企业官网建设流程全解析

适用环境：Windows 本机、阿里云 Ubuntu GPU 服务器、Python 模型训练项目。

1. 准备训练项目

在本机整理以下文件：

D:\cloud_training\ ├── project.zip 训练代码和配置 └── dataset.zip 训练数据

代码包中保留：

• 训练入口程序。

• 模型和数据加载代码。

• 训练配置文件。

• requirements.txt、environment.yml 或项目指定的环境文件。

• 数据划分、标签映射等必要文件。

• 项目要求的预训练权重。

不打包本机虚拟环境、缓存、无关数据和历史训练输出。

阅读项目安装说明，确认 Python 版本、训练框架版本、显存要求、启动命令和检查点保存方式。

本文中的PUBLIC_IP替换为服务器公网 IP。路径、环境名称按实际情况替换。

训练启动参数由项目决定。本文出现的 train.py、--config、--resume 均为示例，不是所有项目通用的接口。

2. 选择实例

进入阿里云控制台 → 云服务器 ECS → 实例 → 创建实例。

先用小规模数据测试显存和训练速度，再决定正式实例规格。显存容量大不代表训练速度一定更快。

计算磁盘需求时同时包含：原始压缩包、解压数据、预处理缓存、环境、多个检查点和输出结果。

核对 GPU、云盘、公网流量等费用后创建实例。

3. 配置安全组

允许本地电脑通过 SSH（Secure Shell，安全外壳协议）连接服务器。

创建页面提供“SSH 远程连接 Linux 实例”时，勾选并将来源设为“我的 IP”。

更换本地网络后，检查是否需要更新来源 IP。命令行训练不需要开放网页或远程桌面端口。

4. 连接服务器

在 Windows PowerShell 执行：

ssh root@PUBLIC_IP

首次连接核对主机指纹，确认后输入 yes，再输入密码。输入密码时不显示字符。

使用密钥时：

ssh -i "C:\Keys\training.pem" root@PUBLIC_IP

登录用户名以实例设置为准。本文用 root 演示；其他账号需要使用有写权限的工作目录，系统安装命令可能需要 sudo。

保持两个窗口：

5. 检查服务器

在服务器执行：

nvidia-smi free -h df -h lsblk -f

确认 GPU 型号和数量、系统内存、磁盘容量及挂载位置。

GPU 检查失败时，先按镜像说明处理 NVIDIA 驱动，不继续安装训练环境。

新增数据盘先确认设备和文件系统，再按阿里云文档挂载。已有数据的磁盘不要格式化。

安装常用工具：

sudo apt-get update sudo apt-get install -y git wget unzip tmux

按项目需要另外安装视频、图像、编译等系统依赖。

6. 建立工作目录

本文统一使用/root/work。使用数据盘时，将工作目录改为实际挂载点下的目录，不要假定任意文件夹自动位于数据盘上。

mkdir -p /root/work/project /root/work/data /root/work/uploads /root/work/runs /root/work/pretrained

目录用途：

/root/work/ ├── project/ 代码和配置 ├── data/ 数据集 ├── uploads/ 上传的压缩包 ├── pretrained/ 预训练权重 └── runs/ 每次训练的日志、检查点和结果

7. 上传下载数据和代码

本地

在 Windows PowerShell 执行：

scp "D:\cloud_training\project.zip" root@PUBLIC_IP:/root/work/uploads/ scp "D:\cloud_training\dataset.zip" root@PUBLIC_IP:/root/work/uploads/

如果使用密钥，在 scp 后加上：

-i "C:\Keys\training.pem"

在服务器检查压缩包目录：

unzip -l /root/work/uploads/project.zip unzip -l /root/work/uploads/dataset.zip

解压：

unzip /root/work/uploads/project.zip -d /root/work/project unzip /root/work/uploads/dataset.zip -d /root/work/data ls /root/work/project ls /root/work/data

如果压缩包自带顶层文件夹，后续路径应包含该层，不要误用未包含代码的父目录。

大量数据或反复传输时，可使用阿里云 OSS（Object Storage Service，对象存储服务）配合 ossutil。按官方文档配置最小权限凭证，不把访问密钥写进训练代码或发到群里。

