勤奋的凯尔森同学

# 10000h Day1: Jupyter环境搭建 · 项目部署上线

所属专栏: 凯尔森的10000h刻意练习
Slogan: 一个36岁程序员, 研究生(学硕)，前世界500强top20软件开发Java工程师，用10000小时深耕AI, 目标Top10 AI资深工程师, 全程日更记录。

# 1. 今日目标

今天是正式动手的第1天, 解决4件事:

  1. 三平台Jupyter Server — Ubuntu / Windows / macOS都能访问的Jupyter环境, 未来一万小时的代码练习在这里跑，看自己开心用哪个设备，后续如果做工程项目，会在PyCharm中进行。Ubuntu那台机器是一只开着的，也做了外网访问的设置。
  2. 项目部署上线 — 把「凯尔森的10000h刻意练习」部署到家里PVE的Ubuntu Server, 公网可访问;
  3. 后端 + 数据库 — 登录后台 + 秒表数据入库MySQL, 从纯静态博客升级为可交互的系统;
  4. 自动化发布 — GitHub Actions提交代码后自动经阿里云中转更新家里服务器, 以后日更只管git push。

# 2. Ubuntu Desktop配置安装Jupyter Server

这台机器是Ubuntu Desktop 2604, 配置为64G内存 + 特斯拉V100 16G显卡, 已设置外网访问。带NVIDIA数据中心卡, 所以在普通Jupyter安装流程之外, 还要先把NVIDIA驱动 → CUDA Toolkit → cuDNN三件套装好, 再装PyTorch的CUDA版。外网访问通过systemd常驻 + ufw放行5010端口实现, 可在任何地点远程连上去跑代码。

① 更新系统包 + 安装Python3、pip和虚拟环境工具

sudo apt update && sudo apt upgrade -y
sudo apt install python3 python3-pip python3-venv -y
1
2

② 安装NVIDIA驱动 + CUDA Toolkit + cuDNN

# 1. 安装NVIDIA驱动(特斯拉V100是数据中心卡)
ubuntu-drivers devices  # 查看推荐驱动
sudo apt install nvidia-driver-535 -y  # 或sudo ubuntu-drivers autoinstall
sudo reboot
nvidia-smi  # 验证: 右上角CUDA Version: 12.x

# 2. 安装CUDA Toolkit(通过NVIDIA官方apt仓库)
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt update
sudo apt install cuda-toolkit-12-6 -y
# 环境变量
echo 'export PATH=/usr/local/cuda-12.6/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.6/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc
nvcc --version  # 验证CUDA版本

# 3. 安装cuDNN(通过apt)
sudo apt install libcudnn8 libcudnn8-dev -y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

③ 创建Jupyter虚拟环境目录

sudo mkdir -p /opt/hep-jupyter
sudo chown $USER:$USER /opt/hep-jupyter  # 将目录所有权赋予当前用户
cd /opt/hep-jupyter
1
2
3

④ 创建并激活Python虚拟环境

python3 -m venv venv
source venv/bin/activate
1
2

④ 安装Node.js

sudo apt install nodejs npm -y
1

⑤ 安装JupyterLab

pip install jupyterlab
1

⑦ 安装常用科学计算与开发包

# 升级pip到最新版本
pip install --upgrade pip

# 基础数据科学包
pip install numpy pandas matplotlib seaborn pillow scipy scikit-learn statsmodels

# 办公/数据库相关
pip install openpyxl pymysql sqlalchemy

# 可视化/交互工具
pip install pyecharts jupyterlab jupyter-echarts jupyterlab-latex

# 图像处理相关
pip install opencv-python imutils

# 可选工具(Kaggle数据下载)
pip install kaggle

# 显示进度条
pip install tqdm

# 后端框架
pip install flask

# jieba分词
pip install jieba

# Gensim: Python开源轻量NLP库, 主打高效流式处理海量文本, 用来做词向量训练、LDA主题建模和文档语义相似度检索
pip install gensim

# torch.utils.tensorboard
pip install tensorboard

# 英文分词工具
pip install nltk

# datasets库
pip install datasets

# fastAPI + uvicorn服务器
pip install fastapi uvicorn

# neo4j及其相关库(含langchain全家桶)
pip install neo4j transformers accelerate python-dotenv evaluate seqeval langchain langchain-deepseek langchain_huggingface langchain_neo4j sentence-transformers

