Which GPUs are available?

NVIDIA A100 (1x, 2x, 4x), RTX 5090 (1x, 2x), and RTX 4090 (1x, 2x, 4x). All use PCI passthrough, the GPU is dedicated to your VM, not shared. Full VRAM, full clock speeds, full CUDA access. See the pricing page for current GPU plan details and availability.

Are the GPUs shared or dedicated?

Dedicated. PCI passthrough gives your VM exclusive access to the physical GPU. CUDA, NVENC, NCCL all behave exactly like bare metal. No time-sharing, no MIG partitioning, no virtualization overhead on the GPU itself.

What CUDA version is available?

GPU plans ship with pre-configured CUDA images, currently CUDA 12.x on Ubuntu LTS. You can install any CUDA version you need since you have full root access. PyTorch, TensorFlow, JAX, and other frameworks install via pip or conda as usual.

How much VRAM do I need for deep learning?

Depends on your model. Fine-tuning a 7B LLM with QLoRA fits in 24 GB. Full fine-tune of a 7B model needs 40+ GB. Training from scratch on large models or running fp16 70B inference needs 80 GB (A100). Match GPU plan to your model's memory footprint.

Can I do multi-GPU training?

Yes. Plans with 2x or 4x GPUs support NCCL for distributed training. PyTorch DDP, DeepSpeed, FSDP, all work as expected. NVMe storage handles checkpoint saves without stalling the training loop.

Is there a money-back guarantee on GPU plans?

Yes, 14 days, full refund, no questions asked. Run your actual training job, benchmark your inference pipeline. If the GPU server doesn't meet your needs, you get your money back.

How fast is provisioning?

60 seconds from payment confirmation. GPU plans boot with a pre-configured CUDA image, nvidia-smi returns immediately. Install your framework and start training in minutes, not hours.

Can I use these for inference in production?

Yes. Dedicated GPU, 99.95% uptime SLA, dedicated IPv4. Run vLLM, Triton, or your own inference server behind a load balancer. 40 Gbps network handles high-throughput inference traffic.

Do I also get CPU and storage?

Yes. GPU plans include AMD EPYC CPUs (12-64 vCPU depending on plan), DDR5 RAM (48-768 GB), and NVMe storage (500 GB to 6 TB). The CPU handles data preprocessing while the GPU trains. NVMe keeps data loading fast.

How does pricing compare to cloud GPU providers?

Cloudzy GPU plans use dedicated hardware with no time-sharing overhead. Pricing is listed on the pricing page, transparent monthly and annual rates with no hidden compute-hour charges. 14-day money-back lets you test before committing.

Server GPU per Deep Learning

Train models on
dedicated GPUs.

Name: Cloudzy Deep Learning GPU Server
Brand: Cloudzy
Availability: InStock
Rating: 4.6 (713 reviews)

NVIDIA A100, RTX 5090 e RTX 4090, PCI passthrough completo, non condiviso.
Storage NVMe per il caricamento rapido dei dati. Cloud indipendente dal 2008.
Oltre 122.000 utenti si affidano a Cloudzy. Rimborso entro 14 giorni, senza domande.

4.6 · 713 reviews on Trustpilot

Avvia il Server GPU Compare plans

Starting at $14.47/mo · 50% di sconto · Nessuna carta di credito richiesta

~ ssh root@vps-001 connected

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

Server GPU per Deep Learning in sintesi

Server Cloudzy Deep Learning GPU usa NVIDIA A100, RTX 5090 e RTX 4090 con PCI passthrough completo. AMD EPYC CPUs, NVMe storage, DDR5 memory, and 40 Gbps uplinks across 12 regions. I piani CPU partono da $2.48/mo; i piani GPU sono disponibili nella pagina dei prezzi. Cloudzy has served 122,000+ users since 2008, rated 4.6/5 on Trustpilot. 14-day soddisfatti o rimborsati su tutti i piani.

Starting price: $2.48 / month
Provisioning: 60 seconds
Regions: 12 worldwide
Uptime SLA: 99.95%
Money-back: 14 days
Founded: 2008

Perché gli sviluppatori scelgono Cloudzy

A tech-savvy favorite.

I quattro aspetti su cui i clienti ci confrontano davvero. Eccoli, fatti bene.

Infrastruttura ad alte prestazioni

AMD EPYC di ultima generazione, storage esclusivamente NVMe, memoria DDR5, uplink da 40 Gbps. Prestazioni single-thread ai vertici per ogni livello di piano.

Prova senza rischi

Garanzia soddisfatti o rimborsati di 14 giorni su ogni piano. Nessuna domanda, nessun costo di attivazione. Disdici quando vuoi dal pannello di controllo.

99.95% uptime SLA

Monitoraggio automatico in 12 regioni. Il nostro SLA degli ultimi 30 giorni è tracciato pubblicamente su status.cloudzy.com, senza nulla da nascondere.

24/7 human support

Chat in tempo reale e risposte ai ticket in meno di 5 minuti. Tecnici veri, non operatori da copione. Tempo medio di risoluzione sotto l'ora.

Use cases

Perché gli sviluppatori scelgono
Server Cloudzy Deep Learning GPU.

Model training

Addestra CNN, transformer e modelli di diffusione su NVIDIA GPU dedicati. Accesso completo a CUDA, NVMe per il caricamento rapido dei dati, NCCL per il training multi-GPU.

