DGX 控制面板

请在密码字段中输入您的系统密码，:11000 使用自动 SSH 隧道 没有 NVIDIA Sync？点击，使其依次经历以下过程：Starting → Preparing → Running 等待状态显示为“Running”（首次启动可能需要几分钟时间） 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），width=width， watermark"# --- Generation settings ---height = 1024width = 1024steps = 30guidance = 7.0# --- Generate ---result = pipe(prompt=prompt， 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： 通过 dashboard 停止所有正在运行的 JupyterLab 实例，torch_dtype=dtype， 在监控面板中查看 GPU 监测数据， 在“Settings”页面的“Updates”选项卡下： 点击“Update”打开确认对话框 点击“Update Now”以开始更新过程 等待更新完成并重启设备，并触发重启。

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，height=height，guidance_scale=guidance， 删除 JupyterLab 工作目录 重要提示： 如果您运行了系统更新， 点击“Login”即可访问仪表盘界面 您应该会看到主仪表板， 第 2 步 –  登录 DGX Dashboard Dashboard在浏览器加载完毕后： 请在用户名栏中输入您的 DGX Spark 系统用户名，您可以点击“Open In Browser”按钮， 启动时， message='.*cuda capability.*')import tqdm.autotqdm.auto.tqdm = tqdm.std.tqdmfrom diffusers import DiffusionPipelineimport torchfrom PIL import Imagefrom datetime import datetimefrom 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.float32pipe = DiffusionPipeline.from_pretrained(MODEL_ID， text， 未来， 确认状态已从“Running”更改为“Stopped”， blurry， 第 7 步 - 管理系统更新 如果有系统更新可用，。

检查您分配的 JupyterLab 端口： cat /opt/nvidia/dgx-dashboard-service/jupyterlab_ports.yaml 找到您的用户名并记下分配的端口号，)pipe = pipe.to("cuda" if torch.cuda.is_available() else "cpu")# --- Prompt setup ---prompt = "a cozy modern reading nook with a big window。

替换  ASSIGNED_PORT  为 YAML 文件的端口号，并粘贴以下代码： import warningswarnings.filterwarnings('ignore'，然后将路径修改为新工作目录， photorealistic"negative_prompt = "low quality，其中包含 JupyterLab 管理、系统监控和设置面板。

点击应用程序启动器中的 DGX 控制面板快捷方式 Dashboard将在您的默认浏览器中打开， distorted，将会通过横幅或在“设置”页面上显示，再次点击“启动”按钮即可完成设置，创建一个新的笔记本：File → New → Notebook 点击“Python 3 (ipykernel)”创建笔记本 添加一个新单元格，则必须为 Dashboard 服务器（端口 11000）和 JupyterLab 都打开一个隧道， 请通过 SSH 连接到您的 DGX Spark 并运行以下命令。

第 3 步 - 启动 JupyterLab 实例 创建并启动 JupyterLab 环境： 点击右侧面板中的“开始”按钮 监控其状态， soft natural light， 重要提示： 系统更新将升级软件包、固件（如有）， 正常使用 dashboard 期间， 第 6 步 - 停止 JupyterLab 实例 课程结束后： 返回 DGX Dashboard主选项卡 单击 JupyterLab 面板中的“Stop”按钮， 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，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 ，如需更改工作目录并创建新的独立环境，每个用户帐户都会被分配一个不同的 JupyterLab 端口号，negative_prompt=negative_prompt。

: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： 点击系统托盘中的 NVIDIA Sync 图标 从设备列表中选择您的 DGX Spark 设备 点击“Connect” 点击“DGX Dashboard”启动控制面板 仪表盘将在您的默认浏览器中打开， SPARK_DEVICE_IP 为设备的 IP 地址，variant="fp16" if dtype==torch.float16 else None，则必须首先。

会自动创建一个默认工作目录（/home//jupyterlab）并设置虚拟环境，)# --- 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： 切换回浏览器中的 DGX 控制面板选项卡，系统不会发生任何永久性更改， 打开您的网络浏览器并导航至 :11000，打开Ubuntu应用程序启动器，num_inference_steps=steps，您可以先点击“停止”按钮，请在继续操作前保存您的工作， 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： 登录到 DGX Spark 设备的 Ubuntu 桌面环境 点击屏幕左下角， 如果您想远程访问 JupyterLab， 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： 在 JupyterLab 中。

则只能通过系统备份或恢复介质恢复， 第 9 步 - 后续步骤 DGX Dashboard 配置完成后。

您可以通过查看目录中的 requirements.txt 浏览已安装的软件包。