#!/usr/bin/env python
# coding=utf-8
import json
import time
import traceback
from aliyunsdkcore.client import AcsClient
from aliyunsdkcore.acs_exception.exceptions import ClientException, ServerException
from aliyunsdkecs.request.v20140526.RunInstancesRequest import RunInstancesRequest
from aliyunsdkecs.request.v20140526.DescribeInstancesRequest import DescribeInstancesRequest
from aliyunsdkecs.request.v20140526.DeleteInstanceRequest import DeleteInstanceRequest
RUNNING_STATUS = 'Running'
CHECK_INTERVAL = 3
CHECK_TIMEOUT = 180
class AliyunRunInstancesExample(object):
def __init__(self):
self.access_id = 'access_id'
self.access_secret = 'access_secret'
# 是否只预检此次请求。true:发送检查请求,不会创建实例,也不会产生费用;false:发送正常请求,通过检查后直接创建实例,并直接产生费用
self.dry_run = False
# 实例所属的地域ID
self.region_id = 'cn-qingdao'
# 实例的计费方式
self.instance_charge_type = 'PostPaid'
# 购买资源的时长
self.period = 1
# 购买资源的时长单位
self.period_unit = 'Hourly'
# 实例所属的可用区编号
self.zone_id = 'cn-qingdao-c'
# 网络计费类型
self.internet_charge_type = 'PayByTraffic'
# 镜像ID
self.image_id = 'centos_7_04_64_20G_alibase_201701015.vhd'
# 指定新创建实例所属于的安全组ID
self.security_group_id = 'security_group_id'
# 虚拟交换机ID
self.vswitch_id = 'vsw-m5er09pxr0rdhqqakc6yx'
# 实例名称
self.instance_name = 'sethdemo'
# 实例的密码
self.password = 'password'
# 指定创建ECS实例的数量
self.amount = 1
# 公网出带宽最大值
self.internet_max_bandwidth_out = 5
# 是否为I/O优化实例
self.io_optimized = 'optimized'
# 后付费实例的抢占策略
self.spot_strategy = 'SpotWithPriceLimit'
# 设置实例的每小时最高价格
self.spot_price_limit = 0.89
# 是否开启安全加固
self.security_enhancement_strategy = 'Active'
# 实例的资源规格
self.instance_type = 'ecs.g5.large'
# 系统盘大小
self.system_disk_size = '40'
# 系统盘的磁盘种类
self.system_disk_category = 'cloud_efficiency'
self.client = AcsClient(self.access_id, self.access_secret, self.region_id)
def run(self):
try:
ids = self.run_instances()
self._check_instances_status(ids)
except ClientException as e:
print('Fail. Something with your connection with Aliyun go incorrect.'
' Code: {code}, Message: {msg}'
.format(code=e.error_code, msg=e.message))
except ServerException as e:
print('Fail. Business error.'
' Code: {code}, Message: {msg}'
.format(code=e.error_code, msg=e.message))
except Exception:
print('Unhandled error')
print(traceback.format_exc())
def run_instances(self):
"""
调用创建实例的API,得到实例ID后继续查询实例状态
:return:instance_ids 需要检查的实例ID
"""
request = RunInstancesRequest()
request.set_DryRun(self.dry_run)
request.set_InstanceChargeType(self.instance_charge_type)
request.set_Period(self.period)
request.set_PeriodUnit(self.period_unit)
request.set_ZoneId(self.zone_id)
request.set_InternetChargeType(self.internet_charge_type)
request.set_ImageId(self.image_id)
request.set_SecurityGroupId(self.security_group_id)
request.set_VSwitchId(self.vswitch_id)
request.set_InstanceName(self.instance_name)
request.set_Password(self.password)
request.set_Amount(self.amount)
request.set_InternetMaxBandwidthOut(self.internet_max_bandwidth_out)
request.set_IoOptimized(self.io_optimized)
request.set_SpotStrategy(self.spot_strategy)
request.set_SpotPriceLimit(self.spot_price_limit)
request.set_SecurityEnhancementStrategy(self.security_enhancement_strategy)
request.set_InstanceType(self.instance_type)
request.set_SystemDiskSize(self.system_disk_size)
request.set_SystemDiskCategory(self.system_disk_category)
body = self.client.do_action_with_exception(request)
data = json.loads(body)
instance_ids = data['InstanceIdSets']['InstanceIdSet']
print('Success. Instance creation succeed. InstanceIds: {}'.format(', '.join(instance_ids)))
return instance_ids
def _check_instances_status(self, instance_ids):
"""
每3秒中检查一次实例的状态,超时时间设为3分钟.
