AladdinEdu使用手册

简介

严肃声明：严禁挖矿，一经发现一律清空所有算力并永久封号！

🔹欢迎关注公众号“九章云极AladdinEdu”，获取更多活动与福利！
🔹注册地址：AladdinEdu，同学们用得起的算力平台。
🔹必看文档：

1. 快速开始
2. 数据
3. 充值与计费

学术资源加速

公开资源

Github加速：https://gh-proxy.com/

• Huggingface加速：https://hf-mirror.com

快速开始

AladdinEdu的使用主要分为三步，workshop建立 > 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”，然后手动返回VSCode，弹窗后选择“打开”此URL，此时
VSCode中提示登录成功：

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:4 MEM:16G”）：

• workshop启动参数介绍（参数设置仅作用于当前workshop）

参数名称	说明	备注
Environment	workshop使用的镜像	通常包含预装软件和基础运行环境
Resource	分配给workshop的CPU和内存	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	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

*注：目前不支持保存私有镜像。如需安装任何自定义包，此处镜像可随意选择。
重要 ❗ ：如需打开远端页面的Cursor，需在ENV下配置科学上网信息。

镜像介绍

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：

常见问题

Q：启动workshop时Environment栏无内容，如何处理？
A：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locahost密码，如何处理？
A：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”。
A：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。

Q：远端页面提示“无法激活‘Aladdin’拓展”/远端页面中未显示Aladdin插件图标，如何处理？
A：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：我在workshop中装了gcc，为什么GPU Run时无法使用？
A：任何没有装在/root目录下的文件都不会被保存，通过重启workshop或启动GPU Run等都不会生效。后续保存镜像功能上线后，可通过保存镜像即可解决。

如问题仍无法解决，可关注公众号“九章云极AladdinEdu”，点击菜单栏中的“问题反馈”，根据问卷提示填写相应报错信息，等待工作人员联系。

配置环境

本节预计完成时间：约5min
以下操作均在远端页面中进行

由于目前保存镜像功能暂未上线，直接将包装在镜像中将无法正常使用。因此，如需自定义安装包，均需从零开始配置环境。

注：强烈推荐按照本文说明，使用miniconda做环境配置。

workshop创建成功后，进入远端页面，选择打开/root目录：

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
# 安装时You can undo this 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~
# 验证安装
conda --version
# 应该显示类似：conda 25.1.1
# 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

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！

远端页面右下角的版本号出现conda环境名，环境切换成功：

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

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()

将代码复制到test.py中，在代码区右击GPU RUN运行。将资源选择为GPU，其余不变：


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: [你选择的设备]
GPU 数量: 1
========================
======= GPU 速度测试 =======
CPU 计算时间: 0.0487 秒
GPU 计算时间: 0.0975 秒
GPU 比 CPU 快: 0.5 倍
==========================
======= 简单训练测试 =======
使用设备: CUDA
Epoch 1, Loss: 0.9516
Epoch 2, Loss: 0.9486
Epoch 3, Loss: 0.9462
Epoch 4, Loss: 0.9442
Epoch 5, Loss: 0.9424
总训练时间: 1.93 秒
==========================

数据

概要

公测期间，存储空间暂不支持扩展，同时我们将每种套餐的免费存储权益均开放至100G。请留
意存储占用，不要超出100G，否则可能出现workshop无法正常启动等问题。

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。
  
• 大文件传输（G级别文件，强烈推荐）

1. 查看ssh配置文件
   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：

2. 配置sftp软件，以FlieZilla Client 为例
   连接、传输时需确保 workshop 处于 running 状态
   

3. 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

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。

在对应文件中右击，点击相应功能后弹出如下配置页面：

• 参数介绍
  

调用GPU（所有类型）成功后，对Running状态下的进程可以通过右击远端页面中的 DEVELOP SESSION 进行下列操作：

• 操作介绍

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	实时监控任务状态
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。

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：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。

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。

• 操作介绍

操作	功能描述
View Log	查看Task的日志信息
Log Download	下载Task的日志信息到本地
Stop	停止当前正在运行的Task
Monitor	资源监视器，可查看CPU、内存、GPU使用情况
Delete	删除Task的日志信息

本地VScode中，该Delete功能会停止Task并删除日志信息。

充值与计费

充值

当前仅支持通过客服充值算力。在付款页面扫描企业微信二维码，添加客服获取最新价格与优惠
政策。

发票

AladdinEdu平台支持开票，项目名称为“技术服务费”。如有开票需求，可联系客服办理。

计费

AladdinEdu平台目前采用订阅制计费方式。用户可订阅不同类型套餐，套餐权益见下表：

套餐名称	尝鲜版	初级版	高级版	扩展包
套餐内算力/DCU	20	56.6	500	10
最大并行度	2	4	8	—
免费存储空间/G	30	60	100	—
非教育用户费用/元	135	365	3100	67.5
教育用户费用/元	119	325	2750	59.5

DCU，即度，AladdinEdu平台采用的算力基本计量单位，1DCU=A100（80GB SXM版）实际运行1h（算力量=312TFLOPS*1h）

AladdinEdu平台目前提供两种GPU，规格如下：

规格参数	DC100（Hopper）40G	DC100（Hopper）80G
显存大小	40GB	80GB
算力定价	1.28 DCU/H	2.56 DCU/H
并行度	1	2

1 * DC100（Hopper）40G + 2 * DC100（Hopper）80G <= 订阅套餐的最大并行度

举例：
即高级版套餐可同时使用4张DC100（Hopper）80G，或同时使用8张DC100（Hopper）40G，
或组合使用。

结转

套餐有效期为30天，期间未消耗的算力将且仅将结转30天，结转后的算力处于未激活状态。在
结转周期内再次订阅，这部分算力将被激活，但无法再次结转；若无再次订阅，这部分算力将无
法继续使用。

举例：
小明在4月1日订阅了一个月尝鲜版套餐，在4月30日剩余10DCU算力未使用， 那么在5月1日账
号内仍会留有10DCU算力，但该部分算力尚处于未激活状态。小明在5月15日再次订阅了一个月
初级版套餐，此时10DCU算力激活，账户内合计有66.6DCU算力。假设小明在6月13日前没有
消耗任何算力，那么在6月14日，10DCU过期，其算力余额将为56.6DCU，且处于未激活状
态。

升级与续费

订阅更高权益的套餐时，支付成功后升级将立即生效，有效期为30天。原套餐算力的有效期同
步刷新，将在30天后进入结转周期。

如果订阅更低权益的套餐，或续费相同权益的套餐，新订阅会从当前周期结束后开始生效。在当
前周期内无法使用下个周期的算力。

总结

算力扣减顺序为：结转算力>扩展包>（低级）套餐内算力>（高级）套餐算力。

补充说明：

1. "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，存储为121G，超出后将报错超出quota； 
2. 只在占用GPU时计费，其他时间则不计费，如文件上传与下载、环境配置等。