如何用阿里云服务器跑深度学习代码？

在阿里云服务器上运行深度学习代码需要经过环境配置、代码部署和任务管理几个关键步骤。以下是详细指南：

一、服务器选型与购买

1. 选择GPU实例（关键步骤）：

   • 推荐规格：ecs.gn6v/gn7i系列（V100/T4显卡）
   • 最低配置：ecs.gn5（P100，适合入门）
   • 注意：部分区域需申请GPU配额

2. 系统镜像选择：

   • 推荐：Ubuntu 20.04/22.04 LTS
   • 可选：预装CUDA的阿里云镜像（搜索"GPU"镜像市场）

二、环境配置（以Ubuntu为例）

# 1. 安装NVIDIA驱动（部分镜像已预装）
sudo apt update
sudo ubuntu-drivers autoinstall

# 2. 安装CUDA Toolkit（以11.7为例）
wget https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda_11.7.1_515.65.01_linux.run
sudo sh cuda_11.7.1_515.65.01_linux.run

# 3. 安装cuDNN（需官网下载）
tar -xzvf cudnn-linux-x86_64-8.x.x.x_cudaX.Y-archive.tar.xz
sudo cp cuda/include/* /usr/local/cuda/include/
sudo cp cuda/lib64/* /usr/local/cuda/lib64/

# 4. 安装Miniconda
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh

三、深度学习环境搭建

# 创建虚拟环境
conda create -n dl python=3.8
conda activate dl

# 安装PyTorch（示例）
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu117

# 或TensorFlow
pip install tensorflow[and-cuda]==2.10.0

四、代码部署与运行

1. 文件传输：

   # 从本地到服务器
   scp -r /local/path username@server_ip:/remote/path
   
   # 或使用OSS：
   ossutil cp -r oss://bucket/path /server/path

2. 运行训练任务：

   # 直接运行
   python train.py --batch_size 32
   
   # 使用nohup后台运行
   nohup python train.py > log.txt 2>&1 &
   
   # 使用tmux（推荐）
   tmux new -s train_session
   python train.py
   # Ctrl+B D 退出会话

五、高级管理技巧

1. 监控GPU状态：

   watch -n 1 nvidia-smi

2. 自动化脚本示例：

   #!/bin/bash
   conda activate dl
   cd ~/project
   for lr in 0.001 0.0001; do
      python train.py --lr $lr --exp_name lr_$lr
   done

3. 成本优化：

   • 使用抢占式实例（价格低至常规实例的10%）
   • 设置自动释放时间：--auto-release-time 2023-12-31T12:00:00Z

六、常见问题解决

1. CUDA报错：

   • 检查驱动版本：nvidia-smi顶部显示版本
   • 验证CUDA：nvcc --version

2. 库冲突：

   • 使用conda list检查版本
   • 重建干净环境：conda env export > environment.yml

3. 磁盘不足：

   • 扩容云盘（需停机操作）
   • 挂载OSS：ossfs your-bucket /mnt/oss -o url=oss-cn-hangzhou.aliyuncs.com

七、推荐配置组合

注意事项

1. 按量计费实例记得设置释放提醒
2. 重要数据定期备份到OSS
3. 安全组需开放必要的端口（如Jupyter Notebook的8888）

通过以上步骤，您可以在阿里云上高效运行深度学习任务。对于长期项目，建议使用资源编排服务ROS来自动化管理基础设施。