AutoAL和AutoDL都是为深度学习研究提供服务的云平台，它们在深度学习领域各有优势。留学gap year里，因为是学制较短的硕士项目，想要进入算法岗还需要做科研，发文章。离开了学校，用不了学校里的卡，于是我寻找了网上的服务器，想要租用GPU做几段科研。经过网上搜索，知乎推荐了Autodl，4090才2元一小时，于是在几个月里，我在家里用autodl完成了某个baseline的PSNR的大幅度提升，感觉能发a/b会。

AudoDL的优点

1. GPU选择多样：AutoAL提供了多种GPU选项，包括NVIDIA A100、V100、RTX 4090等，满足不同深度学习任务的需求。
2. 预装深度学习框架：AutoAL的镜像预装了多种深度学习框架，如PyTorch、TensorFlow等，用户无需额外配置环境，开箱即用。
3. 数据持久性：AutoAL实例中的数据在关机后将全部保存，开机后无需再次配置和上传数据，这对于需要长期运行的项目来说非常方便。
4. 弹性计费：AutoAL支持按需计费，无卡模式下不计费，适合预算有限的研究者。
5. 易用性：AutoAL提供了JupyterLab、VSCode和PyCharm等工具，支持远程开发，使得代码开发和调试更加便捷。
6. 社区支持：AutoAL社区活跃，提供了大量的教程和文档，帮助用户快速上手。
7. 性能监控：通过AutoAL控制台，用户可以实时监控GPU状态，如使用率和温度，确保模型训练的稳定性。

使用AutoDL的经历

作为一名准备留学gap year的学生，在gap year里利用AutoDL进行科研，并将某个baseline的性能进行提升，可能会经历以下步骤：

1. 注册与初步配置：
   • 在AutoDL平台完成账户注册，并进行实名认证和两步验证，确保账户和数据安全。
   • 选择合适的GPU型号和镜像，根据任务需求进行配置。
2. 数据上传与预处理：
   • 使用AutoDL支持的数据上传方式，如本地上传、云端链接同步等，将数据集上传至平台。
   • 根据任务类型，选择合适的自动化数据预处理功能，并进行必要的调整和优化。
3. 模型选择与训练：
   • 从AutoDL提供的预训练模型库中选择合适的模型作为baseline。
   • 根据任务特点，配置并行计算策略，如数据并行、模型并行等，以提升训练速度。
   • 利用AutoDL的自动调参功能，设定合理的超参数搜索范围和策略，减少人工调参的负担。
4. 监控与优化：
   • 通过AutoDL提供的监控工具，实时监控GPU利用率、内存占用、实时日志等信息。
   • 根据监控结果，动态调整训练过程中的超参数，以应对内存不足、计算瓶颈等问题。
   • 利用任务并行与调度功能，优化资源利用率，提高训练效率。
5. 模型评估与测试：
   • 使用AutoDL的自动评估工具，在训练后评估模型效果，并输出检测精度和召回率等指标。
   • 根据评估结果，对模型进行调优和性能监控，进一步提升模型性能。
6. 记录与分享：
   • 利用AutoDL的自动化实验记录与可视化功能，记录实验过程和结果。
   • 在AutoDL社区中分享经验和成果，与其他研究者交流和讨论。