附录C:远程 Linux 服务器使用
本附录说明如何使用远程 Linux 服务器运行课程 notebook 和预测实验,适用于实验室工作站、云服务器以及提供 Linux 环境的共享计算平台。对于 TimeGPT 这类普通 API 调用和小规模示例,本地电脑通常足以胜任 Garza et al., 2024;对于深度学习、长时间运行或需要 GPU 的任务,可以根据需要选择远程服务器。
本地个人 AI 算力设备也是一种选择。涉及公开数据、大规模训练和多人共享的任务,可以使用远程服务器或集群;对于涉及病人、学生、企业经营或个人健康等敏感数据的任务,以及需要反复快速试验的小模型,则可以优先考虑本地设备。选择运行环境时,不仅要看“有没有 GPU”,还要看数据能否外发、任务是否需要多人共享、模型文件是否能装入内存,以及结果是否需要长期复现。
学习目标¶
完成本附录后,你应该能够:
确认服务器的账号、连接地址和认证方式,通过 SSH(Secure Shell)登录。
在本地电脑和远程服务器之间传输文件。
创建独立的 Python 环境,并在 Jupyter 所用环境中安装课程依赖。
通过平台 Web 界面或 SSH 隧道使用远程 JupyterLab。
从小规模实验开始运行任务,保存日志并排查常见问题。
账号、登录与网络¶
准备账号与连接信息¶
使用远程服务器前,先向管理员或服务提供方确认以下信息:
服务器地址:域名或 IP 地址。
登录用户名:由管理员分配,通常不等于本地电脑的用户名。
SSH 端口:常见为
22,也可能使用其他端口。认证方式:密码、SSH 密钥,或额外的动态验证码。
网络要求:是否需要先连接校园网、单位 VPN 或指定网络。
资源限制:可用的 CPU、内存、GPU、磁盘空间,以及是否需要提交作业。
下面的命令用 username 表示远程用户名,用 server.example.com 表示服务器地址。它们都是占位符,运行前需要替换为自己的连接信息。账号开通、费用和使用权限以实际平台规定为准。
使用 SSH 登录¶
Windows 用户可以使用 Windows Terminal 或 PowerShell,macOS 和 Linux 用户可以使用系统终端。在本地电脑上输入:
ssh username@server.example.com如果管理员提供的端口是 2222,则使用:
ssh -p 2222 username@server.example.com第一次连接时,终端可能会询问是否信任服务器的主机密钥。先通过管理员或平台文档核对显示的指纹,再决定是否继续。输入登录密码时,终端通常不会显示字符,这是正常现象。
使用密钥认证时,应按管理员的说明配置公钥,并在本地妥善保管私钥;如果设置了私钥口令,登录时还可能需要输入该口令。只有启用了多因素认证的平台才需要 OTP(One-Time Password)动态验证码,并非所有 Linux 服务器都要求这一项。SSH 的连接参数和认证方式可查阅 OpenSSH 官方手册。
登录成功后,运行 whoami 和 pwd,确认当前账号和目录。此后在这个终端中输入的命令会在远程服务器上执行;输入 exit 可以退出远程会话,返回本地终端。
如果使用共享集群,还要区分登录节点和计算节点。登录节点通常用于查看文件、编辑脚本和提交作业;重计算任务应按平台要求在计算节点上运行。普通独立服务器可能没有这一区分,但仍需要遵守管理员分配的资源范围。
联网与安全¶
能通过 SSH 登录,并不代表服务器一定能访问外网。安装依赖、下载公开数据和调用模型 API 前,应确认当前服务器的网络权限。需要代理、软件镜像或离线安装时,按管理员说明配置,不要直接复制其他平台的联网命令。
实际使用时要注意:
不要把真实密码写入 notebook、脚本、截图或 Git 提交。
不要在共享文档中保留包含密码的完整命令。
不要将 SSH 私钥或包含访问令牌的 Jupyter 链接发给他人。
按课程或单位的数据管理要求,确认哪些数据可以上传。
还要区分服务器登录凭据和模型 API key。前者用于访问服务器,后者用于调用模型服务,两者不能互相替代。这些信息都不应该出现在 notebook 输出、截图、Git 提交或共享文档中。
文件传输与 Python 环境¶
文件上传与下载¶
登录服务器后,先为课程文件创建目录:
mkdir -p ~/forecasting图形化传输可以使用支持 SFTP(Secure File Transfer Protocol)的客户端,例如 FileZilla Client。配置时填写:
协议:
SFTP主机:实际的服务器地址
端口:与 SSH 连接端口一致
用户名:远程服务器账号
认证:按服务器要求使用密码或密钥;如有动态验证码,再按提示输入
传输课程 notebook、数据文件和结果图时,注意不要上传含有密钥的 .env 文件或 notebook 输出。
如果熟悉命令行,也可以在本地终端中使用 scp。下面用 local_file.csv 代表待上传的本地文件:
scp local_file.csv username@server.example.com:~/forecasting/下载结果文件到本地当前目录:
scp username@server.example.com:~/forecasting/results.csv .这里的 results.csv 需要先由实验生成;末尾的 . 表示本地当前目录。如果 SSH 使用非默认端口,scp 应使用大写的 -P,例如 scp -P 2222 ...。
创建 Python 环境¶
在远程服务器上先检查 Python 版本,确认它与课程代码和依赖兼容:
python3 --version如果已有管理员维护的课程环境,按其说明启用即可。需要自己创建环境时,可以在用户目录中使用 venv,让课程依赖与其他项目分开:
