AUP Learning Cloud 云算力
AUP Learning Cloud 目前处于内测阶段，开放范围、硬件配置、会话时长、存储空间与积分规则都可能调整。本文用于帮助你认识和快速上手平台，实际可用资源请以登录后的页面与官方通知为准。
AUP Learning Cloud 是 AMD Research 开源的 AI 学习云平台。它把运行在 AMD 硬件上的 JupyterHub、Code Server 与课程环境放到浏览器中，让没有本地 AMD 设备的学习者也能体验 ROCm、HIP、深度学习和物理仿真实验。
平台有什么不同
AUP Learning Cloud 的主要算力来自 Ryzen™ AI APU。CPU、集成 GPU（iGPU）与 NPU 位于同一颗芯片中，比独立显卡云主机更接近 AMD AI PC 的端侧异构计算环境。
参考环境包括以下两类设备，具体可用机型以平台资源选择页为准：
| 设备 | CPU | GPU（iGPU） | NPU |
|---|---|---|---|
| Ryzen™ AI Max+ 395（Strix Halo） | Zen 5，16 核 | Radeon™ 8060S，RDNA 3.5 | XDNA™ 2，约 50 TOPS |
| Ryzen™ AI 9 HX 370（Strix Point） | Zen 5，12 核 | Radeon™ 890M，RDNA 3.5 | XDNA™ 2，约 50 TOPS |
其中，CPU 适合编译、数据预处理与常规计算；GPU 可通过 ROCm 加速 PyTorch 等工作负载；NPU 面向低功耗端侧推理。平台还提供计算机视觉、深度学习、大语言模型、HIP 编程与物理仿真等课程或开发镜像。
AUP Learning Cloud 与 Radeon Cloud
两者都是免去本地环境配置的 AMD 云端开发入口，但硬件定位和使用方式不同：
| 对比项 | AUP Learning Cloud | AMD Radeon Cloud |
|---|---|---|
| 主要定位 | 教学实验与端侧异构计算体验 | 通用 ROCm 开发与独立 GPU 算力 |
| 典型硬件 | Ryzen AI APU，集成 CPU / GPU / NPU | Radeon PRO W7900D 等专业独立 GPU |
| 开发入口 | JupyterHub、Jupyter Notebook、Code Server | 技术模板与云端工作区 |
| 适合任务 | 课程练习、HIP/ROCm 验证、端侧推理、小规模实验 | 大模型部署与微调、算子优化、计算量更大的训练任务 |
如果你想体验 Ryzen AI 平台上的端侧 GPU/NPU，优先选择 AUP Learning Cloud；如果任务更依赖显存容量或长时间独立 GPU 计算，可以进一步了解 AMD Radeon Cloud 指南。
快速开始
1. 登录平台
打开 tpe.aupcloud.io，选择以下任一方式登录：
- GitHub 登录：点击 Sign in with GitHub 完成授权；
- 本地账户：使用管理员提供的用户名和密码，首次登录时按提示修改密码。
能否直接进入资源选择页取决于当前内测开放范围与账号权限。
2. 选择工作环境
根据任务选择入口：
- Jupyter Notebook：适合跟随课程、运行 Notebook 和快速验证代码；
- Code Server GPU Environment：适合克隆完整项目、使用终端、调试 Python 或 HIP 程序；
- Code Server CPU Environment：适合阅读代码、数据处理和不需要 GPU 的开发任务。
选择镜像与硬件后，设置运行时长并启动服务器。GPU 资源通常消耗更多积分，不需要 GPU 时应优先选择 CPU 环境。
3. 验证 ROCm 与 PyTorch
进入 GPU 环境后，在终端执行：
rocm-smi
python - <<'PY'
import torch
print("PyTorch:", torch.__version__)
print("HIP:", torch.version.hip)
print("GPU available:", torch.cuda.is_available())
if torch.cuda.is_available():
print("Device:", torch.cuda.get_device_name(0))
PY
ROCm 版本的 PyTorch 仍使用 torch.cuda 接口判断和调用 GPU，这是兼容接口的正常行为。
4. 保存项目文件
参考平台当前规则，每位用户默认拥有 20 GB 持久化空间。镜像的默认工作目录可能随会话重置，重要代码、Notebook 和实验结果应在会话结束前保存到 /home/jovyan：
cd /home/jovyan
git clone https://github.com/datawhalechina/dive-into-embodied-ai.git
5. 正确停止服务器
实验完成后不要只关闭浏览器标签页。进入 File → Hub Control Panel，点击 Stop My Server 释放资源；使用 Code Server 时，也可以先通过左下角的 JupyterHub 入口返回控制面板。
用于具身智能学习
AUP Learning Cloud 适合先完成环境验证和小规模实验，再决定是否迁移到本地工作站或独立 GPU 云平台：
- 在 GPU 环境中确认 ROCm、PyTorch 与设备均可见；
- 运行物理仿真或机器人学习项目的最小示例；
- 记录软件版本、设备名称、运行时间和显存占用；
- 再尝试 AMD 专区的 Pupper Locomotion 或 Pupper VLA 项目。
平台当前参考规则中，单次容器默认运行时长为 20 分钟，且按“运行分钟数 × 硬件倍率”消耗积分。因此它更适合环境验证、推理和短实验；完整强化学习训练应先确认可申请的会话时长与额度。
常见问题
为什么已经启动一个环境，却无法切换到另一个？ 先在 Hub 控制面板停止当前服务器，再选择新镜像。
会话结束后文件不见了怎么办？ 只有持久化目录中的文件会被保留。请把重要内容复制到 /home/jovyan，并在结束前确认文件已经写入。
Code Server 适合做什么？ 它提供接近桌面版 VS Code 的编辑、终端、调试、扩展与端口转发体验，适合开发完整项目；一次性的 Notebook 实验则使用 JupyterHub 更直接。