实验室多人共享GPU，最怕的就是抢卡、互相杀进程、任务跑一半被挤掉。搭一套简单的共享调度平台，能让有限的几张卡服务十几人，整体利用率提升一倍以上。本文给出从轻到重三种落地方案和避坑要点。
一、最低成本方案：Slurm调度
用Slurm做作业排队，是高校实验室最成熟的开源方案。学生提交训练任务后自动排队，卡空闲时自动调度，无需人肉协调。配合NVIDIA Docker做环境隔离，每人一个容器，互不污染依赖版本，彻底解决“我这能跑你那跑不了”的问题。Slurm还支持设置任务优先级，紧急项目可以插队。
二、按规模选方案
| 方案 | 上手难度 | 适合规模 |
|---|---|---|
| Slurm+Docker | 中等 | 10人以上、多卡 |
| Kubernetes | 较高 | 20人以上、需要弹性 |
| 简单排队脚本 | 低 | 3至5人小组 |
三、共享平台避坑要点
- 设置单用户单卡上限，防止一个人独占所有卡，其他人排队没盼头。
- 配置磁盘配额，防止数据集和日志把共享存储写满，导致全组任务崩溃。
- 训练日志统一收集到共享目录，便于复盘失败任务，也方便新同学接手。
- 制定简单使用规范，比如任务必须在后台跑、不许在登录节点编译。
- 定期备份环境镜像，避免系统升级后所有容器失效。
当实验室自有算力不够用、又不想一次性采购新卡时，可以把突发任务溢出到云上，学生通过同一调度入口访问。弹性GPU资源可参考云GPU租用，与本地Slurm节点混合编排，高峰期不排队、低谷期不浪费。
落地预算上，一台8卡服务器的采购加机房改造动辄二三十万元，而用云GPU按卡时付费，同样的吞吐一年支出可能只有一半，还省去了专职运维。对经费紧张的新课题组，建议先以云算力运行一年，摸清真实需求后再决定是否自购，避免一次性押错规格。
常见问题
问：共享平台需要专职运维吗？答：三人以下小组可由轮流值班的博士生兼职维护，核心是写好部署文档和开机自检脚本，让任何人都能在半小时内恢复服务。
