作为一名研三学生，我使用AutoDL平台已有两年，累计投入两千余元用于模型训练。那些日夜监控训练进度、为指标提升欣喜若狂、因进展停滞而焦虑不安的日子，如今终于告一段落。这是我的第一篇博客，希望能与大家分享使用服务器训练的心得体会，欢迎各位批评指正，一起交流经验！

一、官网界面介绍

1.1 算力市场

选择合适的显卡，进行租用，目前3080系的显卡仍是最抢手的，关于租用可在2.1 整体创建流程查看。

1.2 控制台

这个界面可以总览实例的相关信息，以及你的余额，此外认证学生升级炼丹会员后使用服务器可以便宜一点点点。

1.3 容器实例

这个界面可以看出具体实例信息，在详细解释红框中的功能前，我先介绍两个概念：

• 镜像与实例
  • 实例：通过算力市场初始化并创建的是实例，实例是有释放时间的，如图中所示。那么问题来了，如果放假了，或者第一篇论文写完了，暂时不用这个实例了，但是你在这个实例中装了很多python库，并且之后还会用，那么你就需要用镜像来保持这个环境。
  • 镜像：对实例环境的复制，供其他实例使用，避免重复配置系统环境。
• 系统盘vs数据盘
  • 系统盘：/，IO速度一般，实例关机不会丢失，可存放代码等。会随保存镜像一起保存。
  • 数据盘：/root/autodl-tmp，IO速度非常快，实例关机数据不会丢失，但不会随保存镜像一起保存。
  • 文件存储：/root/autodl-fs， 这个是需要在多个实例间进行文件同步共享才考虑存放的路径，不受实例关机和保存镜像的影响。

红框这里主要使用的是无卡开机模式保存镜像以及克隆实例，其他功能见名知其义：

• 克隆实例：这个非常重要，因为我们大多数人都是按量计费，包年包月实在太贵。那么就肯定会有开机关机的时候。今天我把环境装好，数据包上传好了，项目跑通万事大吉，但是明天开机的时候，发现GPU已经被别人用了，完了，不会又要重新装一遍环境，上传一遍数据集吧（大几个G的数据集是最费时间）。此时我们就需要克隆实例，可以在同一个地区选择一个空闲GPU进行克隆。克隆完毕后只需要修改python解释器以及相关配置即可（这里我在后面详细说）。
• 无卡开机模式： 这个也非常常用，理解后能省不少钱，使用这个模式的场景主要有：配置环境，装所需依赖，上传数据，下载相关结果，查看服务器代码等。也就是说，你只要没开始训练使用GPU，那么就可以先用无卡开机模式。但是有一个弊端就是（在此期间，这个GPU可能会被别人使用，若真遇到这种情况，你可以进行克隆实例，或者今天配置完，明天使用GPU）。
• 保存镜像：可以将系统盘所有数据保存为镜像，这下在创建实例的时候，就可以还原以前跑实验的环境，无需重装所需依赖，而且镜像不会过期。

1.3 镜像

这个界面看到的就是镜像相关的信息，一个有用的功能就是你可以把你创建的镜像分享给其他人，或者是你的其他账号，这样的话，可以减少重新导入依赖环节。

1.4 帮助文档

官网的帮助文档其实已经涵盖了我们大部分需求，我这里更多的是作为补充，你们可以结合着阅读。

二、实践演示

2.1 整体创建流程

1. 首先进入算力市场，根据你模型的复杂度，选择相应的显卡，好一点的显卡的显存多，计算效率也会提升。金钱换时间：在后期超参数调优时，可以并行开启多个实例，使用不同参数运行模型，并记录结果以加速迭代。
   此外，我现在的图中的GPU资源很充足，是因为周六周日，平时如果想常用同一个显卡的话，可以选择低峰时间，如早上七八点左右，晚上十点左右。
   
2. 选择一个可租用的显卡，接下来就是选择镜像，从图中可以看出，有三种镜像选择方式：

• 基础镜像：就是内置好了相应的框架，因此我们需要根据论文中开源代码的readme文件选择相应版本的框架。
• 社区镜像：热门项目的镜像，如YOLO系列，DeepSeek等，可以即刻拥有创建即用的算法运行环境。
• 我的镜像：这个就是创建适用于自己的镜像，之前保存的镜像。
  