# uv加速
pip install uv

# LabelStudio + 自动化标注库
pip install label-studio ml-backend

# 深度学习框架(二选一, 注释掉不需要的版本)
# --- CPU版本(无GPU环境使用) ---
# pip install tensorflow
# pip install torch torchvision torchaudio

# --- GPU版本(本机V100已在步骤 ② 装好驱动 + CUDA + cuDNN, 用GPU版) ---
pip install tensorflow[and-cuda]
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
# GPU版本, 清华源加速(备选)
# pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

# 验证安装
python -c "import numpy, pandas, tensorflow, torch; print('核心包安装成功！')"
python -c "import torch; print('CUDA:', torch.cuda.is_available()); print('Device:', torch.cuda.get_device_name(0))"
# 期望输出: CUDA: True / Device: Tesla V100-PCIE-16GB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66

⑧ 生成配置 + 设置登录密码

jupyter server --generate-config  # 生成 ~/.jupyter/jupyter_server_config.py
jupyter server password  # 两次输入密码, 写入jupyter_server_config.json
1
2

⑧ 创建工作目录

sudo mkdir -p /usr/software/jupyter
sudo chown $USER:$USER /usr/software/jupyter
1
2

⑩ 编辑 ~/.jupyter/jupyter_server_config.py

c.ServerApp.ip = '0.0.0.0'
c.ServerApp.port = 5010
c.ServerApp.open_browser = False
c.ServerApp.root_dir = '/usr/software/jupyter'
c.ServerApp.token = ''
c.ServerApp.allow_root = True
# 可选: 关闭安全检查(避免root运行的权限警告)
c.ServerApp.allow_remote_access = True
c.ServerApp.disable_check_xsrf = True
1
2
3
4
5
6
7
8
9

⑩ systemd常驻 + 开机自启

新建 /etc/systemd/system/hep-jupyter.service:

[Unit]
Description=HEP JupyterLab Service
After=network.target

[Service]
Type=simple
User=root
Group=root
# 加载全局环境变量(解决JDK/Python环境变量问题)
EnvironmentFile=-/etc/profile
WorkingDirectory=/opt/hep-jupyter
Environment="PATH=/opt/hep-jupyter/venv/bin:/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin"

# 启动命令(简化, 无需手动指定config, Lab会自动读取 /root/.jupyter/jupyter_server_config.py)
ExecStart=/opt/hep-jupyter/venv/bin/jupyter lab --no-browser --ip=0.0.0.0 --port=5010 --notebook-dir=/usr/software/jupyter

# 重启策略(增加超时, 避免频繁重启)
Restart=on-failure
RestartSec=5
TimeoutSec=30

[Install]
WantedBy=multi-user.target
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

启动服务:

sudo systemctl daemon-reload  # 重新加载systemd配置
sudo systemctl start hep-jupyter.service  # 启动hep-jupyter服务
sudo systemctl enable hep-jupyter.service  # 设置开机自启
sudo systemctl status hep-jupyter.service  # 查看服务状态(确认是否运行成功)
1
2
3
4

⑪ 放行防火墙 + 访问

sudo ufw allow 5010/tcp
1

浏览器访问 http://<你的服务器IP>:5010, 输入密码登录。

⑬ 服务管理常用命令

sudo systemctl stop hep-jupyter.service  # 停止服务
sudo systemctl restart hep-jupyter.service  # 重启服务
sudo journalctl -u hep-jupyter.service -f  # 查看服务日志
1
2
3

⑬ 安装扩展插件

pip install jupyterlab-toc  # 目录导航插件(Table of Contents)
pip install jupyterlab-latex  # LaTeX扩展支持
sudo systemctl restart hep-jupyter.service  # 重启服务生效
1
2
3

