# Jupyter Notebook có GPU cho sinh viên: cách thuê tiết kiệm

URL: https://cloudj.net/vi/blog/jupyter-gpu-for-students
Published: 2026-11-12 · Updated: 2026-11-12

> Cách có Jupyter Notebook có GPU cho sinh viên với ngân sách nhỏ: chọn card RTX nhỏ, tận dụng tính tiền theo phút và lưu notebook trước khi xóa máy.

Jupyter Notebook có GPU cho sinh viên là thứ mà hầu hết môn học máy ngầm định bạn đã có. Các dịch vụ notebook miễn phí là khởi đầu tốt, nhưng phiên làm việc hay bị ngắt bất ngờ, không phải lúc nào cũng được cấp GPU, và làm với dataset lớn thì rất bất tiện. Thuê một GPU nhỏ theo phút là bước tiếp theo hợp lý: bạn có trọn một card trong thời gian cần, và chỉ trả tiền khi máy chạy. Bài này hướng dẫn cách dựng trên Cloudj với chi phí thấp, card nào hợp với bài tập trên lớp, và những thói quen giúp ví tiền sinh viên không bị "thủng".

Bài viết dành cho các bạn đang học AI, khoa học dữ liệu ở Bách khoa, Khoa học Tự nhiên, FPT, PTIT hay tự học qua khóa online, đang làm đồ án hoặc luận văn cần GPU. Phần chi tiết về template PyTorch và JupyterLab có trong bài [dùng PyTorch JupyterLab trên GPU cloud](https://cloudj.net/vi/blog/run-pytorch-jupyter-template).

## Chọn card nào cho bài tập

Phần lớn đồ án môn học, từ phân loại ảnh, transformer nhỏ đến fine-tune mô hình ngôn ngữ nhỏ, đều vừa với bộ nhớ khiêm tốn. Card phổ thông dùng được ngay với tài khoản mới và là lựa chọn tự nhiên:

| Card | VRAM | Hợp với |
|---|---|---|
| [RTX 3060](https://cloudj.net/vi/gpu-cloud/rtx-3060) | 12 GB | CNN, các lab deep learning cơ bản, transformer nhỏ, Stable Diffusion ở mức vừa |
| [RTX 3060 Ti](https://cloudj.net/vi/gpu-cloud/rtx-3060-ti) | 8 GB | Nhanh hơn 3060 với mô hình nhỏ nhưng ít bộ nhớ hơn; ổn cho lab dùng batch nhỏ |
| [RTX 4060 Ti](https://cloudj.net/vi/gpu-cloud/rtx-4060-ti) | 16 GB | Rộng hơn cho thử nghiệm LLM nhỏ, LoRA trên mô hình nhỏ, batch lớn hơn |

Nếu lab báo hết bộ nhớ, hãy giảm batch size hoặc dùng mixed precision trước khi nghĩ tới card lớn hơn. So sánh giá theo thời gian thực trên [GPU cloud](https://cloudj.net/vi/gpu-cloud); console xếp kết quả theo tổng giá, rẻ nhất lên đầu.

## Chọn nước ở gần

Notebook là việc tương tác, nên host gần sẽ cho cảm giác mượt hơn khi gõ code và chạy cell. Với sinh viên ở Việt Nam, hãy bắt đầu với `SG, HK`. Bạn có thể thêm `VN`, nhưng máy đặt tại Việt Nam không chắc có trong danh sách; Singapore và Hồng Kông mới là lựa chọn quen thuộc. Mỗi dòng ghi quốc gia, độ tin cậy, thời hạn tối đa và giá. Tình trạng máy thay đổi trong ngày; nếu chưa có máy ưng ý, thêm `JP` hoặc `TW`, hoặc thử một card nhỏ khác.

Bài [thuê RTX 3060 cho sinh viên Việt Nam](https://cloudj.net/vi/blog/rtx-3060-cloud-vietnam-students) và bài [GPU giá rẻ gần Việt Nam](https://cloudj.net/vi/blog/cheapest-gpu-near-vietnam) hướng dẫn kỹ hơn cách tìm giá thấp đang có ở gần.

## Dựng Jupyter Notebook có GPU cho sinh viên

1. Mở [trang triển khai với RTX 3060](https://app.cloudj.net/deploy/gpu?model=rtx-3060) và nhập `SG, HK` vào ô Country.
2. Chọn template **PyTorch + JupyterLab**.
3. Chọn dung lượng ổ đủ cho dataset và kết quả. Không thể nới sau này.
4. Chọn SSH key của bạn. Instance GPU chỉ đăng nhập bằng key, không dùng mật khẩu.
5. Triển khai, rồi mở JupyterLab từ trang instance khi console có nút mở. Mỗi phiên kéo dài 12 giờ, sau đó bạn mở lại.