:param instance_ids 需要检查的实例ID
:return:
"""
start = time.time()
while True:
request = DescribeInstancesRequest()
request.set_InstanceIds(json.dumps(instance_ids))
body = self.client.do_action_with_exception(request)
data = json.loads(body)
print(data)
for instance in data['Instances']['Instance']:
if RUNNING_STATUS in instance['Status']:
instance_ids.remove(instance['InstanceId'])
print('Instance boot successfully: {}'.format(instance['InstanceId'],["PublicIpAddress"]["IpAddress"][0]))
if not instance_ids:
print('Instances all boot successfully')
break
if time.time() - start > CHECK_TIMEOUT:
print('Instances boot failed within {timeout}s: {ids}'
.format(timeout=CHECK_TIMEOUT, ids=', '.join(instance_ids)))
break
time.sleep(CHECK_INTERVAL)
if __name__ == '__main__':
AliyunRunInstancesExample().run()
相关推荐
自动创建阿里云抢占式实例
旧博文,搬到 csdn 原文:http://rebootcat.com/2020/08/24/auto_run_aliyun_spot/ aliyun_spot 自动创建阿里云抢占式实例。 支持一下作者,购买阿里云 背景 阿里云抢占式实例应该属于阿里云的一种闲置资源利用,性价比非常高,每小时的价格在 0.01 ~ 0.05 每小时,具体根据不同的配置和地域有差别,流量价格小于 1元/G. 抢占式实例最高可以以一折的价格购买 ECS 实例,并能稳定持有该实例至少一个小时。一个小时后,当市场价格高于您的出价.
阿里云免费服务器ECS秒杀js脚本
阿里云搞活动,免费用6个月最基础版的服务器,1G+1核+1M+40G的,链接在: https://free.aliyun.com/?spm=5176.8112568.738194.2.hXsihr&type=personalchrome打开上述链接(你的chrome需要支持jquery)登录上自己的账号提前几分钟打开console,输入下面这个函数:function jodtest(){ cons
GPU云服务器选型指南:从硬件到成本,全面解析主流平台对比
GPU加速计算已成为人工智能、科学计算和图形渲染等领域的核心技术。其原理在于利用GPU的并行处理架构,显著提升大规模数据运算效率。在技术价值层面,GPU云服务器将高性能算力转化为可弹性伸缩的云服务,降低了企业和研究机构的硬件投入门槛。应用场景广泛覆盖深度学习模型训练、大规模推理服务、高性能计算仿真等。本文聚焦GPU云服务器的核心选型维度,深入分析硬件配置如显存带宽与虚拟化技术,并探讨抢占式实例等灵活计费模式如何实现成本优化,帮助用户在不同应用场景下做出明智选择。
《Selenium自动化实战:从零开发阿里云抢购脚本(含完整源码)》
坑1:Selenium Manager下载ChromeDriver卡住原因:网络问题解决:手动指定chromedriver.exe路径坑2:登录表单找不到原因:嵌套在iframe中解决:遍历所有iframe,逐个切换坑3:按钮识别失败原因:选择器不匹配解决:用CSS样式(linear-gradient)匹配坑4:被限速原因:检测频率太高(500ms)解决:智能降频(1000ms起步)这个项目让我深入理解了Selenium的各种技巧,包括反检测、iframe处理、智能降频等。
