深度学习租gpu

简介: 深度学习租gpu

我使用的是AutoDLhttps://www.autodl.com/home

官方文档:https://www.autodl.com/docs/pycharm/

1.租实例

进入控制台=》我的实例=》点击租用新实例

89bd779741fd4c21a9c6d12651015871.jpg

2.选择配置

f962b423a708497ba7663a60c651e3e5.jpg

按照需求进行就行,镜像如果在基础镜像选项中没有看到需要的,可以使用算法镜像试试,如上图想找到yolo项目的镜像。

选择好后点击立即创建即可,创建好实例后返回我的实例,可以看到创建的实例。如果不再使用这个实例,一定要关机或释放实例,否则会自动续时间

8a7e634947bd49ef9647cc86964f8dba.png

复制登录指令,命令格式如下:ssh -p port username@host

3.pycharm配置

接下来将实例用到pycharm(必须是专业版)中,

1.打开File=>Settings=>Project=>Python Interpreter=>Show All

1a7a9eb6aa8641b0abe985a79e7e068c.jpg

2.点击加号=>On SSH

fdfc2a82267341b58b6641d237e6ceb8.jpg将上面复制的登录指令中的Host, Username(一般为root), Port复制到下面,点击Next


448cc2da520540b3a83aa217a84e93f9.jpg

上次复制的登录的指令下面有个密码,点击复制,粘贴到下面Password中

b970f91bc3ed49f295532f40b28a5979.jpg一直Next,到下面这个界面,选择Existing

f2916c81e900411baeb28949b0abac4f.jpg

这里配置两个内容,分别是远程Python命令地址(一般是/root/miniconda3/bin/python)和本地项目和远程实例中的哪个目录进行关联


995d1f1b593e484fafcd026882aadac9.jpg

正在向远程服务器上传项目文件,等待完成即可。


441ba3a75f354665873dac0390d9136d.png

这个上传的时候很慢很慢,可以试试其他的办法,官方文档给的办法:https://www.autodl.com/docs/filezilla/,我试过的filezilla比较方便易懂。

4.传数据

下载地址:https://www.filezilla.cn/download/client

安装完成打开=>点击文件=>站点管理器

ee46fc4605294384b7f9798f7417980a.png

需要设置的内容与创建SSH连接时基本一致,需要注意的是协议选择SFTP,点击连接即可。接下来就可以将本地项目直接拖拽到远程磁盘中了。

f4411c6c9e10448e801efb025cd118eb.png


相关实践学习
在云上部署ChatGLM2-6B大模型(GPU版)
ChatGLM2-6B是由智谱AI及清华KEG实验室于2023年6月发布的中英双语对话开源大模型。通过本实验,可以学习如何配置AIGC开发环境,如何部署ChatGLM2-6B大模型。
相关文章
|
机器学习/深度学习 测试技术 PyTorch
深度学习之测量GPU性能的方式
在深度学习中,测量GPU性能是一个多方面的任务,涉及运行时间、吞吐量、GPU利用率、内存使用情况、计算能力、端到端性能测试、显存带宽、框架自带性能工具和基准测试工具等多种方法。通过综合使用这些方法,可以全面评估和优化GPU的性能,提升深度学习任务的效率和效果。
1461 5
|
机器学习/深度学习 并行计算 PyTorch
如何搭建深度学习的多 GPU 服务器
如何搭建深度学习的多 GPU 服务器
1223 5
如何搭建深度学习的多 GPU 服务器
|
机器学习/深度学习 并行计算 算法框架/工具
为什么深度学习模型在GPU上运行更快?
为什么深度学习模型在GPU上运行更快?
|
机器学习/深度学习 测试技术 PyTorch
深度学习之测量GPU性能的方式
在深度学习中,测量GPU性能是一个多方面的任务,涉及运行时间、吞吐量、GPU利用率、内存使用情况、计算能力、端到端性能测试、显存带宽、框架自带性能工具和基准测试工具等多种方法。通过综合使用这些方法,可以全面评估和优化GPU的性能,提升深度学习任务的效率和效果。
1613 3
|
机器学习/深度学习 人工智能 调度
显著提升深度学习 GPU 利用率,阿里云拿下国际网络顶会优胜奖!
显著提升深度学习 GPU 利用率,阿里云拿下国际网络顶会优胜奖!
1425 7
|
持续交付 测试技术 jenkins
JSF 邂逅持续集成,紧跟技术热点潮流,开启高效开发之旅,引发开发者强烈情感共鸣
【8月更文挑战第31天】在快速发展的软件开发领域,JavaServer Faces(JSF)这一强大的Java Web应用框架与持续集成(CI)结合,可显著提升开发效率及软件质量。持续集成通过频繁的代码集成及自动化构建测试,实现快速反馈、高质量代码、加强团队协作及简化部署流程。以Jenkins为例,配合Maven或Gradle,可轻松搭建JSF项目的CI环境,通过JUnit和Selenium编写自动化测试,确保每次构建的稳定性和正确性。
319 0
|
机器学习/深度学习 并行计算 TensorFlow
GPU加速TensorFlow模型训练:从环境配置到代码实践的全方位指南,助你大幅提升深度学习应用性能,让模型训练不再等待
【8月更文挑战第31天】本文以随笔形式探讨了如何在TensorFlow中利用GPU加速模型训练,并提供了详细的实践指南。从安装支持GPU的TensorFlow版本到配置NVIDIA CUDA及cuDNN库,再到构建CNN模型并使用MNIST数据集训练,全面展示了GPU加速的重要性与实现方法。通过对比CPU与GPU上的训练效果,突显了GPU在提升训练速度方面的显著优势。最后,还介绍了如何借助TensorBoard监控训练过程,以便进一步优化模型。
2680 0
|
机器学习/深度学习 运维 安全
深度学习在安全事件检测中的应用:守护数字世界的利器
深度学习在安全事件检测中的应用:守护数字世界的利器
615 22
|
机器学习/深度学习 传感器 数据采集
深度学习在故障检测中的应用:从理论到实践
深度学习在故障检测中的应用:从理论到实践
1455 6
|
机器学习/深度学习 编解码 人工智能
计算机视觉五大技术——深度学习在图像处理中的应用
深度学习利用多层神经网络实现人工智能,计算机视觉是其重要应用之一。图像分类通过卷积神经网络(CNN)判断图片类别,如“猫”或“狗”。目标检测不仅识别物体,还确定其位置,R-CNN系列模型逐步优化检测速度与精度。语义分割对图像每个像素分类,FCN开创像素级分类范式,DeepLab等进一步提升细节表现。实例分割结合目标检测与语义分割,Mask R-CNN实现精准实例区分。关键点检测用于人体姿态估计、人脸特征识别等,OpenPose和HRNet等技术推动该领域发展。这些方法在效率与准确性上不断进步,广泛应用于实际场景。
1667 64
计算机视觉五大技术——深度学习在图像处理中的应用

热门文章

最新文章