目录

环境准备

数据上传与管理

代码运行与调试

结果保存与下载

补充

---

环境准备

• 选择合适的GPU资源

  • CPU 22 核：代表它有 22 个物理内核。这意味着它能同时高效处理 22 个大型任务，在运行高度并行的程序（如数据预处理、编译代码）时速度极快。
  • 内存110GB:  这远超普通电脑（通常 8GB-32GB）。决定了你能同时加载多少数据。在 AI 领域，大内存意味着你可以一次性读入更大的数据集，运行参数量巨大的模型不会因为内存溢出。
  • 系统盘30GB：仅安装操作系统、基础库。
  • 数据盘：存放数据集、模型权重、训练代码、日志、checkpoint。
  • GPU驱动：决定你能安装的 CUDA 版本上限。
  • CUDA版本≤ 13.0：只要 PyTorch 自带的 CUDA 版本≤ 系统驱动支持的 CUDA 版本，即可正常运行。例如，在支持 CUDA 13.0 的驱动上安装基于 CUDA 12.1 编译的 PyTorch 是完全可行且稳定的。
• 实例创建
  • 选择镜像（PyTorch/TensorFlow等深度学习框架）

数据上传与管理

• 创建实例后可使用JupyterLab进行操作（点击进入JupyterLab）

• 可点击上传文件，将上传你的数据集以及代码
• 建议将上传的文件放入autodl-tmp，因为它是数据盘，空间大。

代码运行与调试

• 通过Jupyter Notebook执行代
• 使用Terminal安装额外依赖库
• 监控GPU显存和资源占用（nvidia-smi命令）
• 如果不小心关掉终端，可在这个位置找回。

结果保存与下载

• 将训练好的模型权重和日志，通过指令：  zip -r   输出文件名.zip   要压缩的目录  。打包为压缩文件下载

补充

在更多部分有无卡模式开机，价格低可在不执行训练时查看训练结果日志。