LeRobot入门教程 05：远程开发工具

目录：00_LeRobot入门教程_目录.md

1. 远程使用 Jupyter

Jupyter Notebook 适合交互式实验：写一段代码，马上看结果。

远程服务器上的 Jupyter 通常有两种用法。

方法一：平台自带网页入口

Autodl平台会直接给一个 JupyterLab 链接。你只需要在本地浏览器打开即可。

方法二：SSH 端口转发

如果服务器上已经运行：

jupyter lab --no-browser --port=8888

你可以在本地新开一个终端，执行端口转发：

ssh -N -L 8888:localhost:8888 -p 端口号 用户名@服务器地址

然后在本地浏览器访问：

http://localhost:8888

这条命令的意思是：把服务器上的 8888 端口映射到本地电脑的 8888 端口。

Jupyter 实用快捷键

• Shift + Enter：运行当前格子并进入下一格。
• Esc：进入命令模式。
• Enter：进入编辑模式。
• 命令模式下按 A：在上方新建格子。
• 命令模式下按 B：在下方新建格子。
• 命令模式下按 DD：删除当前格子。
• Ctrl + C：中断正在运行的 Python 格子。

2. 在 VS Code 中连接 SSH

VS Code 不只是一个写代码的编辑器。安装 Remote - SSH 扩展后，它可以登录远程服务器，并把远程目录当作本地项目来编辑。

它的体验大概是：

本地电脑运行 VS Code 界面
        │
        │ Remote - SSH
        ▼
服务器上运行 VS Code Server、Python、Jupyter 和训练代码

也就是说，代码在服务器上运行，但编辑器界面还在你的本地电脑上。

2.1 安装必要软件

在本地电脑上完成下面两件事：

1. 安装 Visual Studio Code。
2. 打开 VS Code，进入左侧 Extensions / 扩展，搜索并安装：
   • Remote - SSH
   • Python
   • Jupyter

安装 Remote - SSH 后，VS Code 左下角通常会出现一个类似 >< 的小图标。

2.2 方法一：直接连接

1. 在本地 VS Code 中按：

   • Windows / Linux：Ctrl + Shift + P
   • macOS：Cmd + Shift + P

2. 输入并选择：

   Remote-SSH: Connect to Host...
   

3. 如果列表里没有服务器，选择 Add New SSH Host。

4. 输入完整 SSH 命令：

   ssh -p 32655 root@connect.westb.seetacloud.com
   

5. 选择保存 SSH 配置的位置。Windows/macOS/Linux 通常可以选择用户目录下的 .ssh/config。

6. 再次执行 Remote-SSH: Connect to Host...，选择刚才添加的主机。

7. 如果询问服务器类型，通常选择 Linux。

8. 输入服务器密码。首次连接时 VS Code 会在服务器上安装 VS Code Server，可能需要等待一会儿。

2.3 方法二：先写 SSH 配置文件

更推荐给服务器起一个短名字。打开本地配置文件：

• Windows：C:\Users\你的用户名\.ssh\config
• macOS / Linux：~/.ssh/config

写入：

Host my-gpu-server
    HostName connect.westb.seetacloud.com
    Port 32655
    User root

保存后，在 VS Code 中选择：

Remote-SSH: Connect to Host...

然后点击 my-gpu-server。

这以后也可以在本地终端直接使用：

ssh my-gpu-server

2.4 连接成功后做什么

连接成功后，VS Code 窗口左下角通常会显示类似：

SSH: my-gpu-server

接着可以：

1. 选择 File → Open Folder；

2. 输入服务器上的项目目录，例如：

   /autodl-fs/data
   

3. 点击 OK / Trust；

4. 打开任意分册 notebook（例如 01_服务器与SSH.ipynb）或其他代码文件。

VS Code 内置终端也运行在服务器上。可以用快捷键打开：

• Windows / Linux：Ctrl + `
• macOS：Cmd + `

在这个终端里执行 pwd，如果看到服务器路径，例如 /root/autodl-fs/data，说明终端确实在远程服务器上。

2.5 常见提示和问题

2.6 一个小提醒

• VS Code 的扩展分“本地安装”和“远程安装”。Python、Jupyter 这类用来运行远程代码的扩展，通常需要在远程服务器上也安装。
• 如果只是修改文本，Remote - SSH 已经足够；如果要运行 Notebook 和调试 Python，建议远程安装 Python 和 Jupyter 扩展。
• 密码仍然不要写进配置文件或代码里。

