使用指南
本页面详细介绍 LLM-Algo-LeetCode 的四种学习方式，帮助你选择最适合自己的学习路径。
🎓 四种学习方式对比
| 学习方式 | 环境 | GPU | 测试方式 | 适合人群 |
|---|---|---|---|---|
| 🌐 网页 + 云端 GPU （零配置，推荐） | 免费云端 (Colab/魔搭) | ✅ 免费GPU | Notebook 内置测试 | 零基础 / 无本地环境 |
| 💻 本地 + Jupyter Lab | 本地虚拟环境 | 可选 | Notebook 内置测试 | 喜欢交互式编程 |
| 🔧 本地 + VSCode + 脚本 | 本地虚拟环境 | 可选 | test_notebook_answers.py | 专业开发者 / 批量测试 |
| ☁️ 其他 GPU 平台 | Kaggle/Paperspace 等 | ✅ 云端GPU | Notebook 内置测试 | 需要更强算力 |
💡 快速选择：
- 🆕 零基础 / 无本地环境 → 使用方式 1（网页 + 云端 GPU），零配置开始学习
- 🏠 有本地环境 / 喜欢 Jupyter → 使用方式 2（本地 + Jupyter Lab）
- 👨💻 专业开发者 / 需要批量测试 → 使用方式 3（本地 + VSCode + 脚本）
- 🚀 需要更强算力 → 使用方式 4（其他 GPU 平台）
方式 1：网页 + 云端 GPU（零配置，推荐新手）
工作流程
- 沉浸式阅读与学习：在本网站查看题目描述、排版精美的数学公式和前置知识
- 一键跳转云端 IDE：点击题目顶部的 "Open In Colab" 或 "Open In ModelScope (魔搭)" 徽章
- 在云端填空并测试：浏览器会自动在免费的云端 GPU 环境中拉起对应的 Jupyter Notebook。你可以在
TODO处敲入代码，并运行下方的test_xxx()测试用例验证正确性 - 防剧透与查看答案：如果卡住，可以向下滚动穿过红色的
🛑 STOP HERE 🛑缓冲带查看参考答案 - 参与讨论：网页最底端接入了 GitHub Discussions 评论区，欢迎交流不同解法
优点
- ✅ 零环境配置（最大优势）
- ✅ 免费 GPU（Colab/魔搭提供）
- ✅ 随时随地学习（只需浏览器）
- ✅ 适合快速试错
缺点
- ❌ 需要网络连接
- ❌ 云端环境有时间限制
- ❌ 不适合版本控制
方式 2：本地 + Jupyter Lab
工作流程
bash
# 1. 克隆仓库
git clone https://github.com/datawhalechina/llm-algo-leetcode.git
cd llm-algo-leetcode
# 2. 创建虚拟环境
conda create -n llm_algo python=3.10 -y
conda activate llm_algo
# 3. 安装依赖
pip install -r requirements.txt
# 4. 启动 Jupyter Lab
jupyter lab在浏览器中打开 notebook，逐个 cell 运行，运行内置的 test_xxx() 函数验证。
优点
- ✅ 交互式编程体验
- ✅ 可视化输出（图表、表格）
- ✅ 可使用本地 GPU（如果有）
- ✅ 支持 Markdown 渲染
- ✅ 完全离线工作
缺点
- ❌ 需要配置本地环境
- ❌ 不适合批量测试
方式 3：本地 + VSCode + 脚本测试
工作流程
bash
# 1-3. 同方式 2（克隆仓库、创建环境、安装依赖）
# 4. 用 VSCode 编辑 .ipynb 文件
code 02_PyTorch_Algorithms/00_PyTorch_Warmup.ipynb
# 5. 运行测试脚本
python test_notebook_answers.py 02_PyTorch_Algorithms/00_PyTorch_Warmup.ipynb --mode both优点
- ✅ 完全离线工作
- ✅ 可使用本地 GPU（如果有）
- ✅ 版本控制友好（Git）
- ✅ 可批量测试
- ✅ 适合专业开发者
缺点
- ❌ 需要配置本地环境
- ❌ 学习曲线稍高
测试脚本说明
详细的测试脚本使用方法，请查看 贡献指南。
方式 4：其他 GPU 平台
支持的平台
- Kaggle Notebooks（免费 GPU）
- Paperspace Gradient（免费/付费）
