Autodl算力云租服务器跑深度学习：从零开始的保姆级实战指南

1次阅读

没有评论

共计 2533 个字符，预计需要花费 7 分钟才能阅读完成。

对于深度学习初学者来说，在云端租用服务器跑深度学习项目往往会遇到以下几个主要问题：

服务器选择困难：面对各种配置选项（CPU、GPU、内存、存储等），新手往往不知道如何选择最适合自己需求的配置，容易造成资源浪费或性能不足。
环境配置复杂：从基础系统环境到特定框架版本（如 PyTorch、TensorFlow），再到各种依赖库的安装，这个过程对新手来说充满挑战。
数据传输效率低：如何在本地和云端服务器之间高效传输数据，特别是处理大型数据集时，是一个常见痛点。
代码调试不便：在远程服务器上调试代码与本地开发环境有很大不同，初学者常常感到不适应。
资源监控困难：如何有效监控 GPU 使用情况，避免资源浪费，也是新手面临的问题。

Autodl 提供了多种服务器配置，我们需要根据项目需求和预算做出合理选择：

GPU 选择：
入门级：RTX 3060（性价比高，适合小模型和实验）
中端：RTX 3090（平衡性能和价格）
高端：A100（适合大型模型训练）
CPU 和内存：
小型项目：4 核 CPU + 16GB 内存
中型项目：8 核 CPU + 32GB 内存
大型项目：16 核 CPU + 64GB 内存
存储：
系统盘：50GB（基础系统）
数据盘：根据数据集大小选择，建议至少 100GB

对于深度学习新手，推荐选择 RTX 3060 + 8 核 CPU + 32GB 内存 + 100GB 数据盘的配置，性价比较高，能满足大多数学习需求。

登录 Autodl 平台
选择 ” 实例创建 ”
按推荐配置选择硬件
选择 Ubuntu 20.04 系统镜像
设置 SSH 密码
确认并创建实例

在本地终端使用 SSH 连接：

ssh -p < 端口号 > root@< 服务器 IP>

输入设置的密码

更新系统包：
```
apt update && apt upgrade -y
```

安装 Miniconda（Python 环境管理工具）：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

创建并激活 conda 环境：

conda create -n dl_env python=3.8
conda activate dl_env

安装 PyTorch（根据 CUDA 版本选择）：

conda install pytorch torchvision torchaudio cudatoolkit=11.3 -c pytorch

使用 scp 从本地上传数据：

scp -P < 端口号 > / 本地 / 路径 / 数据 root@< 服务器 IP>:/ 远程 / 路径 /

或使用 Autodl 提供的 Web 端上传工具

以下是一个完整的 PyTorch 环境配置脚本和简单模型训练示例：

# 导入必要库
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset

# 检查 GPU 是否可用
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
print(f'Using device: {device}')

# 创建简单数据集
data = torch.randn(1000, 10)  # 1000 个样本，每个样本 10 个特征
targets = torch.randint(0, 2, (1000,))  # 二分类标签
dataset = TensorDataset(data, targets)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

# 定义简单模型
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.fc1 = nn.Linear(10, 5)
        self.fc2 = nn.Linear(5, 2)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

model = SimpleModel().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

# 训练循环
for epoch in range(10):  # 10 个 epoch
    for inputs, labels in dataloader:
        inputs, labels = inputs.to(device), labels.to(device)

        # 前向传播
        outputs = model(inputs)
        loss = criterion(outputs, labels)

        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    print(f'Epoch {epoch+1}, Loss: {loss.item():.4f}')