# 3. Windows 11配置安装Jupyter Server

这台机器是Alienware M17R5, 带NVIDIA GeForce RTX 3070Ti Laptop GPU 8G算力卡。这台带NVIDIA独显, 所以在普通Jupyter安装流程之外, 还要先把NVIDIA驱动 → CUDA Toolkit → cuDNN三件套装好, 再装PyTorch的CUDA版, 否则 torch.cuda.is_available() 永远返回 False。

① 装NVIDIA驱动 + Visual Studio C++ Build Tools

前置两件套:

  1. 显卡驱动:去 NVIDIA Driver Download (opens new window) 选GeForce → RTX 30 Series (Notebooks) → RTX 3070 Ti Laptop GPU → Windows 11, 下载Studio Driver (SD)(做AI比Game Ready更稳), 双击默认安装。
  2. VS C++ Build Tools(编译PyTorch的C++ 扩展用):下载 Visual Studio Community (opens new window), 安装时勾选**"Desktop development with C++"**工作负载, 完成后关闭(只装工具链)。

② 装CUDA Toolkit + cuDNN

在PowerShell跑一次 nvidia-smi, 输出右上角 CUDA Version: 12.x 就是当前驱动支持的最高CUDA版本(RTX 3070Ti算力8.6 Ampere, 11.8 ~ 12.x全支持, 装最新的即可)。

  1. CUDA Toolkit:去 CUDA Toolkit Archive (opens new window) 选与PyTorch兼容的版本(PyTorch 2.7.x支持CUDA 11.8 / 12.6 / 12.8), 下Windows → x86_64 → 11 → exe(local), 安装时默认组件即可, 不要勾Visual Studio Integration。验证 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x 目录存在。
  2. cuDNN:去 cuDNN Archive (opens new window) 下与上面CUDA大版本匹配的Local Installer (ZIP) for Windows, 解压后把 bin\*、include\*、lib\x64\* 三处全部覆盖到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.x\ 对应子目录。
  3. 环境变量:CUDA安装器通常已自动写入 CUDA_PATH 和 CUDA_PATH_V12_x;打开"编辑系统环境变量"检查一下, 没有就手动新建。

③ 安装Python 3.12

winget install Python.Python.3.12
# 或者去https://www.python.org/downloads/ 下载安装
1
2

安装时务必勾选**"Add python.exe to PATH"**。

④ 创建虚拟环境

mkdir C:\venvs
python -m venv C:\venvs\jupyter-3070ti
C:\venvs\jupyter-3070ti\Scripts\activate
1
2
3

激活后命令行前缀会显示 (jupyter-3070ti)。

⑤ 配置清华pip镜像源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
1

⑥ 安装Jupyter Server + JupyterLab

pip install jupyter-server jupyterlab
jupyter server --version
jupyter lab --version
1
2
3

⑦ 安装PyTorch CUDA版

PyTorch官方有专门的CUDA索引源, 必须用 --index-url 指定。以CUDA 12.6为例:

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu126
1

如果选了CUDA 11.8版, 把末尾 cu126 换成 cu118。

⑧ 安装常用科学计算与开发包

# 升级pip到最新版本
pip install --upgrade pip

# 基础数据科学包
pip install numpy pandas matplotlib seaborn pillow scipy scikit-learn statsmodels

# 办公/数据库相关
pip install openpyxl pymysql sqlalchemy

# 可视化/交互工具
pip install pyecharts jupyterlab jupyter-echarts jupyterlab-latex

# 图像处理相关
pip install opencv-python imutils

# 可选工具(Kaggle数据下载)
pip install kaggle

# 显示进度条
pip install tqdm

# 后端框架
pip install flask

# jieba分词
pip install jieba

# Gensim: Python开源轻量NLP库, 主打高效流式处理海量文本, 用来做词向量训练、LDA主题建模和文档语义相似度检索
pip install gensim

# torch.utils.tensorboard
pip install tensorboard

# 英文分词工具
pip install nltk

# datasets库
pip install datasets

# fastAPI + uvicorn服务器
pip install fastapi uvicorn

# neo4j及其相关库(含langchain全家桶)
pip install neo4j transformers accelerate python-dotenv evaluate seqeval langchain langchain-deepseek langchain_huggingface langchain_neo4j sentence-transformers