- AWS SageMaker Studio Lab（免费）
- 阿里云 PAI-DSW（付费）
工作流程
- 在平台上创建 Notebook
- 从 GitHub 克隆仓库
- 打开 .ipynb 文件编辑
- 运行测试
优点
- ✅ 更强大的 GPU（部分平台）
- ✅ 更长的运行时间
- ✅ 企业级环境
缺点
- ❌ 部分平台需要付费
- ❌ 配置相对复杂
🔧 硬件要求说明
| 你的环境 | 可学内容 | 限制说明 |
|---|---|---|
| 无 GPU (CPU only) | • Chapter 0: 全部 • Chapter 1: 全部 • Chapter 2: 00-20 题 • Chapter 3: 无法学习 | 可完成约 70% 的内容，覆盖算法工程师核心考点 ⚠️ Chapter 2 的 21-25 题（显存优化、分布式）无法测试实际效果 |
| 有 NVIDIA GPU | • Chapter 0-3: 全部 | 100% 完整学习体验，额外覆盖： • 显存优化实战（Ch2: 21-25） • GPU 算子开发（Ch3: 全部） |
GPU 需求详细说明
- Chapter 0（前置知识）：全部可在 CPU 运行，Profiling 工具在 GPU 上效果更好但非必需
- Chapter 1（理论）：纯理论讨论，无需 GPU
- Chapter 2（算法实战）：大部分可在 CPU 运行，但以下题目强烈建议使用 GPU：
- 21 题（Gradient Checkpointing）：需要测量真实 CUDA 显存优化效果
- 22-25 题（量化、分布式训练）：性能测试需要 GPU 环境
- Chapter 3（CUDA/Triton）：必须使用 NVIDIA GPU（Compute Capability 7.0+）
推荐配置
- 学习算法原理：CPU 即可完成 70% 的内容
- 完整学习体验：建议使用 NVIDIA GPU（GTX 1060+ 或云端 GPU）
- GPU 环境配置：查看 Chapter 3 环境配置指南
📝 Jupyter Notebook 使用技巧
基础操作
执行单元格 (Cell)
- 方式一： 点击单元格，然后点击顶部工具栏的 ▶️ "Run" 按钮
- 方式二： 选中单元格后按
Shift + Enter（执行并跳到下一个单元格） - 方式三： 按
Ctrl + Enter（执行但停留在当前单元格）
执行所有单元格
- 点击顶部菜单栏：
Run→Run All Cells - 或点击工具栏的 ⏩ "Run All" 按钮
推荐的刷题流程
- 先执行第一个 cell（导入库）
- 按顺序阅读每个 Part 的说明
- 在 TODO 处填写你的代码
- 执行测试 cell 验证答案
常见问题
Q: 为什么会出现 name 'xxx' is not defined 错误？
- 原因： 没有按顺序执行前面的 cell，导致变量或函数未定义
- 解决： 点击
Run→Run All Cells重新执行整个 notebook
Q: 如何重置 notebook 状态？
- 点击
Kernel→Restart Kernel and Clear All Outputs - 然后重新按顺序执行所有 cell
Q: 修改代码后测试仍然失败？
- 确保修改后重新执行了该 cell（单元格左侧会显示执行序号）
- 如果修改了函数定义，需要重新执行定义该函数的 cell
快捷键速查
| 操作 | 快捷键 |
|---|---|
| 执行当前 cell 并跳到下一个 | Shift + Enter |
| 执行当前 cell 不跳转 | Ctrl + Enter |
| 在上方插入新 cell | A (命令模式) |
| 在下方插入新 cell | B (命令模式) |
| 删除当前 cell | D + D (命令模式) |
| 切换到命令模式 | Esc |
| 切换到编辑模式 | Enter |
| 保存 notebook | Ctrl + S |
🎯 选择建议总结
| 你的情况 | 推荐方式 | 原因 |
|---|---|---|
| 零基础 + 无本地环境 | 方式 1 | 零配置，免费 GPU |
| 有 Python 基础 + 无 GPU | 方式 2 | 本地开发体验更好 |
| 有本地 NVIDIA GPU | 方式 2 | 充分利用本地资源 |
| 需要批量测试/CI | 方式 3 | 脚本化测试 |
| 企业/研究用途 | 方式 4 | 更强算力 |
开始你的学习之旅吧！🚀