📚快速开始(必读) #

为了更好的保证平台使用体验，推荐使用Google浏览器最新版进行操作，更稳定；不要开梯子，开梯子可能导致网路不稳定，页面加载慢/超时。

平台登录地址：https://www.lanrui-ai.com/

登录揽睿星舟官网，点击算力市场，可以看到平台上提供的算力资源。按照计费方式，可以分为按量/包周/包月资源。这两个区分是：

• 购买按量付费的资源后，会帮用户自动创建一个工作空间，平台会按分钟进行资源计费。只要用户没有手动停止，该实例会一直运行计费，停止后结束计费。
• 购买包周/包月资源后，不会自动创建工作空间，已购的资源会出现个人中心-我的资产中。包月资源在购买时进行扣费，到期后会自动释放。

🔥AI绘画/炼丹相关 #

SD webui相关 #

comfyui相关 #

训练lora模型相关 #

sd-trainer：详见秋叶炼丹教程

kohya_ss：详见kohya训练LoRA教程

🚀常见问题汇总 #

更多问题FAQ，点击查看详情

🔶训练开发相关 #

平台提供多种机器学习算法和框架的AI开发环境镜像。可以根据需求选择按量或包年包月计费的GPU资源。加载镜像后，用户即可快速启动一个全功能工作空间。这个工作空间内置了Jupyter和VSCode开发工具，并支持Grafana监控、事件日志以及SSH登录等功能。

进入「工作空间」页面，点击创建工作空间，显示应用启动器和自定义创建两种创建模式。

应用启动器：快捷部署应用镜像 #

目前平台已经提供了SD WebUI/ComfyUI/Fooocus/秋叶lora训练/GPT-SoVITS启动器，无需输入命令，支持一键启动快速部署打开应用。

进入应用启动器页面，详情查看部署教程即可。

自定义创建：灵活配置环境及存储 #

下面以pytorch镜像训练举例

1. 创建工作空间 #

这里我们选择按量付费的资源，点击使用，然后选择一个pytorch镜像，用户可以选购买数据盘，加载平台数据集，模型，并设置自动停止时间。如果无需这些设置，直接点击创建实例即可。

为了后续的例子，我们加载数据集flower-photos，加载模型resnet34-pth

在工作空间列表页面，可以看到刚才创建的工作空间，待状态变为运行中时，就可以正常使用了。在启动过程中如果遇到问题，可以点击更多-事件按钮，会在屏幕下方显示事件窗口，查看相关信息，事件窗口的右上角可以切换高级模式，显示更详细的错误信息。

选择Jupyter或者VSCode打开工作空间，也可以点击SSH星号后面的小眼睛，就可以显示SSH登录命令，复制粘贴到个人电脑终端中进行登录（注意使用SSH登录的前提是先在平台上传了SSH pubkey, 这块的介绍参见这里）

1.1 文件系统 #

工作空间中几个重要的文件系统说明如下：

• /home/user/datadisk，该目录是工作空间的数据盘，会持久化到块存储上，工作空间停止或者重启后，数据不会丢失，除非用户手动释放工作空间。
• /home/user/netdisk/data，该目录是网盘的data文件夹，是在多个实例之间共享的，可以当成NAS来使用，但读写速度会比数据盘慢一些。
  - 该路径与原路径/ark-contexts/data一样，均可作为网盘路径使用，建议后续网盘data读写路径使用/home/user/netdisk/data
• 如果在启动工作空间时挂载了数据集，数据集会放在/home/user/imported_datasets/目录下，该目录是一个只读目录。
• /home/user/persistentdisk，该目录是环境持久盘，将持久化pip安装的依赖
• 如果在启动工作空间时挂载了模型，模型会放在/home/user/imported_models/目录下，该目录是一个只读目录。
• 根目录/，该目录是工作空间的数据盘，显示为500G，但实际可用空间为150G（其他空间被系统占用），实例关闭或者重启后，数据会丢失。请尽量不要写系统盘，特别的不要写满系统盘，否则会引起实例异常重启！

网盘数据上传和下载请参见以下方式：

• （推荐）如果是本地数据可使用文件管理工具，需要开启工作空间上传；

• 本地数据或可使用MC命令行/小黄鸭客户端上传，小于2G可以用小黄鸭，大于2G建议mc命令行，无需开启工作空间；

• （推荐）如果是c站、抱脸等网站的模型等文件，只要能获取到模型有效下载地址，使用「外部数据管理-url数据功能」进行下载，点击查看具体操作步骤

• 如果是百度网盘数据，可直接连接百度网盘传输，点击查看具体操作步骤。

• 如果您需要跨区传输数据，请参考跨区功能介绍

数据盘：训练及其他高IO场景用户，建议您务必选择挂载数据盘，可以得到比网盘好百倍的体验。

环境持久盘：具体介绍和收费规则详见这里

2. 开始训练 #

2.1 准备工作 #

在工作空间中，我们可以使用nvidia-smi命令查看显卡信息。

可以看到HOME目录是在/home/user目录，该目录下有一个data目录，会默认挂载网盘中的data目录。同时HOME目录下会出现imported_datasets和imported_models两个目录，里面有刚才设置的数据集和模型。

我们以github上的这个例子进行说明

git clone https://github.com/WZMIAOMIAO/deep-learning-for-image-processing.git

注意：如果发现git clone慢，请参考这里进行加速

2.2 训练模型 #

我们来复现pytorch_classification/Test5_resnet这个项目，按照说明，这个项目会使用resnet34网络对flower_photos数据集进行迁移学习。

首先，我们按照项目要求，将数据集复制到deep-learning-for-image-processing/data_set目录并进行训练集和验证集的划分

cd ~/deep-learning-for-image-processing/data_set
mkdir -p flower_data/flower_photos
cp -r ~/imported_datasets/flower-photos/* flower_data/flower_photos 
python3 split_data.py

进入pytorch_classification/Test5_resnet项目目录，按照说明，把resnet34这个模型拷贝到该目录下，并执行train.py脚本

cd ~/deep-learning-for-image-processing/pytorch_classification/Test5_resnet
cp ~/imported_models/resnet34-pth/resnet34-333f7ec4.pth resnet34-pre.pth
python3 train.py

默认epoch=3，可以看出，因为使用了resnet34预训练的权重，第1轮epoch，准确率就能达到94%。

我们可以对train.py做一点修改，不使用预训练模型，而是从头开始训练resnet，如下图我们注释掉部分内容，并修改epoch为20，重新训练（python3 train.py）

可以看到，不使用迁移学习时，经过20轮后，准确率也只有79%

在训练过程中，我们可以使用平台提供的监控功能，打开grafana查看GPU，CPU的运行状况

客服支持 #

在使用过程中有任何疑问或建议，可以【扫码添加客服小助手微信】获得支持

网络加速 #

git clone、wget慢，请开启学术加速尝试，参考学术网站加速文档；

pip install慢，请切换国内源尝试，参考切换源为国内源文档；

💰充值和计费相关 #

平台计费规则，详见计费说明