Nếu thích làm qua SSH, bạn tự khởi động JupyterLab trên instance rồi mở tunnel từ laptop:

```bash
jupyter lab --no-browser --ip 127.0.0.1 --port 8888
ssh -L 8888:localhost:8888 -p <port> root@<host>
```

Dòng đầu chạy trên instance, trong `tmux`, dòng thứ hai chạy trên laptop. Rồi mở `http://localhost:8888` trên trình duyệt và dán token mà JupyterLab in ra. Ở cell đầu tiên, kiểm tra GPU:

```python
import torch
print(torch.cuda.is_available(), torch.cuda.get_device_name(0))
```

## Tính tiền theo phút: thói quen của sinh viên tiết kiệm

Instance GPU trừ tiền theo phút từ số dư trả trước trong lúc chạy. Bạn nạp tiền vào số dư bằng chuyển khoản ngân hàng VND như chuyển tiền thông thường. Cách tính này thưởng cho vài thói quen:

- **Chuẩn bị trước khi thuê.** Viết và gỡ lỗi code trên laptop hoặc notebook miễn phí trước. Chỉ thuê GPU cho phần thật sự cần.
- **Gom việc lại.** Một phiên tập trung hai tiếng rẻ hơn bốn phiên rời rạc, vì phiên nào cũng mất thời gian cài đặt và tải dữ liệu.
- **Để ý thời gian GPU ngồi không.** GPU chờ trong lúc bạn đọc slide bài giảng vẫn tốn tiền. Nếu định đi đâu một lúc, hãy kết thúc phiên.
- **Giữ dữ liệu gọn.** Upload file lớn từ mạng ký túc xá vừa chậm vừa tốn băng thông, tính theo GB. Khi phát triển, hãy dùng một phần nhỏ của dataset.

## Lưu notebook trước khi xóa máy

Đây là thói quen quan trọng nhất. **Destroy (xóa)** sẽ xóa vĩnh viễn instance cùng ổ đĩa. Nếu notebook chỉ nằm trên instance, nó sẽ mất theo. Quên bước này đúng vào tuần nộp đồ án là cách nhanh chóng để mất trắng công sức cả học kỳ.

Trước khi kết thúc phiên:

1. Trong JupyterLab, tải về các notebook quan trọng, hoặc tốt hơn, commit lên Git từ terminal trong instance.
2. Chép kết quả và trọng số đã huấn luyện về laptop bằng `rsync` hoặc `scp` qua SSH. Lưu lượng JupyterLab đi qua Cloudj, nên file lớn hãy dùng SSH.
3. Sau đó mới xóa.

```bash
rsync -avP -e "ssh -p <port>" root@<host>:/workspace/project/ ./project-backup/
```

**Stop (dừng)** là phương án khác: giữ ổ đĩa và chỉ tính phí lưu trữ, nhưng nhả GPU ra, nên khi bật lại có thể phải chờ tới khi có GPU rảnh. Với bài tập trên lớp, lưu rồi xóa thường đơn giản hơn. Bài [dừng hay xóa máy chủ GPU](https://cloudj.net/vi/blog/stop-vs-destroy-gpu-instance) giải thích cả hai.

## Cách làm này không phải là gì

Instance GPU không có giao diện desktop và không có Windows; mọi thứ chạy trong JupyterLab trên trình duyệt hoặc qua SSH. Các máy là host độc lập, không có SLA phần cứng, nên hãy giữ bản sao bài làm. Và hãy nhớ quy định của môn học: nếu bài tập bắt buộc làm trên máy của trường thì tuân theo.

[Trang chủ Jupyter](https://jupyter.org/) có tài liệu về extension và phím tắt nếu bạn mới làm quen giao diện.

## Câu hỏi thường gặp

### RTX 3060 12 GB có đủ cho môn deep learning không?

Với đa số lab và đồ án thì đủ. Giảm batch size hoặc dùng mixed precision nếu thiếu bộ nhớ.

### Một phiên JupyterLab kéo dài bao lâu?

Phiên mở từ console kéo dài 12 giờ, sau đó bạn mở lại. Instance vẫn chạy cho tới khi bạn dừng hoặc xóa.

### Xóa instance thì notebook của tôi ra sao?

Notebook bị xóa cùng ổ đĩa. Hãy tải về hoặc đẩy lên Git trước.

### Tôi thanh toán bằng chuyển khoản được không?

Cloudj dùng số dư trả trước bằng USD, và khách ở Việt Nam có thể nạp tiền bằng chuyển khoản ngân hàng VND.

## Thử ngay

Mở [trang triển khai với RTX 3060](https://app.cloudj.net/deploy/gpu?model=rtx-3060), chọn template PyTorch + JupyterLab và mã `SG, HK`. Làm việc theo từng phiên tập trung, lưu notebook trước khi xóa máy, và ngân sách của bạn sẽ dùng được rất lâu.