50% kedvezmény minden csomagra, korlátozott ideig. Kezdőár: $2.48/mo

Deep Learning GPU szerver

Modelleket tanítson be
dedikált GPU-k.

NVIDIA A100, RTX 5090 és RTX 4090, teljes PCI passthrough, nem megosztott.
NVMe tárolás a gyors adatbetöltéshez. Független felhőszolgáltató 2008 óta.
122 000+ felhasználó bízik a Cloudzy-ban. 14 napos pénzvisszafizetési garancia, kérdések nélkül.

4.6 · 728 reviews on Trustpilot

Kezdve $14.47/mo · 50% kedvezmény · Bankkártya nem szükséges

~ ssh root@vps-001 csatlakozva
$ ssh root@gpu-srv-001
Üdvözöljük az Ubuntu 24.04 LTS rendszerben (CUDA 12.4)
root@gpu-srv-001:~$ nvidia-smi --query-gpu=name,memory.total --format=csv
név, memória.összesen [MiB]
NVIDIA A100-SXM4-80GB, 81920 MiB
root@gpu-srv-001:~$ python3 -c "import torch; print(torch.cuda.is_available())"
Igaz
root@gpu-srv-001:~$ torchrun --nproc_per_node=1 train.py --epochs 50
Epoch 1/50 | Loss: 0.4821 | LR: 1e-4

A Deep Learning GPU szerver dióhéjban

Cloudzy Deep Learning GPU Szerverek használj NVIDIA A100, RTX 5090 és RTX 4090 GPU-eket teljes PCI passthrough-val. AMD EPYC CPU-k, NVMe tárolás, DDR5 memória és 40 Gbps Uplink-ek között 12 régió. CPU csomagok kezdődnek $2.48/mo; GPU csomagok elérhetők az árazási oldalon. Cloudzy szolgált 122,000+ felhasználó óta 2008, értékelve 4.6/5 a Trustpilot-on. 14 napos pénzvisszafizetési garancia minden csomagra.

Kezdőár
$2.48 / month
Kiépítés
60 másodperc
Régiók
12 világszerte
Üzemidő SLA
99.95%
Pénzvisszafizetés
14 nap
Alapított
2008

Miért választják a fejlesztők a Cloudzy-t

Egy technikai tudású kedvenc

A négy szempont, amelyen a vásárlók ténylegesen összehasonlítanak minket - és mindegyiken helytállunk.

Csúcskategóriás infrastruktúra

Legújabb generációs AMD EPYC, kizárólag NVMe-alapú tárolás, DDR5 memória, 40 Gbps uplink kapcsolatok. Egyszálas teljesítményben vezető szerepet töltünk be minden csomagszinten.

Kockázatmentes próbaidőszak

14 napos pénzvisszafizetési garancia minden csomagra. Kérdések nélkül. Telepítési díj nincsen. Bármikor lemondható az irányítópultról.

99,95% üzemidő SLA

Automatikus monitorozás 12 régióban. Az elmúlt 30 nap SLA adatai nyilvánosan követhetők a status.cloudzy.com oldalon, semmi nincs elrejtve.

24/7 emberi támogatás

Élő chat és jegyválaszok jellemzően 5 percen belül. Mérnökök, nem forgatókönyv-olvasók. Medián megoldási idő 1 óra alatt.

Felhasználási esetek

Miért választják a fejlesztők
Cloudzy Deep Learning GPU Szervere.

Modelltanítás

Taníts CNN-eket, transformereket és diffúziós modelleket dedikált NVIDIA GPU-eken. Teljes CUDA hozzáférés, NVMe a gyors adatbetöltéshez, NCCL a többprocesszoros tanításhoz.

LLM finomhangolása

Finomhangold a Llama, Mistral vagy Gemma modelleket A100-en vagy RTX 5090-en. QLoRA 24 GB VRAM-en, teljes finomhangolás 80 GB-on. NVMe kezeli a checkpoint írásokat a tanítás megakasztása nélkül.

Inference kiszolgálás

Szolgáltass modelleket vLLM, TGI vagy Triton segítségével dedikált GPU-eken. A PCI passthrough teljes VRAM-t és teljes órajelet biztosít, ugyanolyan teljesítménnyel, mint a bare metal.

Számítógépes látás

Objektumdetekció, szegmentálás, képgenerálás. GPU-gyorsított OpenCV, YOLO, Stable Diffusion. NVMe tartja feltöltve a tanítási adatfolyamokat szűk keresztmetszetek nélkül.

Kutatás és prototípusok

Jupyter notebookok, kísérletkövetés, hiperparaméter-keresés. Indíts GPU szervereket, futtass kísérleteket, majd állítsd le őket. A 14 napos pénzvisszafizetési garancia csökkenti az új projektek kockázatát.

Adatfeldolgozás

RAPIDS, cuDF, cuML. GPU-gyorsított adatfeldolgozás nagy adathalmazokhoz. Tisztítsd, alakítsd át és vonj ki jellemzőket az adatokból a tanítás előtt. NVMe olvasások tartják magasan a GPU kihasználtságát.

60s
Kiépítés
40 Gbps
Felfelé mutató kapcsolat
Csak NVMe
Tárolás
12
Régiók
99.95%
Üzemidő SLA
14 nap
Pénzvisszafizetés

Globális hálózat

12 régió. Négy kontinens.
Egy kattintásra.

Helyezd el Deep Learning GPU Szerveredet a fizika által lehetővé tett legközelebbi pontra a felhasználóidhoz. Medián P50 késleltetés 10 ms alatt Észak-Amerikában és Európában.

us-utah-1us-dal-1us-lax-1us-nyc-1us-mia-1eu-ams-1eu-lon-1eu-fra-1eu-brn-1me-dxb-1ap-sgp-1ap-syd-1

Árazás

Csak annyit fizet, amennyit használ. Ez az.

