DGX 控制面板

第 1 步 – 访问 DGX 控制面板

请选择以下方法之一访问 DGX 控制面板 Web 界面：

选项 A：桌面快捷方式（本地访问）

如果您可以本地访问 DGX Spark 设备：

1. 登录到 DGX Spark 设备的 Ubuntu 桌面环境
   

2. 点击屏幕左下角，打开Ubuntu应用程序启动器。
   

3. 点击应用程序启动器中的 DGX 控制面板快捷方式
   

4. Dashboard将在您的默认浏览器中打开。http://localhost:11000
   

选项 B：NVIDIA Sync（推荐用于远程访问）

如果您的本地计算机上安装了 NVIDIA Sync：

1. 点击系统托盘中的 NVIDIA Sync 图标
   

2. 从设备列表中选择您的 DGX Spark 设备
   

3. 点击“Connect”
   

4. 点击“DGX Dashboard”启动控制面板
   

5. 仪表盘将在您的默认浏览器中打开。http://localhost:11000 使用自动 SSH 隧道
   

没有 NVIDIA Sync？点击此处安装。

选项 C：手动SSH隧道

如果要在不使用 NVIDIA Sync 的情况下进行手动远程访问，则必须首先手动配置 SSH 隧道。

如果您想远程访问 JupyterLab，则必须为 Dashboard 服务器（端口 11000）和 JupyterLab 都打开一个隧道。每个用户帐户都会被分配一个不同的 JupyterLab 端口号。

1. 请通过 SSH 连接到您的 DGX Spark 并运行以下命令，检查您分配的 JupyterLab 端口：
   

cat /opt/nvidia/dgx-dashboard-service/jupyterlab_ports.yaml

2. 找到您的用户名并记下分配的端口号。
   

3. 创建包含这两个端口的新 SSH 隧道：
   

ssh -L 11000:localhost:11000 -L <ASSIGNED_PORT>:localhost:<ASSIGNED_PORT> <USERNAME>@<SPARK_DEVICE_IP>

替换 <USERNAME> 为您的 DGX Spark 设备名，<SPARK_DEVICE_IP> 为设备的 IP 地址。

替换 <ASSIGNED_PORT> 为 YAML 文件的端口号。

打开您的网络浏览器并导航至 http://localhost:11000。

第 2 步 – 登录 DGX Dashboard

Dashboard在浏览器加载完毕后：

1. 请在用户名栏中输入您的 DGX Spark 系统用户名。
   

2. 请在密码字段中输入您的系统密码。
   

3. 点击“Login”即可访问仪表盘界面
   

您应该会看到主仪表板，其中包含 JupyterLab 管理、系统监控和设置面板。

第 3 步 - 启动 JupyterLab 实例

创建并启动 JupyterLab 环境：

1. 点击右侧面板中的“开始”按钮
   

2. 监控其状态，使其依次经历以下过程：Starting → Preparing → Running
   

3. 等待状态显示为“Running”（首次启动可能需要几分钟时间）
   

4. 如果提示”Running”后 JupyterLab 没有自动在浏览器打开（可能是弹出窗口被阻止），您可以点击“Open In Browser”按钮。
   

启动时，会自动创建一个默认工作目录（/home//jupyterlab）并设置虚拟环境。您可以通过查看目录中的 requirements.txt 浏览已安装的软件包。

未来，如需更改工作目录并创建新的独立环境，您可以先点击“停止”按钮，然后将路径修改为新工作目录，再次点击“启动”按钮即可完成设置。

第 4 步 - 测试示例 AI 工作负载

运行一个简单的 Stable Diffusion XL 图像生成示例来验证您的设置：

1. 在 JupyterLab 中，创建一个新的笔记本：File → New → Notebook
   

2. 点击“Python 3 (ipykernel)”创建笔记本
   

3. 添加一个新单元格，并粘贴以下代码：
   

import warnings
warnings.filterwarnings('ignore', message='.*cuda capability.*')
import tqdm.auto
tqdm.auto.tqdm = tqdm.std.tqdm

from diffusers import DiffusionPipeline
import torch
from PIL import Image
from datetime import datetime
from IPython.display import display

# --- Model setup ---
MODEL_ID = "stabilityai/stable-diffusion-xl-base-1.0"
dtype = torch.float16 if torch.cuda.is_available() else torch.float32

pipe = DiffusionPipeline.from_pretrained(
    MODEL_ID,
    torch_dtype=dtype,
    variant="fp16" if dtype==torch.float16 else None,
)
pipe = pipe.to("cuda" if torch.cuda.is_available() else "cpu")

# --- Prompt setup ---
prompt = "a cozy modern reading nook with a big window, soft natural light, photorealistic"
negative_prompt = "low quality, blurry, distorted, text, watermark"

# --- Generation settings ---
height = 1024
width = 1024
steps = 30
guidance = 7.0

# --- Generate ---
result = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    num_inference_steps=steps,
    guidance_scale=guidance,
    height=height,
    width=width,
)

# --- Save to file ---
image: Image.Image = result.images[0]
display(image)
image.save(f"sdxl_output.png")
print(f"Saved image as sdxl_output.png")

第 5 步 - 监控 GPU 利用率

图像生成过程中：

1. 切换回浏览器中的 DGX 控制面板选项卡。
   

2. 在监控面板中查看 GPU 监测数据。
   

第 6 步 - 停止 JupyterLab 实例

课程结束后：

1. 返回 DGX Dashboard主选项卡
   

2. 单击 JupyterLab 面板中的“Stop”按钮。
   

3. 确认状态已从“Running”更改为“Stopped”。
   

第 7 步 - 管理系统更新

如果有系统更新可用，将会通过横幅或在“设置”页面上显示。

在“Settings”页面的“Updates”选项卡下：

1. 点击“Update”打开确认对话框
   

2. 点击“Update Now”以开始更新过程
   

3. 等待更新完成并重启设备。
   

第 8 步 - 清理和还原

若要清理资源并将系统恢复到初始状态：

1. 通过 dashboard 停止所有正在运行的 JupyterLab 实例。
   

2. 删除 JupyterLab 工作目录
   

正常使用 dashboard 期间，系统不会发生任何永久性更改。

第 9 步 - 后续步骤

DGX Dashboard 配置完成后，您可以：

• 为不同的项目创建额外的 JupyterLab 环境
  

• 使用 dashboard 管理系统维护和更新
  

有关最新已知问题，请查看 DGX Spark 用户指南。