算力与远程工作

远程服务器的高效使用（SSH 配置、tmux/screen、VS Code Remote）、集群作业系统（Slurm）、云 GPU 的成本控制、数据同步（rsync）。本章面向第一次用集群的研究生。

远程服务器：SSH + tmux + VS Code Remote

第一次用远程服务器/集群的研究生需要的最小技能：

• SSH 配置：~/.ssh/config 写主机别名、跳板、密钥——免密与别名是高效远程工作的前提；
• tmux/screen：长任务一定在 tmux 里跑——断连不杀实验（队列与无人值守的规范见算力与实验管理）；tmux 的最小用法：新会话、分离（Ctrl-b d）、恢复（tmux attach）；
• VS Code Remote：远程编辑 + 终端 + 调试的一体化，是远程开发的事实标准。

集群：Slurm

共享集群用作业系统管理 GPU/CPU，Slurm 最常见。最小模板：

#!/bin/bash
#SBATCH --job-name=exp42
#SBATCH --gres=gpu:1
#SBATCH --time=24:00:00
#SBATCH --mem=32G

srun python run.py --config configs/exp42.yaml

• 提交（sbatch）、查队列（squeue）、取消（scancel）三个命令覆盖日常；
• 作业数组（--array）跑多种子/多配置；
• 资源申请写进脚本（GPU 数、时长、内存）——申请不足会杀死长任务，过量浪费配额。

云 GPU：成本控制

• 云 GPU 用完立即关：闲置的实例是研究经费最大的黑洞；脚本化启停（开机跑实验、结束自动关机）；
• 抢占式/spot 实例便宜数倍，配合检查点与自动恢复使用（长任务的断点续跑，见可复现性）；
• 存储与下载数据的费用单独注意——数据出入云的费用常被忽略。

数据同步

• rsync 增量同步本地与服务器（rsync -avz --partial）；
• 大数据集一次性传输 + 校验（checksum），实验产物按需同步；
• 同步的方向要想清楚（本地是备份还是工作区）——单向的清晰同步比双向同步工具安全。

本页工具都是手段，目的在算力与实验管理的纪律：队列无人值守、结果可追溯、失败可恢复。

本章要点

• 长任务一定在 tmux 里跑
• Slurm 作业脚本模板
• 云 GPU 用完立即关