简短回答： EmpirioLabs GPU Cloud包含一个PyTorch + JupyterLab模板。选一个GPU，部署模板，在浏览器中打开JupyterLab，开始运行基于CUDA的笔记本，无需在本地机器上设置驱动程序。
为什么PyTorch和JupyterLab适合GPU Cloud
PyTorch 是许多模型实验的标准 Python 框架， 官方PyTorch安装指南 将CUDA支持视为一流的配置选择。JupyterLab 增加了浏览器工作区：笔记本、文件、终端和交互输出集中于一处。该 JupyterLab 文档 将其描述为下一代基于网页的笔记本和代码工作流程界面。
当你想测试模型、检查数据、进行快速训练或微调实验、进行基准推断，或用比笔记本性能强的机器调试CUDA脚本时，这种配对非常有用。
EmpirioLabs模板给你的内容
PyTorch + JupyterLab 模板启动 CUDA PyTorch 运行时，并在浏览器中启动 JupyterLab。你不需要暴露自己的笔记本服务器，也不需要管理本地GPU驱动。仪表盘负责部署流程，显示状态，并在实例准备好时给你浏览器打开按钮。
进入JupyterLab后，先做一个简短的CUDA合理性检查：
导入焊炬打印（torch.cuda.is_available（）） print（torch.cuda.get_device_name（0） 如果torch.cuda.is_available（） 否则“No CUDA GPU”）如果有CUDA，就转向真正的工作负载：加载模型、测试推理、运行笔记本或验证依赖栈。
如何启动PyTorch + JupyterLab
- 登录 empiriolabs.ai 互联网档案馆的存檔,存档日期2014-09-02 打开 GPU 云层。 。 。.
- 根据内存、价格和可用性来选择显卡。
- 单击 部署，打开 模板 Tab，然后选择 PyTorch + JupyterLab。 。 。.
- 部署实例，等待它显示运行中。
- 单击 开放JupyterLab 开始在浏览器中工作。
良好的使用场景
- 在围绕它构建服务之前，测试某个模型是否适合特定显卡。
- 运行简短笔记本用于数据检查、嵌入、图像测试或推断基准测试。
- 在干净的运行时中调试CUDA和PyTorch包的行为。
- 尝试培训或微调一个想法，然后再将其转化为可重复的流程。
何时选择其他选项
需要探索笔记本时，可以用PyTorch + JupyterLab。用途 ComfyUI 当工作流程是可视化且基于节点的。当你想通过兼容 OpenAI 的 API 提供 Hugging Face 模型时，请使用一键模型部署路径。当工作负载已有自己的服务器、API 或 Web 界面时，使用自定义 Docker 镜像。
成本控制技巧
GPU Cloud最好被视为一个按需工作空间。在你正在进行实验时启动显卡，完成后停止或销毁它，笔记本和设置笔记则存储在临时运行时之外，以备以后需要重用。对于长期运行的服务，一旦实验稳定，就从笔记本迁移到可部署的容器或模型端点。
