示例与脚本
从项目根目录提交；先执行 mkdir -p logs。详细流程见 快速上手。
| 文件 | 作用 | 依赖 |
|---|---|---|
hello_hpc.py | 查看节点、作业号、CPU，保存一个小结果 | Python 标准库 |
train_demo.py | 小型回归训练，验证环境、日志、指标与模型保存 | PyTorch |
gpu_check.py | 检查 PyTorch 是否可用 CUDA，做小型矩阵计算 | CUDA 版 PyTorch |
requirements.txt | CPU 演示所需依赖 | 按 环境章节 安装 |
| Slurm 脚本 | 默认申请 | 输出 |
|---|---|---|
debug_cpu.sbatch | debug，2 核 / 2 GB / 10 分钟 | outputs/hello-作业号/ |
train_cpu.sbatch | CPU，8 核 / 16 GB / 12 小时 | outputs/cpu-作业号/ |
train_gpu.sbatch | A40，8 核 / 16 GB / 1 GPU / 2 小时 | outputs/gpu-作业号/ |
train_array.sbatch | 15 项，每项 8 核 / 16 GB / 12 小时；默认并发 3 | outputs/array-主作业号/task-索引-.../ |
train_demo.py 默认 1000 步、CPU、种子 23，每 100 步记录一次训练 MSE。它不输出 reward/胜率，也不构成算法对比实验。无需消耗几小时来演示提交方式。
可传变量：PYTHON_BIN、STEPS；单 CPU/GPU 还支持 SEED、LR。解释器必须是完整路径，默认 CPU 环境为 $HOME/venvs/hpc-tutorial/bin/python，GPU 环境为 $HOME/venvs/hpc-tutorial-gpu/bin/python。
所有脚本采用 set -euo pipefail，失败不会打印完成标记。不同作业使用不同输出目录；重用同一目录会被 Python 示例拒绝，防止覆盖。
hello 中申请核数看 slurm_cpus_per_task；os_cpu_count 只是操作系统可见 CPU 数，不代表你获准使用那么多核。
已分配的计算节点：小规模验证。
cd "$HOME/hpc-tutorial"
"$HOME/venvs/hpc-tutorial/bin/python" examples/train_demo.py \
--steps 100 --seed 23 --device cpu --output outputs/manual-test-1示例保存：metadata.json（参数、Git、依赖、Slurm 信息）、metrics.csv（原始 MSE）、summary.json、checkpoint.pt。保存时使用 LF 换行，不依赖截图。