我要评论前言：在身边计算资源有限的情况下，又需要gpu来训练自己的深度学习模型，可以租用网上现有的gpu算力，比如常见的autodl等，除此之外也有一些特殊的免费平台，笔者所知的有谷歌的colab，移动的九天·毕昇，还有比赛用的kaggle平台，其中各有优劣，总的来说免费的总是有各种限制条件的，但都有一定的免费额度，感兴趣的同学可以自行搜索比较。这里以阿里云天池平台为例，描述笔者的使用过程，适用于一些小型项目或者初次使用云平台的同学拿来练手（此类平台的操作逻辑和控制台页面可谓如出一辙）。
1.使用网址：
天池实验室_实时在线的数据分析协作工具，享受免费计算资源-阿里云天池 (aliyun.com)
2.目前使用规则
cpu免费使用，gpu总计60小时，每次使用均限时8小时。
3.notebook和数据集
使用此类平台一般需要明白两个概念，nootbook类似于自己开发项目时的ide或者cmd终端，用来操作和部署相关的环境，数据集用来存储自己的项目和训练用的数据集。
需要说明的是，notebook里也能上传数据，但是速度非常慢，适合项目代码文件上传，但是为了方便，一般将项目和数据集一次性打包上传，然后在notebook中挂载数据集。
4.新建数据集
在上面截图页面点击我的数据集——新建——编辑，进入以下页面
按照要求填写相关信息，上传自己的压缩包文件即可，文件大小及类型规则如下。
若是大小超出限制，建议拆分文件建立多个数据集，在nootbook中挂载多个即可。
5.nootbook使用
我的nootbook——新建——挂载数据（选择自己创建的数据集）——编辑，进入以下页面。
上图中，1为工作文件夹，你的项目文件和数据集将在这里呈现，2是terminal（笔者习惯使用terminal指令完成操作，也可以在已打开的ipynb页面完成操作控制），3是数据管理单元，在这里进行挂载数据的下载和公共数据集的下载，挂载的数据集出现在related栏目下，下载即可，已下载的数据将出现在1中的download文件夹下。
解压文件：
右键zip文件是没有解压操作的，需要使用指令完成，以terminal为例：
cd download
unzip (your_dataset)6.环境配置
按照自己在电脑上的配置环境的要求，在terminal使用pip指令安装即可，一般不会出现任何问题，而且服务器下载的速度非常快。如果由requirements.txt，cd到相应的目录下，使用指令安装即可：
pip install -r requirements.txt7.使用gpu
在之前的版本中，gpu和cpu可以无缝切换，并不会影响当前实例的数据，但是当前版本切换gpu实例相当于重新进入一个新的容器实例，十分不方便，需要按照上面的操作重新来一遍即可。
笔者注：
我的使用中用到了pytorch，需要安装与平台cuda版本相对应的torch，否则无法调用gpu。这里一并展示，需要的同学可以借鉴。
- 查看平台cuda版本
nvcc -v
此处cuda版为11.6 - pytorch官网查找对应版本
previous pytorch versions | pytorch
使用浏览器搜索功能查找相应的cuda版本，复制对应的安装命令到平台安装即可。pip install torch==1.13.1+cu116 torchvision==0.14.1+cu116 torchaudio==0.13.1 --extra-index-url https://download.pytorch.org/whl/cu116
发表评论