DGX Spark 中文社区

Playbook

DGX Dashboard

- [概述](#overview)

统一模板Markdown 驱动/dgx-dashboard

DGX Dashboard

监控你的 DGX 系统并启动 JupyterLab

目录

概述

基本思路

DGX Dashboard 是一个运行在 DGX Spark 设备本地的 Web 应用，提供系统更新、资源监控以及集成式 JupyterLab 环境的图形界面。用户既可以通过应用启动器在本地访问仪表板，也可以通过 NVIDIA Sync 或 SSH 隧道远程访问。对于远程使用场景来说，仪表板是更新系统包和固件最简单的方式。

你将完成的内容

你将学习如何在 DGX Spark 设备上访问并使用 DGX Dashboard。完成本指南后，你将能够启动带有预配置 Python 环境的 JupyterLab 实例、监控 GPU 性能、管理系统更新，并运行一个使用 Stable Diffusion 的示例 AI 工作负载。你还将了解多种访问方式，包括桌面快捷方式、NVIDIA Sync 和手动 SSH 隧道。

开始前需要了解

  • 用于 SSH 连接和端口转发的基础终端操作
  • 对 Python 环境和 Jupyter notebook 的基本理解

前置条件

硬件要求：

  • NVIDIA Grace Blackwell GB10 超级芯片系统

软件要求：

  • NVIDIA DGX 操作系统
  • 已安装 NVIDIA Sync（远程访问方式）或已配置 SSH 客户端

相关文件

  • 用于 SDXL 的 Python 代码片段可在 GitHub 上获取

时间与风险

  • 耗时： 完整走完流程并运行示例 AI 工作负载约需 15-30 分钟
  • 风险等级： 低 - 主要是 Web 界面操作，对系统影响很小
  • 回滚： 可通过仪表板界面停止 JupyterLab 实例；正常使用过程中不会对系统造成永久更改。
  • 最后更新： 11/21/2025
    • 文案小幅修订

操作步骤

第 1 步：访问 DGX Dashboard

选择以下任一方式访问 DGX Dashboard Web 界面：

选项 A：桌面快捷方式（本地访问）

如果你可以直接访问 DGX Spark 设备本地桌面：

  1. 登录 DGX Spark 设备上的 Ubuntu Desktop 环境
  2. 点击屏幕左下角打开 Ubuntu 应用启动器
  3. 在应用启动器中点击 DGX Dashboard 快捷方式
  4. 仪表板会在默认浏览器中通过 http://localhost:11000 打开

选项 B：NVIDIA Sync（推荐用于远程访问）

如果你的本地机器已安装 NVIDIA Sync：

  1. 点击系统托盘中的 NVIDIA Sync 图标
  2. 在设备列表中选择你的 DGX Spark 设备
  3. 点击 "Connect"
  4. 点击 "DGX Dashboard" 启动仪表板
  5. 仪表板会通过自动建立的 SSH 隧道，在默认浏览器中以 http://localhost:11000 打开

还没有 NVIDIA Sync？在这里安装

选项 C：手动 SSH 隧道

如果希望在不使用 NVIDIA Sync 的情况下远程访问，你需要先手动配置 SSH 隧道。

你必须为 Dashboard 服务（端口 11000）建立隧道；如果希望远程访问 JupyterLab，还需要为其建立隧道。每个用户账号分配到的 JupyterLab 端口号都不同。

  1. 先 SSH 登录到 DGX Spark，并运行以下命令查看分配给你的 JupyterLab 端口：
cat /opt/nvidia/dgx-dashboard-service/jupyterlab_ports.yaml
  1. 找到你的用户名，并记下对应的端口号。
  2. 创建一个同时包含两个端口的新 SSH 隧道：
ssh -L 11000:localhost:11000 -L `ASSIGNED_PORT`:localhost:`ASSIGNED_PORT` `USERNAME`@`SPARK_DEVICE_IP`