3. 创建并开机后，会出现如下界面，我们主要关注的是状态和SSH登录中的信息。
   
4. 接下来，我们就使用开发工具连接SSH服务，这里我们以Pycharm为例，我们先找到连接入口，最快的方式就是右下角进入
   
   如果右下角找不到，那就去Settings中搜索Interpreter。
   
5. 连接SSH
   复制网页中SSH登录指令，这里演示使用的是：ssh -p 35290 root@connect.westb.seetacloud.com

在ssh -p 35290 root@connect.westb.seetacloud.com命令中， 各个参数的含义为：
用户名：root
主机host： connect.westb.seetacloud.com
端口号：35290

去网页复制粘贴密码，点next。

6. 创建环境，这一步非常关键

我们先需要修改Base interpreter，配置远程Python解释器地址为/root/miniconda3/bin/python{版本}。（如果您在miniconda中安装了其他的虚拟环境，那么虚拟环境的python解释器路径在/root/miniconda3/envs/{对应的虚拟环境名称}/bin/python）

接着配置同步目录Sync folders

然后勾选相关操作

• Inherit global site-packages：启用时虚拟环境中可以使用你全局 Python 安装路径下已经安装的包。（通常需要勾选），这样才能使用AutoDL预置的框架。
• Execute code with root privileges via sudo：执行带有 sudo 的命令，从而拥有“root 权限”来安装软件、修改系统配置等。（不勾选！不勾选！不勾选！）
• Automatically upload project files to the server：IDE会自动将你本地项目文件上传到服务器上的工作目录中，实现代码同步。（分情况勾选）
  • 勾选：如果你的项目是第一次上传，那么可以勾选
  • 不勾选：如果你的项目通过克隆实例，并且你的代码并没有做出任何修改，那么你可以选择不同步，但是你需要把同步目录设置的与上一个实例一样。

我举个例子：
我今天创建了一个实例A，同步目录为/tmp/pycharm_project_745，第二天我的GPU被占了，我只能选择克隆实例得到实例B，在配置实例B同步目录的时候，我需要选择与实例A一样的同步目录也就是/tmp/pycharm_project_745。同时不勾选Automatically upload project files to the server。
这样就避免了相同代码再次进行同步，从而节省了时间。

勾选完后点击创建即可完成连接。

2.2 使用细节

配置完成后，相应的红框会发生变化，分别是：

• Remote Host：这个如果首次配置可能没有，需要手动开启（下文会说）。如果有，可以点开刚才配置对应的同步目录，我们可以看到745文件夹有底色，这就说明本地目录映射到远程服务器的745目录。
• 默认服务器（最底下的左边红框）：设置了默认部署服务器后，IDE会默认将代码文件上传到这个指定的服务器上，而不需要每次选择服务器。
• 解释器：已经设置为远程的python解释器。

需要说明的是如果没有自动切换到对应的服务器（判断依据为端口号port是否与SSH中的对应），需要手动切换，即修改绿色箭头指向的位置。

接下来，我们了解Tools中的Deployment，它最主要的功能就是上传文件到服务器，你可以选择手动或自动上传文件。我这里一般是自动上传文件，这样比较方便，修改一个数，一个标点都直接同步上传了。
绿色框是开启左侧远程服务器目录的选项。

关于我们如何安装自己所需的python库，首先我们需要打开远程服务器的命令行窗口，选择对应的的服务器

显示出相关信息后，我们就可以进行pip下载了，这里偷个懒，无需切换目录，直接下载就行。

2.3 数据上传与下载

我们使用GPU肯定少不了数据集，不同领域的数据集大小肯定不一样，我有幸训练过图像领域的模型，一言难尽。因此有几种方式可以上传到服务器。（再次强调，数据集你只需要上传一次，如果下次你换显卡，请选择克隆实例，不要傻乎乎的重新上传数据集，遭老罪了）

0. 如果你的数据集比较热门（如ImageNet100），你可以尝试在公用数据中找一找，如果有复制路径，在服务器中找到解压到自己数据盘中即可。
   

1. 如果你的数据集非常大几个G以上，并且公共没有，你就需要使用官方推荐的方式，在控制台点击AutoPanel，可以进入如下页面，点击公网网盘，设置独立密码，就可以看到网盘列表，这里就阿里最方便，其他的不是cookie就是公私钥。
   
   
   
   授权完毕，你就可以下载你的数据集到相应的服务器路径下了。
   

2. 如果你的数据集不大，或者要上传其他文件，可以优先考虑一些如XShell软件支持管理SSH连接的工具，上传下载都很方便。当然直接在Pycharm中上传下载也是可以的，只不过速度很慢。
   

​​ 三、一些闲聊与感悟

最初是打算在第三章说说自己的训练心得的，但是发现这也需要花费大量篇幅，总之，祝你们论文多多，早日完成实验，做自己想要做的事！