需要校验传输完整性时，对同一个文件分别计算 SHA256：

Windows：

Get-FileHash "D:\cloud_training\dataset.zip" -Algorithm SHA256

服务器：

sha256sum /root/work/uploads/dataset.zip

确认两端值一致。

OSS

参考：

• ossutil 2.0 安装与配置

• RAM AccessKey 说明（本流程使用实例角色，无需创建长期密钥）

• ossfs 2.0 配置（另一种挂载方案）

现在建立了一个RAM ECS角色做OSS授权，这样AccessKey由系统生成更加安全。官方文档里有说明怎么用，这里做简单流程摘要。

完成节点与实例角色认证

需先在ECS控制台进行ram授权：ECSExperimentMachine

ECSExperimentMachine 为本文档参考ECS RAM授权角色，若有需要，替换成自己的。

ecs需与oss在同一区域，用内网Endpoint，流量免费。

这里有两种访问方式

1. ossutil，每次文件需要先下载到ecs再进行操作

2. ossfs，挂载oss为本地文件夹，每次调用不需要输入oss路径，挂在后： ~/oss/

ossutil

先进行ossutil下载，这里以x86-linux 为例

#下载并安装 ossutil，/tem只放安装包，程序复制到/usr/local/bin/ossutil 可任意目录调用 mkdir -p ~/tools/ossutil cd ~/tools/ossutil curl -fL -o ossutil.zip \ https://gosspublic.alicdn.com/ossutil/v2/2.4.0/ossutil-2.4.0-linux-amd64.zip unzip -o ossutil.zip sudo install -m 755 \ ossutil-2.4.0-linux-amd64/ossutil \ /usr/local/bin/ossutil #检查是否可运行 ossutil --help

首次配置可直接运行下面整段。这会覆盖已有的同名配置文件；如果已有其他用途的配置，先用cp ~/.ossutilconfig ~/.ossutilconfig.backup备份。

cat > ~/.ossutilconfig <<'EOF' [default] mode = EcsRamRole region = cn-shanghai endpoint = https://oss-cn-shanghai-internal.aliyuncs.com EOF

cat配合>将两行 EOF 之间的文字写入文件，EOF 本身不会写入。该配置不包含长期密钥。当前工具无需在命令中传角色名称，会尝试从实例获取角色凭证。

验证配置生效：

ossutil ls oss://jnmedtech-original-data1/

Ossutil 常用代码归纳

以下为常用命令归纳，路径中jnmedtech-original-data1为bucket名称，需要替换为列举得到的真实对象路径。ossutil的语法与linux相近。

查看 OSS 文件

# 查看 Bucket 下的对象 ossutil ls oss://jnmedtech-original-data1/ # 查看指定日期前缀下的对象 ossutil ls oss://jnmedtech-original-data1/20260617/

OSS 的“目录”本质是对象名称的前缀。无需扁平化，保留日期/session 层级即可。文件路径区分大小写。

下载单个文件到 ECS

mkdir -p ~/data/oss-test ossutil cp \ "oss://jnmedtech-original-data1/20260617/实际文件名" \ ~/data/oss-test/ ls -lh ~/data/oss-test/

顺序为ossutil cp 源路径 目标路径。源文件仍留在 OSS，ECS 得到一份副本。ls -lh能确认文件存在及大小，不等于完整性校验。

下载一个 session 的全部文件

mkdir -p ~/data/20260617/session01 ossutil cp -r \ oss://jnmedtech-original-data1/20260617/session01/ \ ~/data/20260617/session01/

-r表示递归处理该前缀下的文件和子目录；保留内部相对层级。先选一个小 session 检查下载后的目录结构，再扩展批量任务。下载前可用df -h ~/data检查可用磁盘空间。

上传单个文件或结果目录

上传不需要预先在bucket中建立文件夹，若没有会自动创建

# 当前工作目录中的单个结果文件 ossutil cp ./metrics.json \ oss://jnmedtech-original-data1/ecs-test/run01/metrics.json # 当前工作目录中的整个结果目录 ossutil cp -r ./results/run01/ \ oss://jnmedtech-original-data1/ecs-test/run01/

ossfs

进行下载安装

wget https://gosspublic.alicdn.com/ossfs/ossfs2_2.0.9_linux_x86_64.deb sudo dpkg -i ossfs2_2.0.9_linux_x86_64.deb ossfs2 --version

建立ossfs配置文件

sudo nano /etc/ossfs2.conf

这里假设

Bucket = jnmedtech-original-data1 Region = 上海 RAM Role = ECSExperimentMachine

写

--oss_endpoint=https://oss-cn-shanghai-internal.aliyuncs.com --oss_bucket=jnmedtech-original-data1 --ram_role=ECSExperimentMachine

若有多个Bucket需要挂载，每个Bucket都需要写一遍配置再挂载

保存nano

Ctrl + O Enter Ctrl + X

创立挂载目录

mkdir -p ~/oss

挂载Bucket

格式是 ossfs2 mount <挂载目录> -c <配置文件>

sudo ossfs2 mount ~/oss -c /etc/ossfs2.conf

访问

ls ~/oss

8. 创建训练环境

优先使用项目提供的环境文件和安装说明。不同项目使用独立环境，不在一个环境中混装多个项目要求的训练框架。

未安装 Conda 时，在服务器执行：

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh -b -p /opt/miniconda3 source /opt/miniconda3/etc/profile.d/conda.sh