GPU云服务器深度横评:从选型到实战,阿里云、腾讯云、AWS等主流平台对比
在人工智能和深度学习领域,GPU已成为不可或缺的算力核心,其并行计算能力极大地加速了模型训练与推理。其工作原理在于通过成千上万个核心同时处理数据,突破了传统CPU的顺序计算瓶颈。这一技术价值直接体现在处理海量数据、训练复杂神经网络模型时,能将耗时从天级缩短至小时级,从而推动了AI技术的快速落地。无论是计算机视觉、自然语言处理还是科学计算,GPU都扮演着关键角色。面对自购硬件成本高昂、灵活性不足的挑战,租用云端GPU服务器成为主流解决方案。本文聚焦于**GPU云服务器**的深度对比,针对**PyTorch**
FlagOS+Qwen3-8B:阿里云上AI应用开发与部署实战指南
在人工智能技术快速发展的今天,大语言模型(LLM)的工程化部署与高效应用成为开发者面临的核心挑战。其技术原理在于,通过将预训练好的模型与经过深度优化的运行时环境相结合,形成标准化的服务单元,从而降低技术门槛。这一实践的核心技术价值在于实现了AI能力的“开箱即用”和“云原生”交付,使开发者能够像调用传统云服务一样便捷地集成AI功能。典型的应用场景包括构建企业知识库问答系统、开发智能编程助手以及搭建多模态内容创作平台。本文以FlagOS集成Qwen3-8B模型并上架阿里云镜像市场为例,深入剖析了这一“AI底座”
linux查看gpu_如何在阿里云租一台GPU服务器做深度学习?(更新)
之前向公司申请购买了一块英伟达GeforceRTX2060,但是有时候同时有多个训练思路想要试验,一块GPU的效率就比较低了。但是再买一块的成本过高,所以经过考量,决定租云服务器来训练模型。对比华为云和阿里云,华为云之前的m60系列都显示已经售罄,该系列的收费相对便宜,但是已经租不到了,剩下的都是p100的,或者更高的配置,而阿里云上最便宜的是搭载英伟达teslap4的GPU服务器...
PyCharm远程连接AutoDL服务器:深度学习模型训练完整配置指南
深度学习模型训练对计算资源要求极高,本地机器往往难以满足大规模矩阵运算的需求。其核心原理在于利用GPU并行计算能力加速模型迭代。为解决算力瓶颈,云服务器提供了灵活、高性价比的解决方案,使开发者能按需获取强大算力。在工程实践中,将本地高效的集成开发环境与远程服务器算力结合,能极大提升开发效率。通过配置SSH密钥、远程Python解释器及文件夹同步,可以实现本地编码与远程训练的无缝衔接。本文以AutoDL平台和PyCharm专业版为例,详细演示了从服务器租用、环境配置到远程调试、训练监控的全流程,涵盖了**Py
阿里云轻量服务器部署OpenClaw完整指南
云服务器部署AI开发环境是当前机器学习工程实践中的常见需求。通过容器化技术和虚拟环境管理,开发者可以快速搭建可复现的模型训练平台。阿里云轻量服务器凭借其高性价比和预装环境特性,特别适合个人开发者和小型团队使用。OpenClaw作为新兴的AI工具链,集成了模型训练、推理部署等核心功能,能显著提升开发效率。在实际部署过程中,需要特别注意Python虚拟环境配置、CUDA版本兼容性等关键技术环节。本指南以阿里云Ubuntu系统为例,详细介绍了从服务器选购到OpenClaw部署的完整流程,包括Docker环境配置、
抢票(python)
GitHub标星5k的“py12306” 源码地址:GitHub:https://github.com/pjialin/py12306 我同步了一版本在码云上 拉下来速度可以快点https://gitee.com/tangzhengfeng_admin/py12306 - [x] 多日期查询余票 - [x] 自动打码下单 - [x] 用户状态恢复 - [x] 电话语音通知 - [x] 多...
Concentration Inequality(集中不等式)更新版
欢迎来我博客 https://wyue.name/2020/04/17/1/阅读这一篇博文 转载前请联系我,联系方式请见我博客 https://wyue.name/ Concentration inequality 刻画了一组随机变量的和(或者样本平均数)与其期望值的偏离程度,在算法收敛性分析过程中是非常有用的一类不等式。 这次主要总结一下最近一段时间遇到的集中不等式,不仅是不等式形式,...
