矩池云 | 高性价比的GPU租用深度学习平台

矩池云是一个专业的国内深度学习云平台,拥有着良好的深度学习云端训练体验。在性价比上,我们以 2080Ti 单卡为例,36 小时折扣后的价格才 55 元,每小时单价仅 1.52 元,属于全网最低价。用户体验上,平台为用户提供了公开数据集、案例、预装环境、高速网盘等配套设施和数据,让用户可以专注于深度学习研究。
高性价比
矩池云拥有很高的性价比,其的计费方式主要分为按时租与按周/月租。按时租用采用的是分钟级的实时计费模式,满足了用完即走的短时需要;按周/月租会以一个优惠的价格出租,可以满足长期租用的需求。
矩池云的优惠折扣特别大,我们以2080Ti单卡为例,36小时折扣后的价格才55元,每小时单价仅1.52元,属于全网最低价。另外矩池云时不时会做特价活动,比如0.9的2080Ti单卡等。
矩池云GPU产品价目表

另外,矩池云还为用户提供了代码调试与数据处理用的CPU机器,与GPU机器搭配使用更加省钱。
矩池云CPU产品价目表

支持主流框架
矩池云支持Tensorflow、Keras、Pytorch、Caffe、MXNet等国际知名框架,并环抱国内深度学习社区在4月支持了百度的PaddlePaddle、华为的MindSpore、旷视的MegEngine以及清华的Jittor。

为了更好的支持国内深度学习社区,国产框架可以通过邮件联系上架,矩池云会在第一时间进行收录(值得开心的是,矩池云非常荣幸的成为了MindSpore的社区伙伴)。
支持主流数据集
常用数据集无需上传,矩池云为用户提供了现成的主流深度学习数据集,供用户快速访问和使用。
图像数据集:MNIST、CIFAR10、3D_Segmentation、VOC2012、COCO、ImageNet2012;
自然语言处理数据集:dbpedia、imdb-sentiments、stanford-question-answering、amazonreviews、UCI-spambase、videos_and_music、youtube8m、beethoven;
kaggle:msdchallenge、netflix-prize-data、transaction_prediction;
天池:中文糖尿病标注数据集、Traffic_Flow_KDD_CUP_2017、User Behavior Data on Taobao App;
高速网盘

矩池云自建了高速SSD网盘,每次租用的时候会自动挂载,内网平均传输速度100MiB/s。

网盘是永久性的存储,用户可以方便的管理其数据,矩池云为每一位注册的用户提供了5G的免费容量。
兼容第三方工具
矩池云支持第三方工具远程使用,如Jupyter、PyCharm、VS Code、Spyder、PuTTY、Xshell、VNC等软件。提供了SSH、HTTP、VNC三种种链接方式。

案例快速上手
矩池云提供了DEMO镜像,包含经典的MNIST数字识别、猫狗图像识别等机器学习模型的 JupyterLab,用户可以快速上手机器学习。

高校版
最近,矩池云上线了高校版,专门为老师们提供了完备的人工智能教学实践环境。帮助老师和同学们可以专注于深度学习研究,提高实验的效率。
面对疫情期间深度学习算力不足的情况,矩池云推出了高校免费版,有教学实践、课题研究、教材编写等方面的老师们可以免费申请。
同时矩池云还推出了高校专业版和高校定制版,来满足校园教育场景下对深度学习平台的不同需求。
矩池云高校版申请地址:https://matpool.com/education

活动与售后
现在通过下面二维码注册即可获得118优惠券大礼包,可以用于抵扣。另绑定矩池云服务号即可获得5元体验金。
活动地址:https://matpool.com/supports/news/
注册链接:注册链接点击
118优惠券大礼包展示如下:

