从登录节点准备环境、提交作业，到查看状态和结果的常用参考。
cd 进入工作目录；建议优先使用 sbatch 提交可重复的脚本作业，使用 squeue 查看队列，并在作业结束后检查输出文件和退出状态。
ssh连接登录节点：ssh user@login.example.com；不要在登录节点运行长时间计算cd切换目录：cd ~/project；cd .. 返回上级目录vi编辑脚本：vi job.slurm；按 i 编辑，按 Esc 后输入 :wq 保存退出cp复制文件或目录：cp input.dat backup.dat；目录使用 cp -rscp在本地与远程主机间复制：scp result.csv user@login.example.com:~/results/；目录使用 scp -rrsync增量同步目录：rsync -avP data/ user@login.example.com:~/data/；适合大文件和中断后续传tmux保持终端会话：tmux new -s work 创建，按 Ctrl-b d 暂离，tmux attach -t work 恢复find查找文件：find . -name '*.sh'；可配合 -type f 限定文件cat查看文件：cat job.sh；大文件可使用 less output.loggrep搜索日志或文本：grep -n 'ERROR' logs/*.err；-i 可忽略大小写tail跟踪输出文件：tail -f logs/demo-12345.out；按 Ctrl-c 停止跟踪mkdir / chmod创建目录和设置脚本权限：mkdir -p logs、chmod +x job.shpwd / ls查看当前路径和目录内容：pwd、ls -lhsrun交互式运行，适合短时测试：srun -p cpu -c 4 --mem=8G --time=00:30:00 --pty bashsbatch提交批处理脚本：sbatch job.sh；返回作业 IDsqueue查看队列：squeue -u $USER 查看自己的作业scancel取消作业：scancel 12345；取消自己的作业或确认已获授权sstat查看运行中作业资源：sstat 12345；可观察内存和 CPU 使用情况sacct查询历史作业和退出码：sacct -j 12345 --format=JobID,State,Elapsed,ExitCodesreport查看集群资源统计：sreport cluster utilization start=2026-01-01sinfo查看分区和节点状态：sinfo -o '%P %a %l %D %C'scontrol查看作业详情：scontrol show job 12345；可确认实际分配的节点和资源将下面内容保存为 job.sh。每行 #SBATCH 都是提交参数，先按集群实际分区和资源名称修改，再提交。
#!/bin/bash
# 作业名称，便于在 squeue 中识别
#SBATCH --job-name=demo
# 分区名称，按集群实际配置填写
#SBATCH --partition=cpu
# 申请节点数
#SBATCH --nodes=1
# 申请的任务/进程数
#SBATCH --ntasks=1
# 每个任务使用的 CPU 核数
#SBATCH --cpus-per-task=4
# 每个节点申请的内存
#SBATCH --mem=8G
# 最长运行时间，格式为 天-时:分:秒
#SBATCH --time=02:00:00
# 标准输出；%x=作业名，%j=作业 ID
#SBATCH --output=logs/%x-%j.out
# 标准错误输出
#SBATCH --error=logs/%x-%j.err
# 排除不希望使用的节点，可用逗号分隔
#SBATCH --exclude=node[01-03]
# 可选：只选择满足特性标签的节点
#SBATCH --constraint=avx2
set -euo pipefail
mkdir -p logs
cd "$SLURM_SUBMIT_DIR"
echo "Job $SLURM_JOB_ID runs on $(hostname)"
echo "Started at $(date)"
# module load your-software/版本
# python train.py --input data/input.csv
srun ./your_program --threads "$SLURM_CPUS_PER_TASK"
echo "Finished at $(date)"chmod +x job.sh
sbatch job.sh
squeue -j JOB_ID
sacct -j JOB_ID --format=JobID,State,Elapsed,MaxRSS,ExitCode--time=01:30:00 表示 1 小时 30 分钟；也支持 2-00:00:00 表示 2 天。超过限时的作业会被 Slurm 终止。--mem=32G 是节点内存；需要按 CPU 申请内存时可使用 --mem-per-cpu=4G，两者不要同时设置。--nodelist=node05 强制指定节点，--exclude=node05,node06 排除节点；除非调试或有明确原因，不建议长期固定节点。--constraint=feature 按节点特性筛选，特性名称需要向管理员或通过 sinfo -O NodeHost,AvailableFeatures 确认。srun -p cpu -c 2 --mem=4G --time=00:30:00 --pty bash适合检查环境、编译程序和验证输入；测试完成后应退出交互会话。
#SBATCH --ntasks=4
srun ./mpi_program使用 srun 启动并行任务，避免在脚本中直接后台启动大量进程。
srun -p gpu --gres=gpu:1 -c 4 --mem=16G --time=00:30:00 --pty bash--gres=gpu:1 表示申请 1 张 GPU；部分集群使用 --gpus=1 或 --gpus-per-node=1，以本集群配置为准。
#!/bin/bash
# 作业名称
#SBATCH --job-name=gpu-demo
# GPU 分区
#SBATCH --partition=gpu
# 申请 1 张 GPU（常见写法）
#SBATCH --gres=gpu:1
# 配套 CPU 核数
#SBATCH --cpus-per-task=8
# 配套主机内存
#SBATCH --mem=32G
# 最长 4 小时
#SBATCH --time=04:00:00
# 标准输出
#SBATCH --output=logs/%x-%j.out
# 可选：排除故障或维护节点
#SBATCH --exclude=gpu-node[07-08]
set -euo pipefail
mkdir -p logs
cd "$SLURM_SUBMIT_DIR"
# module load cuda/版本
nvidia-smi
srun python train.py --epochs 10GPU 型号限制通常通过 --constraint=a100 等特性标签实现；不要仅凭节点名称猜测 GPU 类型。
tmux 只能保持终端会话，不会替代 Slurm；长时间计算仍应写入脚本并使用 sbatch 提交。rsync 同步目录时注意源路径末尾的斜杠：data/ 同步目录内容，data 会连同目录名一起同步。$SLURM_SUBMIT_DIR、$SLURM_JOB_ID 等变量提高脚本可复现性。*.err、sacct 的 State 和 ExitCode，再调整资源或代码。nvidia-smi）。--nodelist 或 --exclude 写死在长期模板中，否则可能造成不必要的排队。