1. 前言

不久前，我需要完成五个算法的复现对比工作，但是大参数模型属实是要将我的4060给燃尽了~~

于是乎，我开始转向了服务器租赁的方向。在对比多家云服务器租赁平台之后，选择了AutoDL平台。主要是碍于学生党，没有什么资金支持，这个平台的性价比较高。唉~~

因此我将记录一下我第一次使用云算力平台的感受，介绍一下 AutoDL 平台的一些操作。

2. AutoDL的特点

AutoDL 是一个面向 AI 开发者与深度学习研究者 的云端 GPU 训练平台。它通过简单易用的网页控制台和高性能的云端资源，提供灵活、可扩展的训练环境。
其核心理念是：即开即用，按需付费，免去繁琐的硬件维护和环境配置。

主要特点：

高性能 GPU 支持：提供多种 NVIDIA 高端 GPU，如 A100、V100、RTX 3090、4090 等。

弹性资源调度：根据项目需求灵活选择 GPU 数量和规格。

便捷的环境管理：预装主流深度学习框架（TensorFlow、PyTorch 等），可一键切换或自定义环境。

按需计费：按使用时间计费，相比自建服务器更经济。

3. AutoDL 的核心功能

一键式实例创建
只需在网页端选择 GPU 型号、操作系统镜像和存储空间，即可几分钟内创建训练环境。

镜像与环境管理
预置常见深度学习镜像，也支持自定义 Docker 镜像，满足不同框架和工具链需求。

高效数据传输
提供高速的数据上传和下载通道，支持直接从对象存储、Git 仓库等位置导入数据。

远程开发与调试
支持 SSH、JupyterLab、VS Code Remote 等多种远程开发方式。

弹性计费与自动关机
可设置空闲自动关机，避免资源浪费。

4. 使用 AutoDL 的典型流程

以下是一个典型的使用步骤示例：

Step 1：注册与充值
在 AutoDL 官网注册账号，并完成基础实名认证与充值，方便后续使用 GPU 资源。

Step 2：创建实例
进入控制台 -> 创建实例 -> 选择 GPU 型号（如 RTX 4090）、系统镜像（Ubuntu 20.04 + PyTorch），配置磁盘空间和带宽。

在torch版本上更推荐兼容性更好的2.0.0版本，能适配大部分的包，避免因为版本的问题而报错。

Step 3：上传代码与数据
可以通过浏览器上传、SSH/SCP、从 Git 仓库克隆等方式上传数据：

个人更推荐使用夸克网盘，比较方便省心，对新手较为友好，因此下面介绍基于夸克网盘的方法。

在控制台开机之后（配置环境与传输数据时更建议使用无卡开机模式，更划算），打开AutoPanel，授权之后选择公网网盘，夸克网盘。接下来就是如何获取Cookie了。

浏览器登录夸克网盘网页版，按F12打开浏览器“调试”，选中“Network”，点击鼠标右键选择刷新，就能找到携带 Cookie 参数，随后将Cookie参数复制填写对应位置。

然后就是将需要上传的代码与数据集文件压缩上传，上传的压缩文件会在autodl-tmp文件夹中。

Step 4：启动训练

上传完成之后，就可以通过SSH在VSCode链接或者在控制台点击JupyterLab进入页面，点击终端进入。

进入之后首先要激活选择的基础环境，执行

conda activate my-env

my-env换为自己的环境名称，如果是和我一样选择的基础镜像，那my-env就是base，激活刷新终端之后就会在前面显示环境名称base。

激活之后cd进入autodl-tmp文件夹，解压缩之前的代码文件夹以及数据集文件夹。

按照代码的requestions使用pip或者conda命令安装相应版本的包。
配置完成后就可以在实例中运行训练代码了，例如：

python train.py --epochs 50 --batch-size 32

Step 5：监控与调试
使用平台提供的实例监控或者终端（代码会输出loss等参数情况），随时掌握训练进度。

训练完成后下载数据如果是在JupyterLab的终端，需要先进行压缩，然后再下载，因为JupyterLab不支持下载文件夹，只能下载单个文件。

5. 总结

在深度学习的研究与工程实践中，硬件算力是不可或缺的。AutoDL 为我提供了一个稳定、高效、易用的云端 GPU 平台，帮助开发者摆脱繁琐的服务器运维，将更多精力投入到算法与应用的创新中。

💡 建议：首次使用可以选择小规格 GPU 进行测试，熟悉平台后再进行大规模任务部署，既经济又高效。（不缺经费可以忽略~~）