JupyterLab gpu

### 如何在 JupyterLab 中设置和使用 GPU

#### 安装必要的软件包和支持工具
为了使 JupyterLab 能够识别并利用 GPU 进行加速，在安装过程中需确保已正确设置了 CUDA 和 cuDNN 环境。对于 Python 用户来说，通常会通过 Anaconda 或 Miniconda 来管理依赖项，并创建一个新的虚拟环境来隔离不同项目的库版本冲突。

conda create -n gpu_env python=3.8
conda activate gpu_env

接着安装 PyTorch 或 TensorFlow 等支持 GPU 加速的框架：

# 对于PyTorch用户
conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

# 对于TensorFlow用户
pip install tensorflow-gpu==2.x.x

#### 配置 JupyterLab 扩展以增强 GPU 使用体验
为了让开发者更方便地管理和查看 GPU 的资源占用状况，可以考虑安装 `jupyterlab-nvdashboard` 插件[^1]。该插件允许用户直接在 JupyterLab 界面内观察到当前系统的 GPU 利用率、显存消耗等重要指标变化趋势图。

pip install jupyterlab-nvdashboard
jupyter serverextension enable --py jupyterlab_nvdashboard

重启 JupyterLab 后即可看到新增加的仪表板选项卡[^3]。

#### 编写能够充分利用多块 GPU 的代码逻辑
当拥有多张 NVIDIA 显卡时，可以通过调整程序中的参数设定让其自动分配任务给不同的设备处理。例如，在 PyTorch 下可采用如下方式实现模型并行化训练[^4]:

import torch.nn as nn

model = YourModelClass()
if torch.cuda.device_count() > 1:
    print(f"Using {torch.cuda.device_count()} GPUs!")
    model = nn.DataParallel(model)

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model.to(device)

以上就是关于如何在 JupyterLab 上配置以及有效运用 GPU 设备的相关指导说明。