vs code jupyter连gpu结点kernel

学校的服务器 [1] 分登录结点和计算结点。以往想在 jupyter notebook 调用 GPU 跑程序，是用 ssh tunnel 转发到自己电脑，然后用浏览器打开。

现发现直接在 VS Code 中用 jupyter notebook 更好用，但遇到一个问题：在给 notebook 选 kernel 时，如果用 Jupyter Kernel...，则会选中登录结点的 kernel，从而无法使用计算结点的 GPU：

Fig. 1

因为我 vs code 是连去登录结点，而不是直接连计算结点。此时正确的选法是用 Existing Jupyter Server... 指定用从计算结点启动的 jupyter lab server。

Steps

假设已装好 python、jupyterlab，配过 jupyter 密码，且配好一个虚拟环境叫 env1。

1. 注测 kernel

   conda activate env1
   pip install ipykernel # 如之前未装过
   python -m ipykernel install --user --name=env1 --display-name="超人 (迪迦)"
   

   此时如果按图 1 点 Jupyter Kernel...，应能看见刚创建的这个「超人 (迪迦)」kernel（可能要 vs code 重连才刷新出来）。但选这个 kernel 会用登录结点的 python。
2. 在计算结点启动 jupyter lab server：

   # 在计算结点上
   conda activate env1 # 激活 jupyter lab 所在虚拟环境
   jupyter lab # 启动
   

   一串输出中包含：

   (...其它...)
   [I 2025-11-09 16:10:21.531 ServerApp] Jupyter Server 2.14.1 is running at:
   [I 2025-11-09 16:10:21.531 ServerApp] http://localhost:8888/lab
   (...其它...)
   

   表明 jupyter lab 的端口是 8888。
3. vs code 创建 notebook：此时 vs code 是远程连去学校登录结点（中某个代码目录）的，在 vs code 界面中 Ctrl + Shift + P 呼出命令界面，打 Create: New Jupyter Notebook 就能创建；再 Ctrl + S 保存、顺便给 notebook 起名。
4. 选 kernel：在 notebook 界面，如图 1，「Select Kernel」->「Existing Jupyter Server…」（而不是「Jupyte Kernel…」），然后就让输入 server 的 URL（图 2），写：http://1.2.3.4:8888，其中 1.2.3.4 是计算结点的 IP，8888 是 jupyter 端口。回车让输 jupyter 密码（图 3）；再回车让输 display name，随意；又回车，让选 kernel，此时应该也能看到刚才注册的「超人 (迪迦)」，选它。

Fig. 2

Fig. 3

这个 kernel 就可以用计算结点的 GPU 了。可在 notebook 内执行：

• !nvidia-smi
• import torch; torch.cuda_is_available()

验证。

References

1. 用UTS gpu集群