3. 长时间任务：tmux

SSH 连接断开时，直接在终端里运行的命令可能会跟着终止。长时间训练、下载大模型、跑评测时，推荐使用 tmux。

tmux 是什么？

tmux 是一个 terminal multiplexer，中文常叫“终端复用器”。它的作用是在服务器上创建一个可以脱离 SSH 连接继续存在的终端会话。

可以把它想象成：

SSH 连接 = 你和服务器之间的一根网线
tmux 会话 = 服务器上的一个工作台
断开 SSH = 把显示器拔掉，但工作台还在运行
重新连接 = 再把显示器接回去

所以，只要服务器没有关机或重启，你在 tmux 里启动的训练可以继续运行。

安装和确认

在服务器终端执行：

tmux -V

如果提示没有安装，可以按系统安装：

# Ubuntu / Debian
apt update
apt install -y tmux

# CentOS / RHEL，较新系统常用 dnf
dnf install -y tmux

# CentOS / RHEL，较旧系统可能是 yum
yum install -y tmux

最小使用流程

1. 新建一个命名会话

tmux new -s train

-s train 的意思是给这个 tmux 会话起名字 train。强烈建议给每个实验起不同名字，例如 exp001_baseline、exp002_lora。

2. 在 tmux 里运行任务

进入 tmux 后，窗口左下角通常会显示会话名和窗口编号。这时可以运行：

python train.py 2>&1 | tee train.log

2>&1 | tee train.log 表示把正常输出和错误输出同时显示到屏幕，并保存到 train.log。

3. 脱离会话

先按：

Ctrl + b

松开这两个键，再单独按：

d

这叫 detach / 脱离。你会回到普通终端，但 tmux 会话仍在服务器后台运行。

注意：先按 Ctrl + b 并松开，再按 d，不要一直同时按住所有键。

4. 查看现有 tmux 会话

tmux ls

输出可能类似：

train: 1 windows (created Mon Oct 28 21:00:00 2026)
exp001: 2 windows (created Mon Oct 28 20:00:00 2026)

5. 重新进入会话

tmux attach -t train

-t train 表示目标会话名。重新连接 SSH 后，再执行这条命令，就能回到原来的工作现场。

如果提示已经有另一个客户端连接在同一个会话里，可以使用：

tmux attach -t train -d

-d 会把之前的连接脱离，让你接管这个会话。

6. 结束任务或会话

如果只是停止训练，在 tmux 里按 Ctrl + C。

如果要退出当前 shell 并关闭 tmux 会话，可以在会话里输入：

exit

也可以在 tmux 外面按名字结束：

tmux kill-session -t train

注意：tmux kill-session 不会像普通删除文件那样进回收站。结束会话前，先确认里面没有重要任务在运行。

理解 tmux 前缀键

tmux 的很多快捷键都以 prefix key 开头，默认前缀是：

Ctrl + b

用法是：

1. 按下 Ctrl + b；
2. 松开；
3. 再按后面的命令键。

例如脱离会话是：

Ctrl + b，然后 d

窗口操作

一个 tmux 会话里可以有多个窗口。窗口类似浏览器标签页。

也可以直接用命令新建一个已命名窗口：

tmux new-window -t train -n monitor

这会在 train 会话里新建一个叫 monitor 的窗口，可以用来运行 nvidia-smi、watch df -h 或查看日志。

面板操作

一个窗口还可以拆分成多个面板。面板适合一边训练、一边看日志、一边看 GPU。

一个常用布局是：

+----------------------+----------------------+
|                      |                      |
|  python train.py     |  tail -f train.log   |
|                      |                      |
+----------------------+----------------------+
|         nvidia-smi / watch df -h            |
+---------------------------------------------+