使用中如果遇到问题以及开发票等事宜,可以直接联系矩池云小助手,会在第一时间帮您解决。

矩池云希望可以帮助研究者们提高实验效率,同时帮助降低学习者的门槛。让用户更好的接触到最新的前沿深度学习内容,轻松训练自己的第一个模型。
矩池云 | 高性价比的GPU租用深度学习平台的更多相关文章
- 矩池云上安装caffe gpu教程
选用CUDA10.0镜像 添加nvidia-cuda和修改apt源 curl -fsSL https://mirrors.aliyun.com/nvidia-cuda/ubuntu1804/x86_6 ...
- 矩池云助力科研算力免费上"云",让 AI 教学简单起来
矩池云是一个专业的国内深度学习云平台,拥有着良好的深度学习云端训练体验,和高性价比的GPU集群资源.而且对同学们比较友好,会经常做一些大折扣的活动,最近双十一,全场所有的RTX 2070.Platin ...
- 矩池云 | 神经网络图像分割:气胸X光片识别案例
在上一次肺炎X光片的预测中,我们通过神经网络来识别患者胸部的X光片,用于检测患者是否患有肺炎.这是一个典型的神经网络图像分类在医学领域中的运用. 另外,神经网络的图像分割在医学领域中也有着很重要的用作 ...
- 使用 MobaXterm 连接矩池云 GPU服务器
Host Name(主机名):hz.matpool.com 或 hz-t2.matpool.com,请以您 SSH 中给定的域名为准. Port(端口号):矩池云租用记录里 SSH 链接里冒号后的几位 ...
- 如何使用 VS Code 远程连接矩池云主机
Visual Studio Code(以下简称 VS Code)是一个由微软开发的代码编辑器.VS Code 支持代码补全.代码片段.代码重构.Git 版本控制等功能. VS Code 现已支持连接远 ...
- 矩池云上使用nvidia-smi命令教程
简介 nvidia-smi全称是NVIDIA System Management Interface ,它是一个基于NVIDIA Management Library(NVML)构建的命令行实用工具, ...
- 如何使用 PuTTY 远程连接矩池云主机
PuTTY 是一款开源的连接软件,用来远程连接服务器,支持 SSH.Telnet.Serial 等协议. 矩池云的主机支持 SSH 登录,以下为使用 PuTTY 连接矩池云 GPU 的使用教程. 如您 ...
- 矩池云里查看cuda版本
可以用下面的命令查看 cat /usr/local/cuda/version.txt 如果想用nvcc来查看可以用下面的命令 nvcc -V 如果环境内没有nvcc可以安装一下,教程是矩池云上如何安装 ...
- 在矩池云上复现 CVPR 2018 LearningToCompare_FSL 环境
这是 CVPR 2018 的一篇少样本学习论文:Learning to Compare: Relation Network for Few-Shot Learning 源码地址:https://git ...
随机推荐
- 人工智能与智能系统2-> 机器人学2 | 时间与运动
<Robotics, Vision and Control>学习到第三章,我才发现这本书是有配套视频的,第二章看的好辛苦,很多地方生硬理解了一下,现在打算把视频再好好看一看,作为补充,也会 ...
- ApacheCN Asp.NET 译文集 20211126 更新
ASP.NET Core2 基础知识 零.前言 一.搭建舞台 二.控制器 三.视图 四.模型 五.验证 六.路由 七.RestBuy 八.添加功能.测试和部署 ASP.NET Core3 和 Angu ...
- Log4j2日志技术总结
前言 现在流行是SLF4j和Log4j2组合的日志技术,但为了日志技术归类,故前因后果都将做一下介绍. 市场上流行的日志框架 JUL java util logging Java开发团队开发,Jdk原 ...
- Java8-Consumer、Supplier、Predicate和Function方法总结
这几个接口都在 java.util.function 包下的,分别是Consumer(消费型).supplier(供给型).predicate(谓词型).function(功能性): 那么,下面,我们 ...
- python unittest控制用例的执行顺序
为什么要进行顺序控制呢?使用过testng的同学就知道,它相对于junit来说有更强大的功能,其中的一个功能就是依赖测试.什么是依赖测试呢?简单的说一下就是,A方法运行时,其中有个变量的取值是B方法的 ...
- 简单的MAC的终端命令
今天小研究了一下MAC的终端命令,主要为了方便调试程序用,XCODE用不来啊... 在这里记下..防止丢失 pwd 当前工作目录 cd(不加参数) 进root cd(folder) 进入文件夹 cd ...
- shell——eval exec
eval # cat test.sh echo \$$# eval "echo \$$#" # sh test.sh a b c $3 c shell的内建命令exec将并不启动新 ...
- if循环&数据类型的内置方法(上)
目录 if循环&数据类型的内置方法 for循环 range关键字 for+break for+continue for+else for循环的嵌套使用 数据类型的内置方法 if循环&数 ...
- 扯 C++ 里的 Lambda
之前写(抄) parsec 的时候, 在重载 operator>> 的时候, operator>> 需要接收一个 lambda, 之后返回一个 Component<R&g ...
- NeurIPS 2017 | QSGD: Communication-Efficient SGD via Gradient Quantization and Encoding
由于良好的可扩展性,随机梯度下降(SGD)的并行实现是最近研究的热点.实现并行化SGD的关键障碍就是节点间梯度更新时的高带宽开销.因此,研究者们提出了一些启发式的梯度压缩方法,使得节点间只传输压缩后的 ...