# uv加速
pip install uv

# LabelStudio + 自动化标注库
pip install label-studio ml-backend

# 深度学习框架(二选一, 注释掉不需要的版本)
# --- CPU版本(推荐无GPU环境使用) ---
pip install tensorflow
pip install torch torchvision torchaudio

# --- GPU版本(有NVIDIA GPU且需CUDA加速时启用, 注释掉上面CPU版本) ---
# 本机RTX 3070Ti已在步骤 ⑦ 用cu126索引源装好GPU版PyTorch, 下面仅作CPU/备选参考
pip install tensorflow[and-cuda]
# pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
# GPU版本, 清华源加速(备选)
# pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

# 验证安装
python -c "import numpy, pandas, tensorflow, torch; print('核心包安装成功！')"
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65

⑨ 验证GPU是否可用

python -c "import torch; print('CUDA available:', torch.cuda.is_available()); print('Device count:', torch.cuda.device_count()); print('Device 0:', torch.cuda.get_device_name(0))"
1

期望输出:

CUDA available: True
Device count: 1
Device 0: NVIDIA GeForce RTX 3070 Ti Laptop GPU
1
2
3

看到 NVIDIA GeForce RTX 3070 Ti Laptop GPU 即代表PyTorch已成功调用GPU。

⑩ 生成配置 + 设置登录密码

jupyter server --generate-config  # 生成 %USERPROFILE%\.jupyter\jupyter_server_config.py
jupyter server password
1
2

⑪ 创建工作目录 + 编辑配置

mkdir C:\Users\Kelsen\Code\Jupyter
notepad $env:USERPROFILE\.jupyter\jupyter_server_config.py
1
2

去掉行首 #, 修改:

c.ServerApp.ip = '0.0.0.0'  # 允许局域网访问
c.ServerApp.port = 8888
c.ServerApp.open_browser = False
c.ServerApp.root_dir = 'C:\\Users\\Kelsen\\Code\\Jupyter'
c.ServerApp.token = ''
c.ServerApp.allow_remote_access = True
c.ServerApp.disable_check_xsrf = True
1
2
3
4
5
6
7

⑫ 防火墙放行8888端口

New-NetFirewallRule -DisplayName "Jupyter" -Direction Inbound -LocalPort 8888 -Protocol TCP -Action Allow
1

⑬ 启动Jupyter

常规启动:

jupyter lab
1

后台运行:

Start-Process -WindowStyle Hidden -FilePath "jupyter" -ArgumentList "lab"
1

浏览器访问 http://localhost:8888, 输入密码登录。局域网其它设备用 http://<本机IP>:8888。

⑭ 开机自启

Win+R → 输入 shell:startup → 在打开的目录里新建 start-jupyter.bat, 内容一行:

C:\venvs\jupyter-3070ti\Scripts\jupyter.exe lab
1

下次开机自动启动Jupyter。

⑮ 安装扩展插件

pip install jupyterlab-toc
pip install jupyterlab-latex
1
2

# 4. MacBook Pro配置安装Jupyter Server

macOS不带NVIDIA显卡(M系列为Apple Silicon GPU, 用Metal加速), 作为移动办公设备使用, 未设置外网访问。这里走的是CPU版PyTorch + MPS后端的路线, 适合做轻量数据分析和原型验证。重算力任务远程连Ubuntu Desktop那台(特斯拉V100 16G + 64G内存 + 外网可访)或Windows那台RTX 3070Ti。

① 安装Homebrew

/bin/bash -c "$(curl -fsSL https://gitee.com/ineo6/homebrew-install/raw/master/install.sh)"
1

