云端 GPU 算力使用教程：在 VeryAI 平台完成深度学习模型训练

背景

在进行 AI 开发工作时，本地硬件算力往往难以满足模型训练的需求。最近在寻找高性价比的云端 GPU 资源时，接触到了 VeryAI GPU 算力平台，完成了从注册到模型训练的完整流程，在这里整理成教程分享给大家。

官方文档地址： https://doc.veryai.cn/

平台概况

VeryAI GPU 算力平台提供云端 GPU 实例租用服务，面向开发者和科研人员提供按需计费的算力资源。

注册方式 ：支持短信验证码登录和微信扫码登录，登录即完成注册。

新用户注册机制 ：账户注册完成后，系统会自动分配 150 积分（1 积分 = 1 元人民币）到账户中，可用于抵扣平台服务费用，无需预先充值即可开始使用。

支持的 GPU 型号一览

平台提供多种 GPU 型号供用户选择：

完整使用流程（6 步）

Step 1：注册登录

访问 veryai.cn，使用手机号接收验证码完成登录，或使用微信扫码授权登录。登录成功即完成注册。

Step 2：查看账户积分

登录后进入「我的账户」页面，可以看到账户中已自动分配 150 积分，可用于后续实例租用。

Step 3：租用 GPU 实例

1. 进入「GPU 实例市场」，浏览可用的 GPU 型号
2. 选择合适的 GPU 型号和数量
3. 选择预装的系统镜像（支持 PyTorch、TensorFlow 等）
4. 设置租用时长
5. 提交订单，使用账户积分支付

Step 4：连接实例

实例创建成功后，支持三种连接方式：

• VNC 图形界面连接
• SSH 命令行连接
• Jupyter Notebook 在线开发环境

Step 5：运行 GPU 任务

平台已预装主流深度学习框架，可直接运行训练任务。以下是 GPU 环境检测示例代码：

NVIDIA-SMI 输出示例：
import torch

print(“PyTorch 版本:”, torch.version)
print(“CUDA 可用:”, torch.cuda.is_available())
print(“CUDA 版本:”, torch.version.cuda)
print(“GPU 数量:”, torch.cuda.device_count())

if torch.cuda.is_available():
for i in range(torch.cuda.device_count()):
print(f"GPU {i}: {torch.cuda.get_device_name(i)}")

# 简单的矩阵运算测试
x = torch.rand(1000, 1000).cuda()
y = torch.rand(1000, 1000).cuda()
z = torch.matmul(x, y)
print("\nGPU 计算测试完成")
print(f"输出张量尺寸: {z.size()}")

else:
print(“CUDA 不可用，请检查实例配置”)

NVIDIA-SMI 输出示例：
±----------------------------------------------------------------------------+
| NVIDIA-SMI 535.54.03 Driver Version: 535.54.03 CUDA Version: 12.2 |
|-------------------------------±---------------------±---------------------+
| GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. |
+=++==============+
| 0 NVIDIA GeForce RTX 3090 Off | 00000000:00:05.0 Off | N/A |
| 0% 30C P8 15W / 350W | 0MiB / 24576MiB | 0% Default |
±------------------------------±---------------------±---------------------+

Step 6：保存工作成果

实例到期后系统盘数据将被清除，建议将重要数据备份至云盘或下载到本地。

典型使用场景

场景一：深度学习模型训练

• 使用多卡 GPU 实例进行模型训练

• 通过 SSH 连接实例，上传训练代码和数据集

• 运行训练脚本，监控训练进度

• 训练完成后下载模型权重
  场景二：推理服务部署

• 使用单卡 GPU 实例部署模型服务

• 配置公网访问策略

• 启动推理 API 服务
  场景三：数据预处理

• 使用 CPU 实例或低配 GPU 实例

• 上传原始数据，运行预处理脚本

• 保存处理后的数据用于后续训练

计费说明

• 采用积分账户体系，1 积分 = 1 元人民币
• GPU 实例按租用时长计费，精确到分钟
• 实例到期后自动停止计费
• 不支持主动释放实例，请根据任务需求合理规划租用时长

注意事项

1. 系统盘数据在实例到期后自动清除，请及时备份重要数据
2. 建议根据任务预估时间设置租用时长，避免资源浪费
3. 可定期创建快照备份重要数据

总结

VeryAI 平台提供了较为丰富的 GPU 型号选择，操作流程简单直观，预装环境节省了配置时间。积分计费体系清晰，新用户账户中的初始积分足以完成初步的模型训练实验。

对于需要临时算力的开发者和学生而言，这是一个可以纳入考虑的选项。建议结合自身项目需求评估是否适用。

更多详细信息可参考官方文档： https://doc.veryai.cn/
标签 ：深度学习, GPU, 云计算, PyTorch, 教程, 算力

以上是个人使用经验，仅供参考。