如果/opt/miniconda3已存在，直接加载，不重复安装。

项目提供 environment.yml

cd /root/work/project conda env create -n trainenv -f environment.yml conda activate trainenv

项目只提供 requirements.txt

按项目指定的 Python 版本创建环境。下面以 Python 3.11 为例，执行前按项目要求替换：

conda create -n trainenv --override-channels -c conda-forge python=3.11 pip -y conda activate trainenv cd /root/work/project python -m pip install -r requirements.txt

如果项目要求先安装训练框架，再安装其他依赖，按该顺序执行。两种环境创建方式选择一种，不重复创建同名环境。

安装训练框架

镜像有 CUDA，不代表环境中已经有 PyTorch 或 TensorFlow。

• PyTorch：按项目版本要求和官方安装页面选择 GPU 包。

• TensorFlow：按官方 GPU 安装要求选择兼容环境。

• 项目要求 Docker 时：使用项目指定镜像，并确认 NVIDIA 容器支持正常。

不统一指定 torch、CUDA 或 Python 的版本号。系统驱动必须支持所选框架的运行库；不要只根据镜像显示的 CUDA 版本机械选择包

普通 Python 依赖下载慢时，可使用清华 PyPI 镜像：

python -m pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

框架专用下载索引按官方命令保留；普通镜像不一定提供相同的 GPU 构建。

安装完成后：

python -m pip check

训练过程中不升级或替换环境中的软件包。

9. 验证 GPU 计算

PyTorch 项目执行：

python -c "import torch; print('torch:', torch.__version__); print('CUDA:', torch.version.cuda); print('GPU available:', torch.cuda.is_available()); print('GPU:', torch.cuda.get_device_name(0)); x=torch.randn(128,128,device='cuda'); print('GPU test:', (x@x).mean().item())"

确认 GPU available 为 True，显示正确显卡，并输出计算数值。

TensorFlow 项目检查设备发现：

python -c "import tensorflow as tf; print(tf.__version__); print(tf.config.list_physical_devices('GPU'))"

随后用项目的短训练检查实际设备分配。仅能运行 nvidia-smi，不代表训练框架已正确使用 GPU。

10. 修改训练配置

按项目的配置格式修改以下项目：

删除配置中的本机 Windows 路径，改成 Linux 路径。不要使用测试集反复选择训练参数。

建立本次运行目录：

mkdir -p /root/work/runs/exp001

将项目的输出目录配置为该位置。新实验使用 exp002、exp003 等新目录，不覆盖旧实验。

11. 先跑短训练

将配置改成少量训练步骤或一个短训练轮次，执行项目给出的启动命令。

例如，项目支持以下接口时：

cd /root/work/project python -u train.py --config configs/train.yaml

检查：

1. 数据能正确读取，样本数量和标签符合预期。

2. 模型使用预期 GPU。

3. 能完成前向计算、反向传播和优化器更新。

4. 损失没有持续出现 NaN 或 Inf。

5. 验证流程能执行。

6. 检查点实际保存到指定目录。

7. 能从检查点恢复训练状态。

检查通过后，再恢复正式轮次或步数。

12. 后台启动正式训练

在服务器执行：

tmux new -s training

进入会话后：

source /opt/miniconda3/etc/profile.d/conda.sh conda activate trainenv cd /root/work/project

运行项目训练命令，并保存日志。以下以支持 train.py 和 --config 的项目为例：

set -o pipefail python -u train.py --config configs/train.yaml 2>&1 | tee /root/work/runs/exp001/train.log