Óránként, havonta vagy évente. Kimenő forgalmi díj nélkül. Kötöttségek nélkül. Jelenleg 50% kedvezmény az összes csomag.

8 GB DDR5

Tanítási adatfolyamok · előfeldolgozás

$26.475 /hó
$52.95/mo −50%
Telepítés most
14 napos visszatérítési garancia
  • 4 vCPU @ EPYC
  • 240 GB NVMe
  • 7 TB · 40 Gbps
  • Dedikált IPv4 + IPv6
  • Root SSH · KVM
16 GB DDR5

Több GPU koordinációja · modellszolgáltatás

$49.98 /hó
$99.95/mo −50%
Telepítés most
14 napos visszatérítési garancia
  • 8 vCPU @ EPYC
  • 350 GB NVMe
  • 10 TB · 40 Gbps
  • Dedikált IPv4 + IPv6
  • Root SSH · KVM
32 GB DDR5

Nagyszabású tanítás · elosztott számítás

$109.975 /hó
$219.95/mo −50%
Telepítés most
14 napos visszatérítési garancia
  • 12 vCPU @ EPYC
  • 750 GB NVMe
  • 12 TB · 40 Gbps
  • Dedikált IPv4 + IPv6
  • Root SSH · KVM

GYIK — Deep Learning GPU Szerver

Gyakori kérdések egyenes válaszok.

Mely GPU-ek érhetők el?

NVIDIA A100 (1x, 2x, 4x), RTX 5090 (1x, 2x) és RTX 4090 (1x, 2x, 4x). Mindegyik PCI passthrough-t használ, a GPU dedikáltan a te VM-edhez tartozik, nem megosztott. Teljes VRAM, teljes órajel, teljes CUDA hozzáférés. A jelenlegi GPU csomagok részleteiért és elérhetőségéért látogass el az árazási oldalra.

A GPU-ek megosztottak vagy dedikáltak?

Dedikáltak. A PCI passthrough kizárólagos hozzáférést biztosít a VM-ednek a fizikai GPU-hez. A CUDA, NVENC és NCCL pontosan úgy viselkedik, mint bare metal esetén. Nincs időosztás, nincs MIG particionálás, nincs virtualizációs többletterhelés magán a GPU-en.

Milyen CUDA verzió érhető el?

A GPU csomagok előre konfigurált CUDA képekkel érkeznek, jelenleg CUDA 12.x Ubuntu LTS-en. Mivel teljes root hozzáféréssel rendelkezel, bármilyen szükséges CUDA verziót telepíthetsz. PyTorch, TensorFlow, JAX és más keretrendszerek pip vagy conda segítségével telepíthetők a szokásos módon.

Mennyi VRAM kell a mélytanuláshoz?

A modelltől függ. Egy 7B LLM QLoRA-val való finomhangolása 24 GB-ba elfér. Egy 7B modell teljes finomhangolásához 40+ GB kell. Nagy modellek nulláról való tanításához vagy fp16 70B inferenciához 80 GB szükséges (A100). Válassz olyan GPU csomagot, amely illik a modelled memóriaigényéhez.

Lehetséges multi-GPU tanítás?

Igen. A 2x vagy 4x GPU-t tartalmazó csomagok támogatják az NCCL-t az elosztott tanításhoz. PyTorch DDP, DeepSpeed, FSDP – mind az elvártak szerint működik. Az NVMe tárhely a checkpoint-mentéseket a tanítási folyamat lelassítása nélkül kezeli.

Van pénzvisszafizetési garancia a GPU csomagokra?

Igen, 14 nap, teljes visszatérítés, kérdések nélkül. Futtasd a tényleges tanítási feladatodat, mérd fel az inferencia-pipeline teljesítményét. Ha a GPU szerver nem felel meg az igényeidnek, visszakapod a pénzed.

Milyen gyors a kiépítés?

A fizetés visszaigazolásától számított 60 másodpercen belül. A GPU csomagok előre konfigurált CUDA-képpel indulnak, az nvidia-smi azonnal válaszol. Telepítsd a keretrendszered, és perceken belül kezdj el tanítani, ne órákig várj.

Használhatom ezeket éles inferenciához?

Igen. Dedikált GPU, 99,95%-os rendelkezésre állási SLA, dedikált IPv4. Futtasd a vLLM-t, Triton-t, vagy saját inferencia-szervered egy load balancer mögött. A 40 Gbps hálózat elbírja a nagy áteresztőképességű inferencia-forgalmat.

CPU-t és tárhelyet is kapok?

Igen. A GPU csomagok tartalmaznak AMD EPYC CPU-t (csomagtól függően 12–64 vCPU), DDR5 RAM-t (48–768 GB) és NVMe tárhelyet (500 GB-tól 6 TB-ig). A CPU az adatok előfeldolgozásáért felel, miközben a GPU tanít. Az NVMe gyors adatbetöltést biztosít.

Hogyan viszonyulnak az árak a felhős GPU szolgáltatókhoz?

A Cloudzy GPU csomagok dedikált hardvert használnak, megosztott erőforrások nélkül. Az árak az árképzési oldalon találhatók, átlátható havi és éves díjakkal, rejtett compute-hour díjak nélkül. A 14 napos pénzvisszafizetési garancia lehetőséget ad a tesztelésre, mielőtt elkötelezed magad.

Dedikált GPU-k, azonnal.
Telepítés 60 másodperc alatt.

Nem szükséges bankkártya · 14 napos pénzvisszafizetési garancia · Bármikor lemondható