【26.0】项目部署准备
【一】上线前准备 购买一台服务 项目跑在服务器上 购买公网ip:别人访问我们的ip,就能访问到我们的项目 购买域名:备案---》访问域名---》转发到你的ip 【1】购买一台服务: 在上线前,您需要购买一台云服务器或虚拟主机服务,以托管您的项目。 选择合适的服务提供商时,您需要考虑各种因素,如价格、性能、可靠性和技术支持等。 常见的云服务提供商包括阿里云、腾讯云、亚马逊AWS等。 【...
STM32-DAC定时器触发三角波生成【频率与幅度精准控制】
本文详细介绍了STM32 DAC定时器触发三角波生成的原理与实现方法,涵盖硬件配置、频率与幅度精准控制技巧及代码实现。通过定时器触发DAC模块,可灵活调节三角波的频率和幅度,适用于信号发生器等高精度应用场景。
OpenClaw与阿里云集成部署指南
云计算与容器化技术正在重塑现代开发范式,其中Docker和Kubernetes等工具通过资源隔离和弹性伸缩大幅提升部署效率。在AI开发领域,大模型与云服务的深度集成尤为关键,它既能保障计算资源的稳定性,又能通过API快速接入各类AI能力。阿里云作为国内领先的云服务提供商,其ECS实例和GPU资源为OpenClaw等智能开发平台提供了理想的运行环境。本文以OpenClaw 2026版为例,详细解析如何利用阿里云的计算型实例和GPU实例进行高效部署,涵盖从基础环境配置到性能优化的全流程实践,特别适用于金融分析等
本地Qwen + ComfyUI 制作AI漫剧完整保姆级教程(2026年3月最新版)
本文介绍了一个零成本、本地化AI漫剧制作方案,整合Qwen大模型和ComfyUI工作流。Qwen负责剧本创作、分镜设计和提示词生成,ComfyUI处理图像生成、角色一致性保持和动态视频制作。该方案支持8GB显存设备运行(推荐12GB),包含详细安装指南和完整制作流程:从Ollama安装Qwen模型,到ComfyUI配置及必备节点安装,再到分镜生成、角色固定、批量出图和视频合成。文章还提供了常见问题解决方案和优化技巧,全流程1-2小时即可完成3分钟竖屏漫剧制作,适合新手和日更创作者。
Android 16(API 36)状态栏颜色适配全攻略:从沉浸式到自定义背景
本文全面解析Android 16(API 36)强制沉浸式状态栏带来的适配挑战,提供了从FrameLayout包裹法到动态修改Window背景色的核心解决方案。针对传统状态栏颜色设置失效问题,详细阐述了如何利用WindowInsets API实现自定义背景,并涵盖全屏模式、Fragment切换及第三方ROM兼容性等实战场景,为开发者提供一站式适配指南。
GPU云服务器选型实战:从硬件到成本,五大维度深度对比与避坑指南
GPU加速计算已成为人工智能、深度学习和大规模并行处理的核心技术。其原理在于利用GPU的数千个计算核心并行处理数据密集型任务,相比CPU在特定计算上能实现数量级的性能提升。这一技术价值在于显著缩短了模型训练和推理时间,降低了大规模计算的硬件门槛。在应用场景上,GPU云服务器广泛服务于机器学习模型训练、科学模拟、图形渲染和实时推理等。本文聚焦于如何在实际工程中,基于硬件算力、软件生态、网络存储、计费成本和运维服务五大核心维度,对阿里云、腾讯云、华为云等主流平台的GPU实例进行深度评估与选择,帮助开发者规避驱动
ScanNet数据集下载全攻略:从申请到解析的保姆级教程(含常见问题解决)
本文提供了ScanNet数据集从申请授权到下载、解析的完整实战指南。针对这个大规模室内RGB-D数据集,详细介绍了官方申请流程、优化下载策略、数据验证方法,并重点解决了深度图解析等常见问题,帮助三维视觉研究者高效获取和使用这一宝贵资源。
(框架)Deepracer 自动训练 框架的搭建
该框架通过配置好的参数自动进行模型训练,自动迭代,每完成一次迭代之后发送邮箱提醒。
FreeRTOS项目:智能手表(1);
从 “最底层启动”→“系统基础配置”→“硬件驱动”→“中间件能力封装”→“上层业务功能”,分层递进、从基础到应用,就能逐步把整个项目的逻辑串联起来~
