Autodl使用方法

1.租用新实例

镜像大致选一个,有合适的可以直接选,选好之后这个镜像直接是base环境。

选好之后关机!!!开无卡模式,打开Jupyterlab

输入:vim ~/.bashrc

开始进行编辑:输入i

移动到文件的最后一行,加上source /root/miniconda3/etc/profile.d/conda.sh

保存并退出:按Esc键,输入:wq,再回车(注::wq必须手输)

输入bash重启终端(即,刷新一下)

进入环境:conda activate base

创建新环境:conda create -n dev37 python=3.7(这个时候你的python是3.7)

入新环境,输入:conda activate dev37

这个时候在新环境下配置自己的包,如果是使用基础镜像,那么在base里配置。安装包的时候用

conda install 包

安装不上的话加镜像,或者用pip安装,或者去官网下载对应版本的包,数据传输来,再安装。

配置数据传输,我用的xftp,这个安装下载参考这篇:

AutoDL使用教程:1)创建实例 2)配置环境+上传数据 3)PyCharm2021.3专业版下载安装与远程连接完整步骤 4)实时查看tensorboard曲线情况-优快云博客

2.远程连接

这个时候还一直是无卡模式,现在打开pycharm,关机,正式开机(这个时候开始收费)

开始和pycharm远程连接

打开pycharm的设置,搜索inter,即file---setting---python interpreter

 

点击on ssh

         这3个地方分别填

host:登录指令的@后边的部分

port:@前边的数字部分

username:root

下一步输密码

继续下一步,直到看到下面的弹窗。选择System Interpreter,配置远程Python解释器地址为/root/miniconda3/bin/python(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)

配置同步目录,意思是本地项目和远程实例中的哪个目录进行关联,这里设置为实例的数据盘子目录:/root/autodl-tmp/project/ (不建议使用默认的/tmp目录)

image-20221227171704791

点击创建,如果配置均无误PyCharm会有小会配置过程,完成后即可远程开发。

如果您在运行时找不到Python文件,可能是没有自动同步代码,那么可以选择手动同步:

image-20220420144611252

显示云服务器的文件目录
在这里插入图片描述

切换到root/autodl-nas云盘目录下,就能看到我们上传的数据和代码了(注:现在已经变成autodl-fs云盘了)


在这里插入图片描述
在这里插入图片描述

3.打开远程终端

配置好PyCharm远程开发后,可以在PyCharm的终端中下拉找到远程服务器打开远程终端:

image-20221227172622410

 至此结束,参考链接:

AutoDL使用教程:1)创建实例 2)配置环境+上传数据 3)PyCharm2021.3专业版下载安装与远程连接完整步骤 4)实时查看tensorboard曲线情况-优快云博客

### 如何使用 AutoDL 框架 #### 安装与环境准备 为了能够顺利使用 AutoDL 平台,首先需要完成账户注册并登录到其官方网站。一旦进入个人中心,可以创建一个新的项目来定义所需的计算资源规格,例如 GPU 类型和数量[^1]。 接着,在启动实例之前,可以通过设置无卡模式来进行前期准备工作,比如上传代码文件或者下载预训练模型等操作。这种灵活的设计让用户能够在不需要额外付费的情况下处理一些轻量级任务[^2]。 #### 配置运行环境 当一切就绪之后,就可以切换至含GPU支持的工作状态以执行实际的机器学习算法或深度神经网络训练流程了。此时应确保所选框架版本兼容目标应用需求,并安装必要的依赖库。 对于具体像YOLOv5/V8这样的对象检测模型来说,则可能涉及调整超参数设定、指定数据集路径以及验证最终成果等功能模块;这些都可通过编写相应的Python脚本来实现自动化控制。 下面展示了一个简单的例子用于说明如何利用PyTorch加载已有权重继续微调过程: ```python import torch from models import YOLOModel device = 'cuda' if torch.cuda.is_available() else 'cpu' model = YOLOModel().to(device) checkpoint = torch.load('path_to_checkpoint.pth', map_location=device) model.load_state_dict(checkpoint['state_dict']) ``` 此段代码片段展示了怎样恢复先前保存下来的检查点以便于进一步优化性能表现。 #### 性能监控与费用管理 在整个实验周期里持续关注系统指标变化情况是非常重要的一步骤。AutoDL 提供详尽的日志记录功能帮助开发者更好地理解整个运算过程中各个阶段的表现特征。 另外值得注意的一点就是合理规划预算范围内的资源配置策略——得益于其实惠的价格体系加上按需计费机制使得即使是小型团队甚至独立研究者也能负担得起高质量硬件设施所带来的便利条件。 ---
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
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