【云服务器系列4】—— 如何导出阿里云服务器的系统镜像到本地电脑

本文指导用户如何在阿里云ECS上导出系统镜像至OSS,包括开通OSS服务、创建存储空间、授权ECS访问权限以及实际操作步骤,以实现系统配置备份和快速部署。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档


前言

通过导出系统镜像,将云服务器上的系统状态完整备份,可以在其他云服务器上快速部署相同配置的系统,节省了部署和配置的时间。当出现系统故障或灾难性事件时,可以迅速恢复到备份的系统状态。同时,可以通过导入本地系统镜像在本地环境快速复制系统配置,本文将介绍如何从阿里云服务器中导出服务器中系统的镜像文件,废话不多说,直接上教程!

一、系统镜像导出的前期的准备

1.准备的内容

将镜像文件导出至OSS,如下图所示,前期准备主要分为三个步:

(1)开通 对象存储服务OSS

(2)创建镜像文件的存储空间 OSS Bucket

(3)授予ECSOSS资源的访问权限

在这里插入图片描述

2.开通OSS并创建存储空间 OSS Bucket

(1)开通OSS

在阿里云页面搜索OSS,进入对象存储服务OSS控制台:点击立即开通

在这里插入图片描述

(2)创建OSS Bucket

开通成功后,出现如下页面:然后进行创建Bucket:

在这里插入图片描述

创建成功后的,在Bucket列表中,可看到相应的信息:

在这里插入图片描述

3.授权ECS服务器访问OSS资源

授权的步骤如下:点击镜像——导入镜像——授权ECS服务器访问OSS资源

在这里插入图片描述

点击蓝色的跳转链接,即可进入授权的界面,如下所示:

在这里插入图片描述

按上步骤,点击同授权,即可授权成功。

二、导出镜像

1.创建系统镜像

创建镜像:
进入云服务器ECS首页——镜像——创建镜像——自定义镜像——选择要镜像的实例,填写镜像名称——确认。

在这里插入图片描述

镜像创建完成之后,在镜像目录即可看到:

在这里插入图片描述

2.导出系统镜像

进入ECS控制台——点击镜像——点击导出镜像——点击下一步:

在这里插入图片描述

下一步之后,选存储空间 OSS Bucket —— 填写镜像文件名(自取即可):

在这里插入图片描述
十来分钟之后,进入对象存储OSS——Bucket列表——oss_chen1(自己对应的Bucket)
下载至本地即可:

在这里插入图片描述

总结

以上就是今天分享的全部内容,本文介绍了如何导出阿里云的系统镜像,对系统的配置进行备份,以便下次快速部署系统,避免重复配置环境的麻烦,下期讲解如何将本地的系统镜像导入阿里云服务器,快速部署到云服务器中。

### 大模型对齐微调DPO方法详解 #### DPO简介 直接偏好优化(Direct Preference Optimization, DPO)是一种用于改进大型语言模型行为的技术,该技术通过结合奖励模型训练和强化学习来提升训练效率与稳定性[^1]。 #### 实现机制 DPO的核心在于它能够依据人类反馈调整模型输出的概率分布。具体来说,当给定一对候选响应时,DPO试图使更受偏好的那个选项具有更高的生成概率。这种方法不仅简化了传统强化学习所需的复杂环境设置,而且显著增强了模型对于多样化指令的理解能力和执行精度[^2]。 #### PAI平台上的实践指南 为了便于开发者实施这一先进理念,在PAI-QuickStart框架下提供了详尽的操作手册。这份文档覆盖了从环境配置直至完成整个微调流程所需的一切细节,包括但不限于数据准备、参数设定以及性能评估等方面的内容。尤其值得注意的是,针对阿里云最新发布的开源LLM——Qwen2系列,文中给出了具体的实例说明,使得即使是初次接触此类工作的用户也能顺利上手。 ```python from transformers import AutoModelForCausalLM, Trainer, TrainingArguments model_name_or_path = "qwen-model-name" tokenizer_name = model_name_or_path training_args = TrainingArguments( output_dir="./results", per_device_train_batch_size=8, num_train_epochs=3, ) trainer = Trainer( model_init=lambda: AutoModelForCausalLM.from_pretrained(model_name_or_path), args=training_args, train_dataset=train_dataset, ) # 假设已经定义好了train_dataset trainer.train() ``` 这段代码片段展示了如何使用Hugging Face库加载预训练模型并对其进行微调的过程。虽然这里展示的例子并不完全对应于DPO的具体实现方式,但它提供了一个基础模板供进一步定制化开发之用[^3]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

啥也不会的研究僧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值