滚动查看历史输出

终端里的历史输出可能超出屏幕。在 tmux 中进入滚动模式：

Ctrl + b，然后 [

然后用方向键、Page Up、Page Down 查看历史输出。查看完按：

q

退出滚动模式。

开启鼠标模式

如果不想背太多快捷键，可以开启 tmux 鼠标模式：

tmux set -g mouse on

开启后可以：

• 用鼠标点击切换面板；
• 用鼠标拖动边界调整面板大小；
• 用滚轮查看历史输出；
• 用鼠标选择窗口。

想让设置长期生效，可以写入 ~/.tmux.conf：

set -g mouse on

修改配置后，可以重新加载：

tmux source-file ~/.tmux.conf

推荐后台启动方式

如果你已经确认命令可用，也可以直接创建一个后台 tmux 会话：

tmux new -d -s exp001 -c /root/autodl-tmp/project "python train.py 2>&1 | tee train.log"

参数含义：

• -d：创建后不立即进入会话；
• -s exp001：会话名；
• -c /root/autodl-tmp/project：启动目录；
• 引号里的是要运行的命令。

然后查看：

tmux ls
tmux attach -t exp001

tmux 常见问题

更稳妥的习惯

• 把训练日志写入文件，例如 python train.py 2>&1 | tee train.log。
• 定期保存模型检查点。
• 使用小规模数据先试跑，再放大训练。
• 不要只依赖终端输出。
• tmux 只能防止 SSH 断开导致任务中断，不能防止服务器关机、实例释放或硬件故障。重要结果要定期保存到数据盘或文件存储。

4. 本地和服务器之间传文件

用 scp 上传文件

在本地电脑的终端里执行：

scp -P 端口号 本地文件 用户名@服务器地址:/目标目录/

例如：

scp -P 32655 ./train.py root@connect.westb.seetacloud.com:/root/autodl-tmp/project/

用 scp 下载文件

scp -P 端口号 用户名@服务器地址:/远程文件 本地目录/

例如：

scp -P 32655 root@connect.westb.seetacloud.com:/root/autodl-tmp/result.zip ./

注意：ssh 的端口参数是小写 -p，scp 的端口参数是大写 -P。

对于文件夹，可以加 -r：

scp -r -P 端口号 ./local_folder 用户名@服务器地址:/root/autodl-tmp/

很多平台也提供网页文件管理器、SFTP 工具或 VS Code Remote SSH，这些本质上都是帮你管理远程文件。

用 Jupyter 自带的文件界面可视化传输

Jupyter 本身就能上传和下载文件，适合初学者处理普通代码、图片、模型文件和中等大小的数据包。

上传到服务器

以 JupyterLab 为例：

1. 打开左侧边栏的 File Browser / 文件浏览器；

2. 进入想放文件的服务器目录，例如：

   /root/autodl-tmp
   /autodl-fs/data
   

3. 点击工具栏里的 Upload Files / 上传文件 图标；

4. 在本地电脑选择一个或多个文件；

5. 等待上传完成，文件会出现在当前目录。

如果你使用的是经典 Notebook 界面，通常是进入 Files 页后点击 Upload。

从服务器下载

在 JupyterLab 中：

1. 在 File Browser 中找到服务器上的文件；
2. 勾选文件；
3. 点击工具栏的 Download / 下载。

也可以右键文件，选择 Download。

使用建议

• 上传前先确认左侧 File Browser 显示的远程路径，避免传错目录。
• 大量小文件建议先打包成 .zip 或 .tar.gz，再通过 Jupyter 上传。
• 浏览器上传通常没有命令行那样可靠的断点续传；超大文件失败后可能要重新传。
• 如果文件特别大或网络不稳定，优先使用平台推荐的数据存储/上传方式，或命令行工具。

5. AutoDL 学术加速

在 AutoDL 服务器上，/etc/network_turbo 是平台提供的学术加速配置文件。它主要用来加速访问 GitHub、Hugging Face 这类学术资源。