对于Apple Silicon (M1/M2/M3) 芯片的Mac:

echo 'eval "$(/opt/homebrew/bin/brew shellenv)"' >> ~/.zprofile
eval "$(/opt/homebrew/bin/brew shellenv)"
1
2

② 安装Python 3.12

brew install python@3.12
1

③ 创建虚拟环境

mkdir -p ~/venvs
python3.12 -m venv ~/venvs/jupyter-gpu
1
2

④ 激活虚拟环境

source ~/venvs/jupyter-gpu/bin/activate
1

⑤ 配置清华pip镜像源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
1

⑥ 安装Jupyter Server + JupyterLab

pip install jupyter-server jupyterlab
1

⑦ 验证安装

jupyter server --version
jupyter lab --version
1
2

⑧ 安装PyTorch生态

pip install torch torchvision torchaudio
1

⑨ 安装常用科学计算与开发包

# 升级pip到最新版本
pip install --upgrade pip

# 基础数据科学包
pip install numpy pandas matplotlib seaborn pillow scipy scikit-learn statsmodels

# 办公/数据库相关
pip install openpyxl pymysql sqlalchemy

# 可视化/交互工具
pip install pyecharts jupyterlab jupyter-echarts jupyterlab-latex

# 图像处理相关
pip install opencv-python imutils

# 可选工具(Kaggle数据下载)
pip install kaggle

# 显示进度条
pip install tqdm

# 后端框架
pip install flask

# jieba分词
pip install jieba

# Gensim: Python开源轻量NLP库, 主打高效流式处理海量文本, 用来做词向量训练、LDA主题建模和文档语义相似度检索
pip install gensim

# torch.utils.tensorboard
pip install tensorboard

# 英文分词工具
pip install nltk

# datasets库
pip install datasets

# fastAPI + uvicorn服务器
pip install fastapi uvicorn

# neo4j及其相关库(含langchain全家桶)
pip install neo4j transformers accelerate python-dotenv evaluate seqeval langchain langchain-deepseek langchain_huggingface langchain_neo4j sentence-transformers

# uv加速
pip install uv

# LabelStudio + 自动化标注库
pip install label-studio ml-backend

# 深度学习框架(二选一, 注释掉不需要的版本)
# --- CPU版本(macOS走MPS后端, 已在步骤 ⑧ 装好, 下面仅作参考) ---
pip install tensorflow
# pip install torch torchvision torchaudio

# --- GPU版本(macOS无NVIDIA, 不适用; 仅作跨平台参考) ---
# pip install tensorflow[and-cuda]
# pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
# pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

# 验证安装
python -c "import numpy, pandas, tensorflow, torch; print('核心包安装成功！')"
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63

⑩ 生成默认配置 + 设置登录密码

jupyter server --generate-config  # 默认路径: ~/.jupyter/jupyter_server_config.py
jupyter server password
1
2

⑪ 修改配置文件

open ~/.jupyter/jupyter_server_config.py
1

搜索并去掉行首 #, 修改对应值:

# 1. 设置默认工作目录(先mkdir -p /Users/Kelsen/Code/Jupyter)
c.ServerApp.notebook_dir = "/Users/Kelsen/Code/Jupyter"
# 2. 允许局域网远程访问
c.ServerApp.ip = "0.0.0.0"
# 3. 设置默认端口(默认8888)
c.ServerApp.port = 8888
# 4. 启动时不自动打开浏览器
c.ServerApp.open_browser = False
1
2
3
4
5
6
7
8

⑫ 启动Jupyter

后台运行:

nohup jupyter lab --no-browser > ~/jupyter.log 2>&1 &
1

常规启动:

jupyter lab
1

停止服务:先查进程 ps aux | grep jupyter, 再执行 kill 进程号。

访问 http://localhost:8888, 输入密码登录。

# 5. 三平台配置对比

维度 Ubuntu Desktop Windows 11 MacBook Pro
包管理 apt + pip + venv 官方安装包 + pip + venv Homebrew + pip + venv
虚拟环境路径 /opt/hep-jupyter/venv C:\venvs\jupyter-3070ti ~/venvs/jupyter-gpu
工作目录 /usr/software/jupyter C:\Users\Kelsen\Code\Jupyter /Users/Kelsen\Code/Jupyter
端口 5010 8888 8888
后台运行方式 systemd服务 shell:startup 自启 + bat nohup 后台
算力 特斯拉V100 16G RTX 3070Ti Laptop 8G Apple Silicon MPS
局域网放行 ufw allow 5010/tcp New-NetFirewallRule 路由器 / 防火墙配置

