必须确认GPU驱动、CUDA环境、PyTorch/TensorFlow是否真正识别GPU；先运行nvidia-smi和nvcc --version验证，再检查torch.cuda.is_available()及CUDA版本匹配，最后确保VSCode调试路径、Python解释器和端口转发配置正确。
能用，但必须确认三件事：GPU驱动、CUDA环境、PyTorch/TensorFlow是否真正识别到GPU设备。光连上远程服务器不等于GPU就可用。
连接后第一件事：验证nvidia-smi和CUDA是否就绪
很多人卡在“VSCode连上了，但训练还是跑CPU”，根本原因就是没做这步检查。打开VSCode集成终端（Ctrl+Shift+`），直接执行：
nvidia-smi
如果报错或无输出，说明NVIDIA驱动未安装或未加载；如果显示GPU信息但nvcc --version失败，说明CUDA Toolkit缺失或PATH没配对。
- Ubuntu下常见修复方式：
echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc && source ~/.bashrc - 若
nvidia-smi显示驱动版本是535，但nvcc --version显示12.1，则CUDA版本匹配，可继续；若显示11.8则需重装对应cuDNN或降级PyTorch - 注意：AutoDL、CSDN算力等平台的预装镜像通常已配置好，但自定义镜像或手动部署的实例大概率需要你补全
/usr/local/cuda软链接
Python环境里torch.cuda.is_available()返回False怎么办
这是最典型的“看起来连上了，实际用不了GPU”的信号。不要直接重装PyTorch——先查清根源：
- 运行
python -c "import torch; print(torch.version.cuda)"，输出应为与nvcc --version一致的数字（如12.1）；若为空或报错，说明PyTorch不是CUDA编译版 - 检查当前Python环境是否被正确选中：VSCode右下角状态栏点击Python解释器路径，确认指向的是远程服务器上的
python（而非本地） - 推荐安装命令（以CUDA 12.1为例）：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 - 避免用conda install torch（尤其在AutoDL等非标准环境中），容易因channel源混用导致CUDA版本错位
调试时断点不生效或变量无法查看
远程调试失败往往不是VSCode问题，而是路径映射或权限配置偏差：
- 确保
launch.json中"justMyCode": true且"cwd"设为项目根目录（如"${workspaceFolder}"） - 如果代码在
/home/user/project，但VSCode打开的是/project（符号链接或挂载路径），调试器会找不到源码文件 - 使用
source .venv/bin/activate激活虚拟环境后，再启动调试；否则python可能调用系统默认解释器，导致依赖缺失 - TensorBoard日志路径务必写绝对路径（如
--log-dir /home/user/project/logs），否则端口转发后本地浏览器打不开
最容易被忽略的一点：很多云平台（如AutoDL、星图GPU）默认关闭了AllowTcpForwarding，导致ssh -L端口转发失败——这意味着你即使配好了TensorBoard，localhost:6006也访问不到远程日志。解决方法是让平台客服开通该选项，或改用cloudflared隧道替代传统SSH端口映射。