可以把它理解成一段设置网络代理的环境变量脚本。执行后，当前终端里的一些网络请求会经过 AutoDL 提供的加速通道。

5.1 什么时候需要开启

下面情况可以尝试开启：

• git clone GitHub 仓库很慢或失败；
• 从 Hugging Face 下载模型、数据集很慢；
• 某些脚本需要访问 Hugging Face 的 API。

但要注意：AutoDL 的提示里明确说明，它仅限学术用途，主要加速 GitHub 和 Hugging Face，不承诺稳定性。开启后访问其他资源，例如普通 pip 源，反而可能变慢。

5.2 在终端中开启

先确认文件存在：

cat /etc/network_turbo

如果存在，会看到类似下面的内容：

export no_proxy=localhost,127.0.0.1,...
export http_proxy=http://... && export https_proxy=http://...
export REQUESTS_CA_BUNDLE=/etc/ssl/certs/ca-certificates.crt
export SSL_CERT_FILE=/etc/ssl/certs/ca-certificates.crt

开启方法是：

source /etc/network_turbo

source 的意思是：在当前终端里执行这个文件中的 export 命令，让环境变量立刻生效。

不要写成：

sh /etc/network_turbo

这样会启动一个新的子进程执行脚本，环境变量通常不会保留在你当前终端里。

开启后可以检查：

env | grep -i proxy

5.3 在当前终端关闭

如果开启后发现某个下载反而变慢，可以关闭当前终端中的代理变量：

unset http_proxy https_proxy REQUESTS_CA_BUNDLE SSL_CERT_FILE no_proxy

注意：这只影响当前终端会话。新开一个终端后，需要重新 source /etc/network_turbo 才会再次开启。

5.4 在 Jupyter Notebook 中开启

Jupyter 里的每一行 !command 通常运行在独立子进程中，所以这样写：

!source /etc/network_turbo

一般不会影响下一个格子里的 Python 环境。

如果想让当前 Notebook 的 Python 进程使用 AutoDL 学术加速，可以在 Code 格子里直接解析 /etc/network_turbo，并把环境变量设置到当前 Python 进程中。

5.5 长训练任务的建议

• 如果训练脚本需要从 GitHub 或 Hugging Face 下载文件，先在同一个终端里 source /etc/network_turbo，再启动训练。
• 如果训练在 tmux 里运行，进入该后台会话后再执行 source /etc/network_turbo。
• 如果下载已经完成，长训练阶段通常可以关闭代理，避免不必要的网络绕路。
• 不要把加速通道当成稳定的永久代理，重要数据集最好提前下载到本地数据盘。

# 查看服务器上是否存在 AutoDL 学术加速配置文件
# 如果存在，下面会打印其中的说明和环境变量

!if [ -f /etc/network_turbo ]; then echo "找到 /etc/network_turbo"; else echo "未找到 /etc/network_turbo"; fi
!if [ -f /etc/network_turbo ]; then sed -n '1,20p' /etc/network_turbo; fi

# 在当前 Jupyter Python 进程中开启 AutoDL 学术加速
# 这个格子的作用等价于在终端里执行 source /etc/network_turbo

import os
import re
from pathlib import Path

proxy_file = Path("/etc/network_turbo")

if not proxy_file.exists():
    raise FileNotFoundError("当前服务器没有 /etc/network_turbo，可能不是 AutoDL 实例或平台版本不同")

# /etc/network_turbo 中有些 export 写在同一行并用 && 连接，这里先拆开
text = proxy_file.read_text().replace("&&", "\n")

for line in text.splitlines():
    match = re.match(r"\s*export\s+([A-Za-z_][A-Za-z0-9_]*)=(.*)", line)
    if match:
        name, value = match.groups()
        value = value.strip().strip('"').strip("'")
        os.environ[name] = value

print("当前 Python 进程中的代理相关变量:")
for name in ["http_proxy", "https_proxy", "REQUESTS_CA_BUNDLE", "SSL_CERT_FILE", "no_proxy"]:
    print(f"{name} = {os.environ.get(name, '<未设置>')}")