3 步上手

3 步快速上手流程：

利用我们预制的基础镜像快速创建云主机

1 用基础镜像创建云主机

1.1 第一步：创建云主机

点击顶部的【云主机】按钮，进入云主机界面：https://console.suanli.cn/server

挑选合适的设备，本例中点击【4台设备可租】按钮

GPU 型号推荐配置：随便选

1. 显存完全达标：

   • 图片中所有型号单卡均提供 24GB 以上显存，远超服务部署启动的要求，无需担心显存不足。

2. 性价比与灵活性：

• 1 卡配置：每小时仅需 1.68 元，按秒计费（0.000446 元/秒），适合短期测试或常规任务。
• 多卡选项备用：若未来需要多卡训练或高并发任务，可随时切换 2 卡/4 卡。

1. 简化选择逻辑：
   • 无特殊需求：如果只是运行文档镜像中的常规任务（如模型推理、数据处理），单卡性能完全足够。
   • 兼容性无忧：镜像仓库默认适配主流 GPU 型号（如 4090），无需额外调试。

操作建议

• 随便选 直接选定合适的设备，快速完成部署。
• 进阶场景：仅当需要训练大模型（如 LLM、多模态）时，再考虑 2 卡/4 卡配置。

图片中的配置均为“无坑选项”，闭眼选 1 卡即可开箱即用，成本可控，资源立即可用。

1.2 第二步：配置资源

1.2.1 设置实例名称

为创建的开发机设置一个容易记住的名字，也可以采用系统自动生成的实例名称。

1.2.2 选择基础镜像

按照需求选择我们预制好的镜像，同时可以通过文档链接快速了解容器化部署对应服务的步骤。

这里我们选择了 在 Ubuntu22.04 上运行的 PyTorch 的 2.1.2 版本，Python 为 3.10，CUDA 版本 11.9 的镜像作为示例。

• 平台默认提供了一批基础镜像供试用，可以根据实际需要选择合适的镜像

1.2.3 开通共享存储卷服务，挂载到本机目录

注意：

• 挂载存储的时候，不要直接挂载到/、/root、 /root/目录，否则会出现一些奇怪的问题。建议挂载在类似/root/data 、/root/code 之类的二级目录。

同意服务协议，点击【创建实例】按钮，完成云主机的创建过程。

1.3 第三步：查看运行状态

2 一些名词详细解释

2.1 GPU 型号（4090）

打个比方：

像不同规格的“工程机械车”：

• 1 卡/2 卡/4 卡/8 卡：代表单台机器搭载的 GPU 数量，类似一辆卡车能装 1 台或 8 台发动机，动力逐级增强。
• 显存 24GB：相当于车辆的“货仓容量”，决定了一次性能处理多少数据（如大型模型参数）。
• 内存 64GB & CPU 核心数 16：如同驾驶室的空间和司机数量，影响多任务并行处理效率。
  • xxx 台设备可用：表示当前可用的“车辆库存”，库存越多，部署越快。

适用场景：

• 1 卡：常规任务（模型推理、数据处理）。
• 多卡：分布式训练、高并发计算（如大语言模型训练）。

---

2.2 服务配置（实例名称）

打个比方：

就像给项目文件贴标签，例如“2025-双十一促销数据分析”，方便后续查找和管理。

简而言之：

服务名称是用户为当前部署任务定义的唯一标识，建议采用「用途 + 日期」格式（如 image-classification-20250515），便于后续监控、管理和成本追踪。

---

2.3 基础镜像

基础镜像是共绩算力平台为用户提供的一批“即开即用、极简配置、环境一致”的预置镜像。基础镜像兼容了本地开发习惯，支持多进程管理，非常方便后续平滑迁移到无状态服务部署。

镜像组成

1. 基础系统

操作系统：Ubuntu 20.04 / 22.04（根据 CUDA 版本选择）

CUDA：11.8（20.04）/ 12.8（22.04），支持 AdaLovelace 架构（如 4090）

包管理：apt（默认更换为清华源，加速安装）

1. Shell 与多进程管理

Bash：主交互 Shell

screen：多会话管理

supervisord：多进程管理器，统一管理各服务进程

1. 远程与开发工具

SSH Server：支持通过环境变量配置用户名密码，便于远程开发

VSCode Server：预装插件（Python、Pylance、Jupyter、Python Debugger），自动配置解释器路径，自动激活 conda 环境

JupyterLab：预装插件（JupyterLab Debugger、LSP、TOC、LaTex、HTML、Matplotlib），默认启动 bash 终端，自动激活 conda 环境

miniconda：默认更换为清华源，自动加载 base 环境，管理 Python、pip、JupyterLab 等

1. AI 框架支持

• PyTorch

支持版本：2.7.1、2.6.0、2.5.1、2.4.1、2.3.1、2.2.2、2.1.2、2.0.1、1.13.1、1.8.2

每个版本均兼容最高 Python、CUDA、Ubuntu 版本

• TensorFlow

支持版本（Python 版本需对应）：2.19-py3.12、2.18-py3.12、2.15-py3.11、2.11-py3.10、2.7-py3.9、2.4-py3.8、2.1-py3.7、2.1-py2.7、1.15-py3.7、1.15-py2.7