贝叶斯网络在R语言中的应用
本文将介绍如何在R语言中使用贝叶斯网络进行建模和推断,并提供相应的源代码示例。以上就是在R语言中使用贝叶斯网络进行建模和推断的基本步骤。通过构建贝叶斯网络模型并使用相应的函数,我们可以对变量之间的依赖关系进行建模、推断和预测。在建立了贝叶斯网络模型后,我们可以使用数据集来估计变量之间的条件概率。接下来,我们可以使用数据集来构建贝叶斯网络模型。除了进行推断,我们还可以使用贝叶斯网络模型进行预测。一旦我们获得了贝叶斯网络模型和条件概率表,我们就可以使用该模型进行推断。首先,我们需要安装并加载相关的R包。
阿里云“云智能”方案技术解析:从百炼大模型到容器部署实战
云计算作为现代IT基础设施的核心,通过虚拟化技术将计算、存储、网络资源池化,按需提供弹性服务。其核心原理在于通过分布式架构和自动化管理,实现资源的高效利用与灵活调度。这一技术价值在于显著降低了企业的IT运维成本和创新门槛,使开发者能够快速构建、部署和扩展应用。在应用场景上,云计算广泛支撑着Web服务部署、大数据分析、人工智能模型训练与推理以及微服务架构的运行。随着企业智能化转型加速,将AI能力与云原生技术深度融合的“云智能”方案成为关键趋势。阿里云百炼大模型平台作为此类方案的典型代表,提供了从模型训练、部署
C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正
自建服务器实战指南:从环境搭建到生产级运维
服务器是承载应用和服务的核心基础设施,其工作原理基于操作系统、网络协议和硬件资源的协同调度。通过自建服务器,开发者可以获得完全可控的环境,实现数据自主、性能定制和功能扩展,这对于需要高稳定性、特殊配置或隐私保护的应用场景尤为重要。在游戏联机、Web应用部署、代理中转等场景中,自建服务器能够有效绕过访问限制,提升服务可用性。本文以Ubuntu系统为例,详细解析服务器环境准备、服务部署、网络配置等关键步骤,并涵盖性能优化、监控告警、成本控制等生产级实践,帮助读者系统掌握私有服务器的搭建与运维技能。
WINCC7.3破解文件
WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!
假人有限元模型
假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用
开源大模型一键部署实战:基于阿里云PAI快速玩转M3与K2.7 Code
大语言模型(LLM)作为人工智能的核心技术,通过海量数据训练获得强大的语言理解和生成能力。其工作原理基于Transformer架构,通过自注意力机制处理序列数据,在代码生成、智能对话等场景展现出巨大价值。随着模型开源生态的繁荣,如何高效部署和应用这些模型成为工程实践的关键。阿里云机器学习平台PAI提供的一键部署功能,正是为了解决模型服务化中的环境配置、资源管理和性能优化等工程难题。该平台通过集成vLLM等高效推理框架和提供标准化API,显著降低了MiniMax M3通用模型与Kimi K2.7 Code专用
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具
AI智能体安全测试实战:基于云端沙箱的低成本自动化方案
在AI应用开发中,安全测试是确保智能体可靠性的关键环节。其核心原理在于通过模拟真实交互环境,系统性地验证智能体在面对恶意输入、越权操作等风险时的行为是否符合预期。对于基于大语言模型(LLM)的智能体,传统的渗透测试方法往往失效,因为其漏洞可能潜藏在提示词工程、工具调用逻辑等动态上下文中。因此,构建一个高保真、隔离的测试环境具有重要技术价值,它能帮助开发者提前发现并修复潜在的安全缺陷,提升应用的整体鲁棒性。在实际应用场景中,个人开发者或小团队常受限于高昂的商业测试服务成本。本文聚焦于利用**云端沙箱环境**和
2132



被折叠的 条评论
为什么被折叠?