将 USERNAME 替换为你的 DGX Spark 用户名，将 SPARK_DEVICE_IP 替换为设备 IP 地址。

再将 ASSIGNED_PORT 替换为 YAML 文件中的端口号。

然后打开浏览器并访问 http://localhost:11000。

第 2 步：登录 DGX Dashboard

浏览器中加载出仪表板后：

  1. 在用户名输入框中输入你的 DGX Spark 系统用户名
  2. 在密码输入框中输入系统密码
  3. 点击 "Login" 进入仪表板界面

你应当会看到主仪表板，其中包含 JupyterLab 管理、系统监控和设置等面板。

第 3 步：启动 JupyterLab 实例

创建并启动一个 JupyterLab 环境：

  1. 点击右侧面板中的 "Start" 按钮
  2. 观察状态在以下阶段间切换：Starting → Preparing → Running
  3. 等待状态显示为 "Running"（首次启动可能需要几分钟）
  4. 如果状态变为 "Running" 后，JupyterLab 没有自动在浏览器中打开（例如弹窗被拦截），可以点击 "Open In Browser" 按钮

启动时，系统会自动创建默认工作目录（/home/USERNAME/jupyterlab），并自动设置虚拟环境。你可以通过查看工作目录中生成的 requirements.txt 文件来了解已安装的软件包。

后续如果你想更换工作目录并创建新的隔离环境，可以先点击 "Stop"，修改新的工作目录路径，再次点击 "Start"。

第 4 步：用示例 AI 工作负载进行测试

运行一个简单的 Stable Diffusion XL 图像生成示例，验证环境是否正常：

  1. 在 JupyterLab 中创建新 notebook：File → New → Notebook
  2. 点击 "Python 3 (ipykernel)" 创建 notebook
  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")
  1. 运行该单元格（Shift+Enter 或点击 Run 按钮）
  2. notebook 会下载模型并生成图像（首次运行可能需要几分钟）

第 5 步：监控 GPU 利用率

图像生成运行期间：

  1. 切回浏览器中的 DGX Dashboard 标签页
  2. 在监控面板中查看 GPU 遥测数据

第 6 步：停止 JupyterLab 实例

会话结束后：

  1. 返回主 DGX Dashboard 标签页
  2. 点击 JupyterLab 面板中的 "Stop" 按钮
  3. 确认状态从 "Running" 变为 "Stopped"

第 6 步：管理系统更新

如果有系统更新可用，界面横幅或 Settings 页面中会有提示。

在 Settings 页面下的 "Updates" 选项卡中：

  1. 点击 "Update" 打开确认对话框
  2. 点击 "Update Now" 开始更新流程
  3. 等待更新完成并让设备重启

[！警告]
系统更新会升级软件包、固件（如有）并触发重启。继续前请先保存你的工作。

第 7 步：清理与回滚

若要清理资源并将系统恢复到原始状态：

  1. 通过仪表板停止所有正在运行的 JupyterLab 实例
  2. 删除 JupyterLab 工作目录

[！警告]
如果你执行过系统更新，唯一的回滚方式是从系统备份或恢复介质进行恢复。

在正常使用仪表板的过程中，不会对系统造成永久性更改。

第 8 步：后续操作

完成 DGX Dashboard 配置后，你可以：

  • 为不同项目创建额外的 JupyterLab 环境
  • 使用仪表板管理系统维护和更新

故障排查

现象原因解决方法
用户无法运行更新用户不在 sudo 组中将用户加入 sudo 组：sudo usermod -aG sudo USERNAME；然后运行 newgrp docker`
JupyterLab 无法启动当前虚拟环境存在问题在 JupyterLab 面板中更改工作目录并启动新实例
SSH 隧道连接被拒绝IP 或端口不正确验证 Spark 设备 IP，并确认 SSH 服务正在运行
监控中看不到 GPU驱动问题使用 nvidia-smi 检查 GPU 状态

最新已知问题请参阅 DGX Spark User Guide。