# XGBoost Training on Cloud GPUs - 发布方：Sebastian Raschka；作者：Sebastian Raschka - 形式：文章 · en - 原始资源：[https://sebastianraschka.com/blog/2023/xgboost-gpu.html]() - 本站页面：[https://oplearnx.com/resources/res\_r7pd98e9rvq4]() - 学习主题：数据科学；数据科学 / 数据工程与分析工作流；人工智能 / 机器学习 - 内容状态：状态待核验 - 原始发布时间：2023-01-15 15:00 - 本站首次收录：2026-10-26 00:06 ## 能学到什么 学会用 Lightning 框架把本地 XGBoost 训练脚本迁移到云 GPU 上运行，并取回产出的模型文件。 - 用 scikit-learn 内置数据集写出一个可本地运行的 XGBoost 分类训练脚本 - 通过 tree\_method='gpu\_hist' 参数启用 XGBoost 的 GPU 训练路径 - 封装 LightningWork 与 LightningApp，把训练代码提交到云端 GPU 执行 - 使用 lightning run app 的 --setup 与 --cloud 参数在云端安装依赖并运行应用 - 在浏览器界面查看结果并从 Artifacts 菜单下载训练好的模型文件 - 把该模板迁移到其他 scikit-learn、PyTorch 或 TensorFlow 代码的云端运行 ## 适合我吗 - 适合：想快速在云端 GPU 跑一次 XGBoost 或深度学习训练、不想自己配置云基础设施的学习者。 - 需要留意：想系统学习 XGBoost 算法原理或 Lightning 框架完整体系的人，本文只是简短示例。 ## 前置条件与费用 - 知识前置：能读懂 Python 代码，了解 scikit-learn 的基本用法（数据加载、训练/测试划分、模型 fit/predict）即可。 - 软件、账号与硬件：本地安装 Python 与 pip；运行云端部分需要自备 Lightning AI 账号，文中给出 GPU 规格与消耗价目表链接（https://lightning.ai/pricing/consumption-rates），未列具体价格，实际使用可能产生费用。 - 内容费用：免费：节选可直接读到文章正文、完整代码与运行命令，无付费墙或登录拦截。 - 实践费用：实践可能产生费用：按文中的 --cloud 方式在 "gpu-fast"（映射为 V100）上运行，文章指向 Lightning AI 消耗价目表，节选未写明具体费用，可能产生 GPU 计算费用。 - 转载与修改：按材料分别核对，见本页“来源核验与开课实跑”；仓库许可不自动适用于教材或视频。 ## 准备工具 - Python 3 \+ pip：运行训练脚本与安装依赖 - xgboost、scikit-learn、joblib：本地训练与模型保存 - lightning：封装并提交代码到云端 GPU - [Lightning AI 账号]()：云端运行与取回 Artifacts ## 学习指南 开课检查：提示词由本站整理，尚未按提示词实际完成开课检查。 ### 开课提示词（Windows） ```text 请帮我把「XGBoost Training on Cloud GPUs」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。 开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口：https://sebastianraschka.com/blog/2023/xgboost-gpu.html 我的系统：Windows。如果实际不符，先调整方案。 本次路线：Windows：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。 练习：文章自带可复现的练习：先用 digits 数据集跑通本地版本，再改成云端 GPU 运行；可进一步把 run_classifier 换成自己的 scikit-learn 或 PyTorch 训练代码。 课节（官方顺序）： 1. XGBoost Training on Cloud GPUs（全文）：https://sebastianraschka.com/blog/2023/xgboost-gpu.html 2. 文中示例代码仓库（xgboost-lightning-gpu）：https://github.com/rasbt/machine-learning-notes/tree/main/cloud-resources/xgboost-lightning-gpu 3. Lightning AI 官方文档：https://lightning.ai/docs/stable/ 4. Lightning AI 消耗价目表：https://lightning.ai/pricing/consumption-rates 1. 环境 - Python 3 - pip install xgboost scikit-learn joblib - pip install lightning - Lightning AI 账号（云端运行） - 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。 2. 材料 - 官方课程页面：只记录链接 https://sebastianraschka.com/blog/2023/xgboost-gpu.html 3. 目录（最外层放在我确认的位置） xgboost-cloud-gpu-lightning/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课：读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.ps1 # 环境自检，按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹：notes.md + exercises/ ├── 01-01-xgboost-training-on-cloud-gpus/ ├── 02-02-xgboost-lightning-gpu/ ├── 03-03-lightning-ai/ └── 04-04-lightning-ai/ - 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。 - 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.ps1，逐项检查并记录“通过/未通过”： - 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。将下面检查转换为 PowerShell 命令，不使用 Bash 语法。 - python my_xgboost_classifier.py → 终端输出 Accuracy 百分比，并生成 my_model.joblib - lightning run app xgboost-cloud-gpu.py --setup → 应用本地启动并完成训练，无导入或依赖错误 - 打开 Lightning AI 界面的 Artifacts 菜单 → 能看到并可下载 my_model.joblib - 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次，把结果给我看；未通过的项目说明原因和修复办法。 5. 学习计划 - README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。 - progress.md：每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。 ``` ### 开课提示词（macOS） ```text 请帮我把「XGBoost Training on Cloud GPUs」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。 开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口：https://sebastianraschka.com/blog/2023/xgboost-gpu.html 我的系统：macOS。如果实际不符，先调整方案。 本次路线：macOS：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。 练习：文章自带可复现的练习：先用 digits 数据集跑通本地版本，再改成云端 GPU 运行；可进一步把 run_classifier 换成自己的 scikit-learn 或 PyTorch 训练代码。 课节（官方顺序）： 1. XGBoost Training on Cloud GPUs（全文）：https://sebastianraschka.com/blog/2023/xgboost-gpu.html 2. 文中示例代码仓库（xgboost-lightning-gpu）：https://github.com/rasbt/machine-learning-notes/tree/main/cloud-resources/xgboost-lightning-gpu 3. Lightning AI 官方文档：https://lightning.ai/docs/stable/ 4. Lightning AI 消耗价目表：https://lightning.ai/pricing/consumption-rates 1. 