# 6. 凯尔森的10000h刻意练习 · 项目部署上线

背景:代码仓库在GitHub, 已配好Action — 提交代码后自动经阿里云服务器特定端口中转, 把项目更新传到家里PVE的一台Ubuntu Server(192.168.31.102)。之前它只是纯静态博客; 本次新增MySQL数据库 + 登录后台逻辑, 需要在原来那台Ubuntu Server上补齐后端服务。

应用机上最终跑的服务:

服务 端口 状态 说明
Nginx 80 已有 静态dist + /api 反代(唯一改动:追加一段location)
Express API 3001 新增 登录 / 秒表接口, PM2守护, 仅监听本机
mysql-client — 新增 应用机只装客户端, 不装MySQL服务端
MySQL 3306 已有 在另一台局域网主机192.168.31.27, 内网直连
   用户浏览器  http://www.10000h.top
              │ 80 (阿里云安全组放行)
      阿里云 ECS ── frp 隧道(remote_port=80) ──→ PVE Ubuntu Server 192.168.31.102
                                      ├─ Nginx :80  → /usr/software/kelsen 静态
                                      │             → /api/ 反代 127.0.0.1:3001
                                      ├─ Express :3001 (PM2 守护)
                                      └────── 局域网 3306 ──→ MySQL 192.168.31.27
1
2
3
4
5
6
7

首次部署6步(项目根目录DEPLOYMENT.md, deploy/ 目录已备好Nginx / PM2 / systemd / 备份全部模板):

步骤 做什么 关键命令
1 上传server/ + deploy/ 到 /usr/software/hep-vuepress scp -r
2 MySQL主机(192.168.31.27)建库 + 专用账号(来源限定192.168.31.102) CREATE USER ... GRANT
3 写server/.env(DB_HOST=192.168.31.27 + JWT_SECRET) cp .env.production.example
4 装依赖 + 建表 + 建管理员 npm ci --omit=dev; init.sql; npm run init-user
5 PM2启动 + 开机自启 pm2 start ecosystem.config.js; pm2 save; pm2 startup
6 Nginx追加 /api反代 location /api/ → 127.0.0.1:3001

因为www.10000h.top目前还在备案中，所以现在访问会被拦截，但我通过我的另一个备案过的域名或者公网IP进行访问是没得问题的。

日常发布:前端照旧本地构建dist.zip上传解压到 /usr/software/kelsen; 后端代码变了才tar打包server/(排除 .env)上传 + pm2 reload hep-api 零停机。GitHub Actions在原流程后追加「上传后端 + 远端reload」两步即可全自动。

# 7. 写在最后

环境(三平台Jupyter) + 部署(公网可访问的10000h.top目前备案中)今天全部就位 — 从明天起, 每一天的记录都真实发生在这套系统上。

  • Ubuntu Desktop(64G + V100 16G + 外网可访)那台跑大模型训练、CUDA内核实验, 随时远程连上去;
  • Windows 11 + 外星人M17R5(RTX 3070Ti Laptop 8G)作为移动办公备用, 也能跑CUDA任务;
  • macOS那台跑代码原型、写文章(移动办公);
  • Ubuntu Server(192.168.31.102)那台做公网部署和后端常驻。

明天Day2见！See you tomorrow!

最近更新: 2026/9/30

← 10000h·Day02 →

 |  Copyright © -Present Kelsen All Rights Reserved. | Author KelsenJing
10000h Day1: Jupyter环境搭建 · 项目部署上线