

# 用 Anaconda 安装
conda install jupyter notebook
# 用 pip 安装
pip install jupyter notebook

通过以下代码验证Jupyter是否安装成功：

jupyter --version

输出示例如下：

Selected Jupyter core packages...
IPython          : 8.36.0
ipykernel        : 6.29.5
ipywidgets       : 8.1.7
jupyter_client   : 8.6.3
jupyter_core     : 5.7.2
jupyter_server   : 2.16.0
jupyterlab       : 4.4.2
nbclient         : 0.10.2
nbconvert        : 7.16.6
nbformat         : 5.10.4
notebook         : 7.4.2
qtconsole        : not installed
traitlets        : 5.14.3

在本地窗口保存镜像保存镜像，这里保存为了jupyter

在/root目录下新建.sh文件，输入以下命令：

jupyter notebook --allow-root --ip=0.0.0.0 --port=8888 --no-browser

在代码区或对.sh文件右击，选择Run Shell运行，选择已保存的镜像，并通过任一方法添加端口：

方法1：通过Run Shell配置页1添加端口展开“Advanced”后，点击“+Add External Access”2新建端口，输入端口号3（Jupyter Sever启动端口号默认为“8888”），提交运行
方法二：Run Shell启动后，右击Running的session，选择“Add External Access”，在弹出窗口中输入端口号

注意：.sh文件只有处于Running中才能新建端口，success或failed状态下，都不可新建端口。

访问端口

Run Shell输出中打印了sever url后，点击session下的端口名称右侧的箭头，此时浏览器中弹出Jupyter网页：
在输出中找到token，在Juypter网页中填写，登录Jupyter服务器：
启动Jupyter服务器后，可借助Jupyter实现如下功能：

功能1：在浏览器中使用Jupyter 通过Jupyter网页，可以看到/root目录下的所有文件，并在Jupyter中编译代码
功能2：在VSCode中使用Jupyter（需提前安装Jupyter和Python插件）
（1）在workshop中新建.ipynb文件（Jupyter文件）

（2）选择Select Kernel -> Existing Jupyter Server

输入Jupyter浏览器地址，回车

输入token，回车

继续回车

选择Python 3

文件右上角变成了Python 3(ipykernel)，说明设置成功，此时就可在VSCode中利用Jupyter的功能调试代码了。

（3）验证是否可用：在Jupyter网页中新建任意文件，然后在VSCode输入以下代码，运行测试。

import torch
torch.cuda.is_available()

输出如下：

True

在这里插入图片描述
下载使用ComfyUI

在远端页面终端中执行以下命令，clone代码：

git clone https://gh-proxy.com/github.com/comfyanonymous/ComfyUI.git

在这里插入图片描述

下载完成后，在ComfyUI文件夹下新建run.sh文件，将以下代码复制到run.sh文件中：

apt update && apt install -y cmake g++ make
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu128
pip install -r requirements.txt -i https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple
python main.py --listen 0.0.0.0 --port 8188

在代码区或对文件右击，选择Run Shell运行，填写配置时需注意：

若打开文件目录为/root，则需在高级配置的“Work Dir”中填写文件路径，即“ComfyUI”
添加外部访问端口，此处须与port参数保持一致，即填写“8188”

点击Submit后提交任务，等待安装并运行
安装完成后，点击session下的端口名称右侧的箭头，即可打开网页，通过浏览器访问服务。

常见问题

workshop相关问题

Q：启动workshop时Environment栏无内容，如何处理？
✅ 网络延迟或设备卡顿引起，稍等片刻即可。

Q：启动workshop后提示填写localhost密码，如何处理？
✅ 这种情况下是由于您当前设备中可访问 ~/.ssh 或 ~/.alaya/ssh 的用户过多，删除至仅当前登录用户可访问即可恢复正常，点击查看解决方案链接。

Q：workshop打开远端页面失败，提示“无法与 ‘创建的workshop’ 建立连接”。
✅ 需要检查本地是否启动了全局代理模式的科学上网。如有，可尝试关闭后再重启。也可在本地终端中使用以下命令检查ssh连接是否正常。

ssh -vv [出现的问题的workshop名称].bj1

Q：远端页面中未显示Aladdin插件图标，如何处理？
✅ 在远端页面中卸载Aladdin插件，然后在本地的VSCode中右击有问题的workshop，点击"Install Remote"手动安装。

Q：在workshop中装了gcc，为什么GPU Run时却无法使用？
✅ 任何没有装在/root目录下的文件都不会被保存，类似情况可通过保存镜像解决。

Q：workshop中报错“无法激活 ‘Aladdin’ 扩展, 因为它依赖于未加载的 ‘Remote - SSH: Editing Configuration Files’ 扩展。是否要重新加载窗口以加载扩展名？”
✅ 将远端页面中的Aladdin插件卸载即可，注意需保留Aladdin Remote插件。或通过在远端页面终端中执行命令卸载，命令如下：

#VSCode版本
code --uninstall-extension AlayaNeW.aladdin

#Cursor版本
cursor --uninstall-extension AlayaNeW.aladdin

🎈如您的问题仍无法解决，可关注微信服务号“九章云极AladdinEdu”，点击菜单栏中的“限时活动” > “全民找bug”，根据问卷提示填写相应报错信息，等待工作人员联系。

GPU调用相关问题

Q：调用GPU时出现如下报错，该如何处理？

pods "run-xxxxx" is forbidden: exceeded quota: vks-xxx, requested: limits.cpu=26,limits.memory=400Gi,requests.cpu=26,requests.memory=400Gi, used: limits.cpu=2,limits.memory=8Gi,requests.cpu=2,requests.memory=8Gi, limited: limits.cpu=20,limits.memory=224Gi,requests.cpu=20,requests.memory=224Gi

✅ 这是由于workshop占用的CPU资源过多，导致启动时GPU任务资源不足。

解决方法：

检查是否有多个正在运行的workshop。如有，将其他workshop关闭。
将当前workshop的资源调整为2核4G（右击当前workshop > Edit > 重启workshop），重启workshop后即可正常运行GPU任务。

Q：数据加载速度很慢，该如何解决?
✅ 您可根据数据大小尝试以下两种优化方法。

方法1：使用多进程，从磁盘中读取数据 --> 需在dataloader里设置多CPU并行， 80G和40G卡可分别使用10核和5核CPU帮助处理数据；
方法2：从内存中读取数据，限数据集小于等于30G时 --> 将数据集copy到/dev/shm目录下，即可使用内存加载数据。

九章云极普惠算力

更多推荐

Big快速上手：如何用简单的Markdown语法创建专业演示文稿

想要快速制作专业演示文稿却不想学习复杂的软件？Big是专为创意工作者和忙碌开发者设计的极简演示系统，让你告别繁琐配置，专注于内容本身。本文将为你介绍Big的核心功能、快速入门方法以及如何用简单的HTML创建令人印象深刻的演示文稿。## 🚀 什么是Big演示文稿系统？Big是一个轻量级的演示文稿系统，整个系统仅约16KB大小，采用纯HTML+CSS+JavaScript技术栈。它专为创意工