python3 -m venv ~/venvs/forecasting
source ~/venvs/forecasting/bin/activate
python -m pip install pandas numpy matplotlib jupyterlab上面的命令在远程终端中执行,不需要管理员权限。如果系统缺少 venv 或没有兼容的 Python,请联系管理员;不必为安装课程包修改系统 Python。每次重新登录后,都需要再次激活环境,或者直接使用环境中 Python 的完整路径。环境创建和激活方式见 Python 官方文档。
确认 notebook 使用的环境¶
在 Jupyter 中先确认当前 notebook 使用的 Python:
import sys
sys.executable它会输出类似路径:
/home/username/venvs/forecasting/bin/python这只是示例,实际路径以自己的输出为准。在远程终端中使用同一个 Python 安装包:
/home/username/venvs/forecasting/bin/python -m pip install pandas这样安装的包才能被当前 Jupyter kernel(内核)找到。不要只输入 pip install ... 就假设安装到了正确环境。
记录运行环境也很重要。Jupyter、终端和平台预设应用可能使用不同的 Python 环境。安装依赖前先查看 sys.executable,运行实验后保留日志、输出图和评估表,以便后续复查时确认代码究竟在哪个环境中运行。使用本地 AI 设备或实验室工作站时,也应记录设备型号、可用内存、GPU、Python 路径、模型目录和关键包版本。
实验运行与问题排查¶
打开远程 JupyterLab¶
如果平台提供 Web 界面,可以通过其中的 JupyterLab 入口启动交互式应用。CPU、GPU、运行时间和排队参数以平台说明为准。课程练习应从小配置开始,确认 notebook、数据和 Python 环境都正确后,再扩大资源配置。
如果服务器只提供 SSH,可以在远程终端中激活前面创建的环境,进入课程目录并启动 JupyterLab:
source ~/venvs/forecasting/bin/activate
cd ~/forecasting
python -m jupyter lab --no-browser --ip=127.0.0.1 \
--port=8888 --ServerApp.port_retries=0保持这个终端运行,然后在本地电脑上另开一个终端,建立 SSH 隧道:
ssh -N -L 127.0.0.1:8888:127.0.0.1:8888 \
username@server.example.com这条命令将本地的 8888 端口连接到远程服务器的 8888 端口,运行后通常不会显示新的命令提示符。若 SSH 使用其他端口,还需添加对应的 -p 参数。上述方法适用于 JupyterLab 与 SSH 登录运行在同一台服务器上的情况;如果平台把 JupyterLab 分配到其他计算节点,应使用平台提供的访问入口或隧道说明。
随后在本地浏览器打开 http://127.0.0.1:8888/lab,按提示输入远程 JupyterLab 启动日志中的 token;也可以使用日志中对应端口、包含 token 的访问链接。Jupyter 默认使用 token 进行认证,具体说明见 Jupyter Server 官方文档。保留认证设置,并让服务监听 127.0.0.1,即可通过 SSH 隧道访问,无需将 Jupyter 端口直接开放到公网。
如果端口已被占用,可以换成其他空闲端口,并相应修改 Jupyter 启动命令、SSH 隧道和浏览器地址。这里设置 port_retries=0,是为了在端口冲突时直接提示错误,避免 Jupyter 自动改用另一个端口后与隧道不一致。结束练习后,保存 notebook,在远程终端中按 Ctrl+C 并按提示关闭 Jupyter,再关闭本地隧道。
运行课程 notebook 的建议流程¶
登录服务器,确认可用资源并启用课程 Python 环境。
上传课程 notebook 和所需数据。
打开 notebook,确认 Python kernel。
运行环境检查单元,例如
import pandas、import numpy。安装缺失依赖。
从小样本开始运行预测代码。
保存输出图表和评估结果。
关闭不用的 Jupyter 服务或交互式应用,释放资源。
第一次使用时,可以先运行一个最小检查:
3 + 4
import sys
sys.executable如果这些检查通过,再安装课程包或运行预测示例。不要一开始就直接运行完整的深度学习任务;先确认服务器环境、路径和包的安装位置都正确。
运行 Transformer 练习时,也应从最小 PyTorch 检查开始。先确认当前 kernel 能执行 import torch,再查看 torch.cuda.is_available() 和可见 GPU 数量。小型时间序列示例可以先在 CPU 上跑通;如果要增加序列数量、窗口长度、d_model、注意力头数或训练轮数,再根据需要使用 GPU 资源。这样可以避免把环境错误、路径错误和模型调参问题混在一起。
运行本地 Chronos-2 练习时,还要先确认模型文件的位置。Chronos 类模型依赖本地 checkpoint、配置文件和推理环境,因此路径和依赖管理会直接影响能否复现实验 Ansari et al., 2024。课程提供的示例模型解压后,目录中应能看到 config.json 和权重文件,如 model.safetensors。notebook 中填写的是模型目录,而不是压缩包路径。使用远程服务器时,模型文件也必须位于服务器可访问的目录中;本地电脑上的文件路径不能直接用于远程 Python。