Fine-tuning di LLM

Esegui il fine-tuning di Llama, Mistral o Gemma su A100 o RTX 5090. QLoRA su 24 GB di VRAM, fine-tuning completo su 80 GB. NVMe gestisce la scrittura dei checkpoint senza bloccare il training.

Inference serving

Servi i modelli tramite vLLM, TGI o Triton su GPU dedicati. Il PCI passthrough garantisce VRAM completa e clock alla massima frequenza: stesse prestazioni del bare metal.

Computer vision

Object detection, segmentazione, generazione di immagini. OpenCV, YOLO e Stable Diffusion accelerati da GPU. NVMe mantiene le pipeline dei dati di training sempre alimentate, senza colli di bottiglia.

Research & prototyping

Notebook Jupyter, tracking degli esperimenti, hyperparameter sweep. Avvia server GPU, esegui gli esperimenti, spegnili quando hai finito. I 14 giorni soddisfatti o rimborsati abbassano il rischio su nuovi progetti.

Data preprocessing

RAPIDS, cuDF, cuML. Elaborazione dati accelerata da GPU per dataset di grandi dimensioni. Pulisci, trasforma e featurizza i dati prima del training. Le letture NVMe mantengono alta l'utilizzazione della GPU.

60s

Provisioning

40 Gbps

Uplink

NVMe-only

Storage

Regions

99.95%

Uptime SLA

14 days

Money-back

Global network

12 regioni. Quattro continenti.
A un clic di distanza.

Posiziona il tuo Server Deep Learning GPU il più vicino possibile ai tuoi utenti. Latenza mediana P50 sotto i 10 ms in Nord America e in Europa.

Vedi tutte le 12 region

 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 

Pricing

Paghi solo quello che usi. That's it.

Ogni ora, mese o anno. Senza costi di trasferimento. Senza vincoli. Attualmente 50% off all plans.

Common questions, straight answers.

Quali GPU sono disponibili?

NVIDIA A100 (1x, 2x, 4x), RTX 5090 (1x, 2x) e RTX 4090 (1x, 2x, 4x). Tutte usano PCI passthrough: la GPU è dedicata alla tua VM, non condivisa. VRAM completa, clock alla massima frequenza, accesso completo a CUDA. Consulta la pagina dei prezzi per i dettagli sui piani GPU e la disponibilità.

Le GPU sono condivise o dedicate?

Dedicate. Il PCI passthrough assegna alla tua VM accesso esclusivo alla GPU fisica. CUDA, NVENC e NCCL si comportano esattamente come su bare metal. Nessuna condivisione del tempo, nessun partizionamento MIG, nessun overhead di virtualizzazione sulla GPU stessa.

Quale versione di CUDA è disponibile?

I piani GPU vengono forniti con immagini CUDA preconfigurate, attualmente CUDA 12.x su Ubuntu LTS. Puoi installare qualsiasi versione di CUDA di cui hai bisogno, dato che hai accesso root completo. PyTorch, TensorFlow, JAX e altri framework si installano tramite pip o conda come di consueto.

Quanta VRAM mi serve per il deep learning?

Dipende dal modello. Il fine-tuning di un LLM da 7B con QLoRA entra in 24 GB. Il fine-tuning completo di un modello da 7B richiede 40+ GB. L'addestramento da zero su modelli grandi o l'inferenza fp16 su modelli da 70B richiede 80 GB (A100). Scegli il piano GPU in base al footprint di memoria del tuo modello.

Posso fare training multi-GPU?

Sì. I piani con 2x o 4x GPU supportano NCCL per il training distribuito. PyTorch DDP, DeepSpeed, FSDP funzionano tutti come previsto. Lo storage NVMe gestisce i salvataggi dei checkpoint senza bloccare il loop di training.

C'è una garanzia soddisfatti o rimborsati sui piani GPU?

Sì, 14 giorni, rimborso completo, senza domande. Esegui il tuo job di training reale, valuta la tua pipeline di inferenza. Se il server GPU non soddisfa le tue esigenze, ricevi indietro i tuoi soldi.

Quanto è veloce il provisioning?

60 secondi dalla conferma del pagamento. I piani GPU si avviano con un'immagine CUDA preconfigurata, nvidia-smi risponde immediatamente. Installa il tuo framework e inizia a fare training in minuti, non ore.

Posso usarli per l'inferenza in produzione?

Sì. GPU dedicata, SLA di uptime al 99,95% SLA, IPv4 dedicato. Usa vLLM, Triton, o il tuo server di inferenza personalizzato dietro un load balancer. La rete da 40 Gbps gestisce traffico di inferenza ad alto throughput.

Ottengo anche CPU e storage?

Sì. I piani GPU includono AMD EPYC CPU (da 12 a 64 vCPU a seconda del piano), DDR5 RAM (da 48 a 768 GB) e storage NVMe (da 500 GB a 6 TB). Il CPU si occupa del preprocessing dei dati mentre la GPU esegue il training. Lo storage NVMe mantiene il caricamento dei dati veloce.

Come si confrontano i prezzi con i provider cloud GPU?

I piani GPU di Cloudzy usano hardware dedicato senza overhead di time-sharing. I prezzi sono indicati nella pagina dei prezzi: tariffe mensili e annuali trasparenti, senza costi nascosti per ora di calcolo. La garanzia di 14 giorni ti permette di testare prima di impegnarti.

GPU dedicate, disponibili ora.
Deploy in 60 seconds.

Avvia il Server GPU Confronta tutti i piani

Nessuna carta di credito richiesta · Garanzia soddisfatti o rimborsati di 14 giorni · Disdici quando vuoi