tee 会覆盖同名日志；续训时使用新的日志名。训练命令刚退出时，可执行echo $?检查退出码，0 表示命令正常退出，不代表模型质量达标。

离开 tmux：按 Ctrl+B，松开，再按 D。此时可以断开 SSH，任务继续运行。

重新登录后恢复：

tmux attach -t training

查看会话：

tmux ls

会话已存在时先进入查看，不重复启动同一训练。Ctrl+C 会中断程序。tmux 不能让任务跨服务器关机、重启或释放继续运行。

13. 查看训练状态

在另一个服务器连接窗口执行：

watch -n 1 nvidia-smi

按 Ctrl+C 退出监控。

top

按 q 退出。

df -h tail -n 50 /root/work/runs/exp001/train.log

持续查看日志：

tail -f /root/work/runs/exp001/train.log

退出该日志查看窗口不会停止另一个会话中的训练。

重点检查训练速度、损失、验证指标、显存、CPU、系统内存和磁盘余量。显存占用高不等于 GPU 利用率高；瞬时利用率也不能替代实际训练吞吐。

14. 查看 TensorBoard

项目生成 TensorBoard 日志时，在环境中安装并启动 TensorBoard。logdir 指向实际事件文件所在目录：

tensorboard --logdir /root/work/runs --host 127.0.0.1 --port 6006

在 Windows 另开 PowerShell，建立转发：

ssh -N -L 6006:127.0.0.1:6006 root@PUBLIC_IP

保持该窗口运行，本机浏览器打开：

http://localhost:6006

使用这种方式不需要在安全组开放 6006。项目没有生成 TensorBoard 事件文件时，页面不会出现训练曲线。

15. 调整训练速度

每次只改一类设置，用固定的训练步数比较，记录吞吐、显存和验证指标。

训练时改变 batch 会改变优化过程。使用梯度累积或调整学习率时，应遵循项目训练配方，不只比较速度。

混合精度和梯度检查点必须由项目支持；修改后检查数值稳定性及验证指标。缩小输入或改变采样方式也可能影响模型效果。

多卡不会自动加速单卡脚本。只有项目支持分布式训练时，才使用其指定的 torchrun 或其他启动方式，并核对总 batch、数据采样和检查点保存规则。

16. 中断和恢复训练

正式训练前，确认检查点包含恢复所需的模型、优化器、学习率调度器和训练步数等状态。

中断前尽量等待最近一次检查点保存完成。文件名包含 best 或 last，不代表它一定保存了完整训练状态。

恢复时使用项目支持的命令。例如，项目支持 --resume 时：

python -u train.py --config configs/train.yaml --resume /root/work/runs/exp001/checkpoints/last.pt

路径和参数以项目为准。检查恢复日志，确认轮次、步数和学习率从正确位置继续，而不是只加载权重重新开始。

恢复时使用新日志名，例如 resume01.log，避免覆盖原始日志。

17. 保存运行信息

在当前训练环境执行：

python -m pip freeze > /root/work/runs/exp001/environment.txt python --version > /root/work/runs/exp001/python-version.txt nvidia-smi > /root/work/runs/exp001/gpu-info.txt

代码使用 Git 时，在代码目录执行：

git rev-parse HEAD > /root/work/runs/exp001/code-version.txt git status --short > /root/work/runs/exp001/code-status.txt git diff > /root/work/runs/exp001/code-changes.patch

另外保存实际使用的训练配置、启动命令和数据版本。未跟踪的代码文件不会包含在 git diff 中，需要单独保留。重复执行上述命令会覆盖同名记录。

18. 检查训练结果

训练完成后检查：

• 日志是否正常结束。

• 训练步数或轮次是否达到配置要求。

• 检查点是否完整保存。

• 验证指标是否符合要求。

• 最佳权重能否加载并完成一次评估或推理。

• 需要续训时，最后检查点能否恢复训练状态。

按项目要求运行评估命令。保留最佳权重和用于续训的检查点，不将二者混淆。

19. 下载结果

在 Windows PowerShell 执行：

New-Item -ItemType Directory -Force "D:\training_results" scp -r root@PUBLIC_IP:/root/work/runs/exp001 "D:\training_results"

使用密钥时，在 scp 后添加 -i 和密钥路径。

下载后检查权重、配置、日志和环境记录。重要权重可以用 Get-FileHash 与服务器 sha256sum 对比。

如果只下载部分文件，至少保留实际模型权重、模型配置、类别或标签映射，以及复现所需的代码版本和预处理说明。

20. 停止或释放实例

1. 确认训练和评估结束。

2. 下载结果及运行记录。

3. 检查本机文件完整性和模型可加载性。

4. 进入阿里云控制台，找到对应实例。

5. 继续保留时，查看停止实例的计费选项。

6. 不再使用时，确认备份完成后释放实例。

7. 检查关联云盘、公网资源、快照和对象存储是否继续计费。

关闭终端、退出 SSH 或离开 tmux 不会停止实例计费。停止实例后，部分资源仍可能收费，以控制台规则为准。

释放实例或删除云盘前完成备份。多人共用服务器时，由管理员分配个人账号和目录，不共享 root 密码、私钥或云账号访问密钥。

21. 常见问题

22. 官方文档

• 阿里云 GPU 实例规格

• 连接 Linux 实例

• 添加安全组规则

• 阿里云对象存储 OSS

• PyTorch 安装

• TensorFlow 安装

• TensorBoard

• NVIDIA nvidia-smi

• 清华 PyPI 镜像

• tmux