如何用阿里云服务器跑深度学习代码？

使用阿里云服务器运行深度学习代码是一个非常常见且高效的选择。以下是详细的步骤指南，帮助你从零开始在阿里云服务器上部署和运行深度学习代码。

一、准备工作

1. 注册阿里云账号

• 访问 阿里云官网
• 注册并完成实名认证

2. 开通ECS（弹性计算服务）

• 登录阿里云控制台
• 进入 ECS 管理控制台
• 点击“创建实例”

二、选择合适的服务器配置

深度学习对计算资源要求较高，建议选择：

💡 提示：首次使用可选择按量付费（小时计费），测试后再转包年包月。

三、连接服务器（SSH）

1. 创建实例后，获取公网 IP 地址
2. 使用 SSH 连接（Linux/Mac）：

ssh root@<你的公网IP>

Windows 用户可使用 PuTTY 或 Windows Terminal + WSL。

四、安装必要环境

1. 更新系统

sudo apt update && sudo apt upgrade -y

2. 安装 NVIDIA 驱动（GPU 实例已预装，可跳过或验证）

nvidia-smi

若显示 GPU 信息，则驱动已就绪。

3. 安装 CUDA 和 cuDNN（可选）

• 通常阿里云 GPU 镜像已预装 CUDA
• 检查版本：nvcc --version
• 如需特定版本，可手动安装（参考 NVIDIA 官网）

4. 安装 Anaconda / Miniconda（推荐）

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh
# 按提示安装，重启终端或 source ~/.bashrc

5. 创建虚拟环境并安装深度学习框架

conda create -n dl python=3.9
conda activate dl

安装 PyTorch（示例）：

# 查看官网命令，例如：
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia

或安装 TensorFlow：

pip install tensorflow[and-cuda]

验证 GPU 是否可用：

import torch
print(torch.cuda.is_available())  # 应输出 True
print(torch.cuda.get_device_name(0))

五、上传和运行深度学习代码

方法 1：使用 SCP 上传代码（推荐）

本地终端执行：

scp -r your_project root@<公网IP>:/root/

方法 2：使用 Git

git clone https://github.com/your-repo/deep-learning-project.git

方法 3：使用 Jupyter Notebook（推荐交互式开发）

pip install jupyter
jupyter notebook --ip=0.0.0.0 --port=8888 --no-browser --allow-root

然后在浏览器访问：

http://<你的公网IP>:8888

⚠️ 注意：需在阿里云安全组中开放 8888 端口

六、安全组配置（关键！）

在 ECS 控制台中：

1. 进入“安全组”配置
2. 添加规则：
   • 协议类型：自定义 TCP
   • 端口范围：22（SSH）、8888（Jupyter）、或其他需要的端口
   • 授权对象：0.0.0.0/0（或你的 IP）

七、运行代码

cd /root/your_project
python train.py

建议使用 screen 或 tmux 防止 SSH 断开导致中断：

screen -S dl_train
python train.py
# 按 Ctrl+A, 再按 D 脱离会话
# 重新连接：screen -r dl_train

八、进阶建议

1. 使用 NAS 或 OSS 存储数据集，避免系统盘空间不足
2. 使用容器（Docker）：阿里云支持 GPU Docker，便于环境管理
3. 使用 PAI 平台：阿里云机器学习平台（PAI）提供更高级的训练任务管理
4. 监控资源：使用 nvidia-smi 查看 GPU 利用率

九、费用优化建议

• 使用 抢占式实例（价格低，适合实验）
• 用完及时 释放实例 或 停止计费
• 使用 镜像 保存环境，避免重复配置

总结

✅ 步骤总结：

1. 创建 GPU ECS 实例（Ubuntu）
2. SSH 登录
3. 安装 Anaconda、PyTorch/TensorFlow
4. 上传代码（SCP/Git）
5. 开放安全组端口
6. 运行训练（建议用 screen）

如果你提供具体的深度学习框架（如 PyTorch、TensorFlow）或任务类型（图像分类、NLP等），我可以给出更详细的配置脚本和优化建议。欢迎继续提问！