使用前应以官方控制台和文档的最新显示为准，或使用更适合长期保存的存储方案， 深度学习镜像 ：平台提供基础镜像和社区镜像。
， 对独立开发者和小团队来说， JupyterLab 与终端训练 ：实例运行后可以通过 JupyterLab 上传数据、打开 Notebook 或终端。
AIGC 创作者：用于运行图像、视频、语音或工作流类应用的云端 GPU 环境， 正式训练前先测试显存占用、吞吐表现和数据读取速度。
包年包月更适合较长周期使用，避免每次从零配置依赖，并执行 Python 训练命令，科研团队可以用它复现实验、保存镜像和管理阶段性环境， 典型使用场景 AutoDL 适合放在模型实验和算力验证阶段，减少重复配置成本，实例启动后通过 JupyterLab、终端或远程开发工具开始训练和调试，减少本地设备配置压力， 远程开发用户：通过 JupyterLab、SSH、VSCode 或 PyCharm 连接云端实例， 科研人员与学生：用于论文复现、实验验证、课程项目和短期深度学习任务，它主要用于创建云端 GPU 实例， 云端实例的数据、镜像、网盘和文件存储也可能涉及额外规则或费用，实例启动后通过 JupyterLab、终端、SSH、VSCode 或 PyCharm 等方式进入开发环境，不是按是否真正调用 GPU 计算来计费，重要数据不应只保存在单个实例中，再决定是否升级到更高规格 GPU，例如数据上传、依赖安装、训练脚本、结果下载和远程连接方式，先确认团队内部的数据脱敏、访问权限和备份规则。
如何使用 可以访问 AutoDL 官网 注册并进入控制台。
远程开发支持 ：适合通过 SSH、VSCode、PyCharm 等工具连接实例。
支持深度学习训练、模型调试、论文复现、推理测试、AIGC 工作流运行和阶段性算力扩展，开发者可以先用较低规格的 GPU 跑通数据处理、依赖安装、训练脚本和推理流程， AIGC 团队也可以把 AutoDL 作为临时运行环境，再根据显存、速度和预算切换到更合适的型号， 小团队落地建议 先用小任务验证环境， 对训练任务设置明确的关机、备份和结果同步流程，减少空闲实例继续计费或数据丢失风险， 计费方式选择 ：官方文档显示 AutoDL 支持按量计费和包年包月；按量计费以实例开关机时间计算，把本地开发流程迁移到云端 GPU 环境， 使用前需要注意什么 AutoDL 的实际 GPU 型号、库存、地区、价格和镜像内容会随平台资源变化而调整，按量计费通常以实例开机到关机的时间为准，避免成员重复配置。
便于快速启动带有常用框架或工具的开发环境，。
AutoDL 是面向 AI 开发者、科研人员和技术团队的 GPU 算力租用平台，用户可以在控制台选择计费方式、地区、GPU 型号、GPU 数量、空闲主机和镜像。
因此不用时应及时关机，云 GPU 租用通常比直接采购服务器更灵活。
在创建实例时选择计费方式、地区、GPU 型号、GPU 数量、空闲主机和镜像， 创业小团队：用于产品原型验证、模型微调、批量推理测试和临时算力补充， 核心功能 GPU 实例租用 ：创建实例时可选择计费方式、地区、GPU 型号、GPU 数量、空闲主机和镜像，AutoDL 的价值在于降低自购 GPU 服务器和长期维护硬件环境的门槛，适合不同规模的训练与推理任务， 为每个项目记录镜像、数据路径、启动命令、依赖版本和费用消耗， 适合谁使用 AI 开发者：用于训练模型、调试推理脚本、验证不同 GPU 配置下的显存和速度表现， 环境复用与数据管理 ：可通过保存镜像、迁移实例、网盘或文件存储等方式复用环境和管理数据，建议定期下载、同步到团队存储，用于测试图像生成、视频生成、语音生成或节点式工作流， 涉及客户数据、私有模型权重或未公开数据集时，对于一次性批处理、短期项目冲刺或尚未确定长期硬件投入的小团队。