环境 - Python 3 - pip install xgboost scikit-learn joblib - pip install lightning - Lightning AI 账号（云端运行） - 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。 2. 材料 - 官方课程页面：只记录链接 https://sebastianraschka.com/blog/2023/xgboost-gpu.html 3. 目录（最外层放在我确认的位置） xgboost-cloud-gpu-lightning/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课：读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.sh # 环境自检，按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹：notes.md + exercises/ ├── 01-01-xgboost-training-on-cloud-gpus/ ├── 02-02-xgboost-lightning-gpu/ ├── 03-03-lightning-ai/ └── 04-04-lightning-ai/ - 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。 - 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.sh，逐项检查并记录“通过/未通过”： - 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。 - python my_xgboost_classifier.py → 终端输出 Accuracy 百分比，并生成 my_model.joblib - lightning run app xgboost-cloud-gpu.py --setup → 应用本地启动并完成训练，无导入或依赖错误 - 打开 Lightning AI 界面的 Artifacts 菜单 → 能看到并可下载 my_model.joblib - 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次，把结果给我看；未通过的项目说明原因和修复办法。 5. 学习计划 - README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。 - progress.md：每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。 ``` ### 开课提示词（Linux） ```text 请帮我把「XGBoost Training on Cloud GPUs」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。 开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。 课程入口：https://sebastianraschka.com/blog/2023/xgboost-gpu.html 我的系统：Linux。如果实际不符，先调整方案。 本次路线：Linux：本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。 练习：文章自带可复现的练习：先用 digits 数据集跑通本地版本，再改成云端 GPU 运行；可进一步把 run_classifier 换成自己的 scikit-learn 或 PyTorch 训练代码。 课节（官方顺序）： 1. XGBoost Training on Cloud GPUs（全文）：https://sebastianraschka.com/blog/2023/xgboost-gpu.html 2. 文中示例代码仓库（xgboost-lightning-gpu）：https://github.com/rasbt/machine-learning-notes/tree/main/cloud-resources/xgboost-lightning-gpu 3. Lightning AI 官方文档：https://lightning.ai/docs/stable/ 4. Lightning AI 消耗价目表：https://lightning.ai/pricing/consumption-rates 1. 环境 - Python 3 - pip install xgboost scikit-learn joblib - pip install lightning - Lightning AI 账号（云端运行） - 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。 2. 材料 - 官方课程页面：只记录链接 https://sebastianraschka.com/blog/2023/xgboost-gpu.html 3. 目录（最外层放在我确认的位置） xgboost-cloud-gpu-lightning/ ├── README.md # 课程入口、课节清单、每次怎么开始 ├── progress.md # 每课：读讲义 / 做练习 / 记笔记 ├── questions.md # 待解决的问题 ├── check-env.sh # 环境自检，按 README 操作 ├── data/ # 练习用到的样例数据 └── lessons/ # 每课一个文件夹：notes.md + exercises/ ├── 01-01-xgboost-training-on-cloud-gpus/ ├── 02-02-xgboost-lightning-gpu/ ├── 03-03-lightning-ai/ └── 04-04-lightning-ai/ - 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。 - 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。 4. 自检 - 创建 check-env.sh，逐项检查并记录“通过/未通过”： - 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。 - python my_xgboost_classifier.py → 终端输出 Accuracy 百分比，并生成 my_model.joblib - lightning run app xgboost-cloud-gpu.py --setup → 应用本地启动并完成训练，无导入或依赖错误 - 打开 Lightning AI 界面的 Artifacts 菜单 → 能看到并可下载 my_model.joblib - 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。 - 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。 - 运行一次，把结果给我看；未通过的项目说明原因和修复办法。 5. 学习计划 - README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。 - progress.md：每课三项勾选——读讲义、做练习、记笔记。 6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。 ``` ### 每课提示词 ```text 继续学习「XGBoost Training on Cloud GPUs」。课程目录是 xgboost-cloud-gpu-lightning/（不知道完整路径就先问我）。 1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。 2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。 3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。 4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。 5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。 ``` ### 课节（官方顺序） 1. [XGBoost Training on Cloud GPUs（全文）]() 2. [文中示例代码仓库（xgboost-lightning-gpu）]() 3. [Lightning AI 官方文档]() 4. [Lightning AI 消耗价目表]() ## 指南参考 - [课程主页]() ## 来源、许可与验证记录 - **开课提示词未完整验证，需要自备账号或资源**：Lightning AI 账号（运行 --cloud 提交云上任务、查看结果与下载 Artifacts）；云端 GPU 计算费用（文中指向 Lightning AI 消耗价目表）；本地无 GPU 时需使用云 GPU 运行 GPU 版 XGBoost - **内容提示**：内容时效：网页标注文章发布于 Jan 15, 2023，示例使用 XGBClassifier\(tree\_method='gpu\_hist', gpu\_id=0\) 的旧式 GPU 参数写法。 - 转载与修改 · 课程页面与材料：未找到明确许可。网页仅声明版权 © 2013-2026 Sebastian Raschka，未给出具体许可名称；代码示例另附 GitHub 链接，许可未在节选中说明 [依据]() - 链接检查：1/1 个可以访问 ## 来源与推荐 - 编辑整理收录 --- 来源：LearnMap · 学径（https://oplearnx.com）