本地模型练习可以按以下顺序排查错误:
先确认 notebook 使用的 Python 路径。
再确认
import pandas,import matplotlib,import torch能通过。检查模型目录是否存在
config.json和权重文件。先用一小段数据或少量序列测试 pipeline(推理流水线)。
再扩大到 M4 小时级数据或销售需求数据。
读取课程数据时,如果 Parquet 格式的文件读取失败,可以切换到课程提供的 CSV 文件;如果 NumPy、PyTorch 或 Chronos 相关包版本冲突,先记录错误信息,再根据课程要求在当前环境中安装兼容版本。不要在多个终端和多个 kernel 之间反复安装,否则很容易出现“终端显示安装成功,但 notebook 仍然导入失败”的情况。
完成实验、准备提交 notebook 时,如果直接导出 PDF 失败,可以先保存为 HTML,再用浏览器打开 HTML 并打印成 PDF。提交前检查输出图是否包含历史值、真实值、预测值和预测区间;如果作业要求比较协变量版本,也要保留两组图和简短解释。
长时间运行与结果保存¶
直接在 SSH 终端中运行程序,连接断开后任务可能随之结束。如果需要在普通服务器上运行较长时间的 Python 脚本,可以使用 nohup,将输出保存到日志。例如,在远程终端中进入课程目录、启用环境,并运行自己准备好的 forecast.py:
cd ~/forecasting
source ~/venvs/forecasting/bin/activate
nohup python forecast.py > forecast.log 2>&1 &这会在后台运行脚本,并把标准输出和错误信息写入 forecast.log。nohup 不能替代集群作业调度,也不能保证程序一定运行成功;共享集群应使用其规定的提交方式。重新登录后,可以用下面的命令查看最近的日志:
tail -n 50 ~/forecasting/forecast.log长时间任务应定期保存中间结果。实验结束后,将日志、输出图表和评估表一并下载到本地,并记录代码版本、参数与环境信息。云服务器还应按服务方规则停止不再使用的计算资源,避免继续计费。
常见问题¶
如果 SSH 登录失败,先检查地址、端口、用户名、认证方式和网络环境。连接超时通常需要先检查网络或访问规则;提示权限不足时,再核对账号、密码或密钥。启用了动态验证码的平台,还要检查验证码是否有效。
如果 SSH 能连接,但浏览器打不开 JupyterLab,先检查远程 Jupyter 是否仍在运行、本地 SSH 隧道是否保持连接,以及两端端口是否一致。远程终端中显示的文件路径指向服务器上的文件,不能直接当作本地电脑上的路径打开。
如果 Jupyter 能打开但无法导入包,通常是因为包被安装到了错误的 Python 环境中。先在 notebook 中查看 sys.executable,再用这个解释器执行 -m pip install,必要时重启 kernel。不要仅凭终端显示“安装成功”,就认为 notebook 一定能导入该包。
如果下载数据失败,确认服务器是否能访问相应网站,以及是否需要按管理员说明配置网络。如果程序运行缓慢或意外退出,检查日志、内存、磁盘空间和 GPU 使用情况;不要通过反复启动同一任务来排查问题。
如果使用集群且任务长时间排队,可以在任务需求允许的范围内减少核心数、节点数或运行时间。资源不足会拖慢运行,申请过多则可能延长排队时间,课程练习应先用小规模任务验证流程。
小结¶
远程服务器提供的是运行环境。使用时最重要的是三件事:通过正确的账号和认证方式登录,在正确的 Python 环境中安装依赖,使用合适的资源运行任务。分清命令在本地还是远程执行,先让一个小 notebook 跑通,再扩大实验规模。
练习¶
用 SSH 登录远程服务器,运行
pwd、ls和whoami,说明这些命令在哪里执行。启用课程 Python 环境,在 notebook 中查看
sys.executable,再用同一路径安装pandas。上传一个 CSV 文件到服务器,在 notebook 中读取并显示前 5 行,再将结果下载到本地。
通过平台入口或 SSH 隧道打开远程 JupyterLab,说明浏览器、SSH 隧道和 Python 分别运行在哪里。
写一段说明,解释为什么不能把密码、SSH 私钥、Jupyter token 或 API key 写入 notebook。
参考文献¶
- Garza, A., Challu, C., & Mergenthaler-Canseco, M. (2024). TimeGPT-1. 10.48550/arXiv.2310.03589
- Ansari, A. F., Stella, L., Turkmen, C., Zhang, X., Mercado, P., Shen, H., Shchur, O., Rangapuram, S. S., Arango, S. P., Kapoor, S., Zschiegner, J., Maddix, D. C., Wang, H., Mahoney, M. W., Torkkola, K., Wilson, A. G., Bohlke-Schneider, M., & Wang, Y. (2024). Chronos: Learning the Language of Time Series. 10.48550/arXiv.2403.07815