1. 免费算力资源的真实分布与获取逻辑先把话说在前头标题里写的“10000/月GPU算力”不是某一家平台直接甩给你一张无限额度的卡随便刷。它指的是通过组合多个主流平台的新用户赠金、长期免费额度、学术合作计划、社区贡献奖励等渠道在一个月周期内累计可调用的GPU时长大致能折算到这个量级。我自己从2023年开始陆续测试过十几个渠道目前稳定在手的免费额度折算下来每月确实能覆盖相当可观的训练任务。为什么会有这么多免费算力核心原因是GPU云厂商和AI平台处在抢用户阶段。训练框架一旦绑定迁移成本很高所以各家都愿意用免费额度换你的使用习惯。另一个原因是学术和开源社区有专项扶持只要你能证明用途是学习或开源项目审批通过率并不低。这里要区分三类资源它们的获取方式和适用场景完全不同资源类型典型形式适合任务获取难度新用户赠金注册送代金券短期实验、跑通流程低长期免费额度每日/每月刷新持续小规模训练中学术/社区计划申请制配额论文实验、开源项目高我踩过的第一个坑就是很多人注册完发现“免费”按钮点不了原因是没完成实名认证或者没绑定支付方式。大部分平台的赠金需要账户达到一定信用等级才发放这一步不能省。还有一个反直觉的点不是所有平台都适合跑深度学习。有些平台送的是CPU算力或者推理专用卡拿来训练模型会非常痛苦。判断方法很简单看它是否支持CUDA、是否能装PyTorch/TensorFlow、是否有持久化存储。三个都满足才值得投入时间。2. 从注册到跑通第一个训练任务完整链路拆解2.1 账户准备阶段最容易卡住的三个环节第一个环节是邮箱。建议用Gmail或Outlook这类国际邮箱注册部分平台的验证邮件会被国内邮箱拦截。我实测下来用QQ邮箱注册某平台时验证邮件延迟了40分钟换成Gmail后10秒到达。第二个环节是手机验证。有些平台支持国内号码有些不支持。如果不支持可以考虑使用家人或朋友的号码但要注意后续账户找回的便利性。这一步没有太多技巧就是耐心试。第三个环节是支付方式绑定。很多人看到“绑定信用卡”就退缩了其实大部分平台只是做预授权验证不会实际扣款。如果你确实不想绑卡可以优先选择支持支付宝或对公转账的平台。我整理了一个判断清单是否需要绑卡才能领赠金绑卡后是否有自动续费风险赠金过期时间是多少天赠金是否区分CPU和GPU用途提示绑卡前先看清楚平台的自动续费条款有些平台默认开启需要在账户设置里手动关闭。2.2 实例创建时的配置选择逻辑创建GPU实例时新手最容易犯的错是直接选最贵的卡。实际上跑通流程阶段用T4或P4这类入门卡就够了每小时消耗的额度少试错成本低。等流程跑通再换A100或V100做正式训练。镜像选择也有讲究。平台提供的预装镜像通常包含CUDA和cuDNN但版本可能和你需要的框架不匹配。我的做法是先用平台镜像快速验证GPU可用然后自己用conda重建环境。这样虽然多花20分钟但后续不会出现版本冲突。存储配置经常被忽略。系统盘默认通常只有50GB装完CUDA和几个框架就满了。建议系统盘至少100GB数据盘单独挂载。如果平台按存储收费记得任务结束后释放数据盘。网络方面如果数据集需要从外部下载注意平台的出网带宽限制。有些免费实例的出网速度被限制在10Mbps下载一个ImageNet要很久。解决办法是提前把数据传到平台的对象存储再从内网读取。2.3 环境搭建的两种路线对比路线一平台预装环境直接使用。优点是快5分钟能开始写代码。缺点是版本固定装额外包时容易冲突。适合只想快速验证想法的人。路线二Miniconda自建环境。优点是版本完全可控适合长期项目。缺点是需要手动装CUDA驱动对应的PyTorch版本。我推荐这条路线因为深度学习项目对环境一致性要求很高。具体操作上先确认显卡驱动版本nvidia-smi看右上角的CUDA Version比如显示12.1那你就不能装要求CUDA 11.8的PyTorch版本。然后去PyTorch官网查对应命令。我通常用这条conda create -n dl python3.10 conda activate dl pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121装完验证import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))输出True和显卡型号就说明环境通了。这一步看着简单但我见过太多人卡在这里原因是pip源用了默认的国外源下载慢到超时。换成国内镜像源能快十倍。3. 把免费额度用满的调度策略与避坑经验3.1 多平台额度轮换的实际操作单个平台的免费额度通常撑不了一个月的高强度使用所以需要多平台轮换。我的做法是维护一张表格记录每个平台的额度余额、过期时间、当前任务状态。每周检查一次快过期的额度优先用。轮换时最大的痛点是数据迁移。模型权重和数据集在不同平台之间搬来搬去很耗时。我的解决方案是代码放GitHub数据放对象存储模型权重定期导出到本地。这样换平台时只需要重新clone代码和挂载存储。还有一个技巧是错峰使用。部分平台的免费额度在夜间时段消耗更慢或者有额外的夜间赠送。如果你的任务不紧急可以设置定时任务在凌晨启动。3.2 任务中断的预防与恢复免费实例经常会被平台回收尤其是长时间占用GPU但利用率低的时候。我吃过一次亏跑一个12小时的任务第10小时实例被回收前功尽弃。预防措施有三个。第一设置checkpoint每30分钟保存一次模型状态。第二用nohup或tmux让任务在后台运行避免SSH断开导致任务终止。第三监控GPU利用率如果低于30%超过10分钟平台可能会判定为闲置。恢复策略上我习惯把训练脚本写成可断点续训的形式start_epoch 0 if os.path.exists(checkpoint.pth): checkpoint torch.load(checkpoint.pth) model.load_state_dict(checkpoint[model]) optimizer.load_state_dict(checkpoint[optimizer]) start_epoch checkpoint[epoch] 1这样即使中断重新启动后也能从上次的位置继续。3.3 额度消耗的监控与预警不监控额度消耗很容易在月中就把额度用光。我建议在本地写一个简单的脚本每天定时查询各平台的余额低于20%时发邮件提醒。查询方式各平台不同有的提供API有的只能网页查看。对于没有API的平台可以用浏览器自动化工具定时截图然后人工确认。虽然笨但比超额扣费强。另外要注意部分平台的额度是按小时扣减即使实例处于关机状态只要没释放存储和IP保留也会消耗额度。所以任务结束后一定要彻底释放实例而不是关机。4. 深度学习环境搭建中的版本兼容性实战4.1 CUDA、cuDNN、PyTorch三者的版本对应关系这是新手最容易翻车的地方。三者版本必须匹配否则会出现各种奇怪的报错。我整理了一张常用组合表PyTorch版本推荐CUDA推荐cuDNNPython版本2.011.8 / 12.18.73.8-3.111.1311.78.53.7-3.101.1211.38.33.7-3.10查表方法先看显卡驱动支持的最高CUDA版本然后选不超过这个版本的PyTorch。比如驱动支持CUDA 12.1那你可以装CUDA 11.8的PyTorch也可以装12.1的但不能装12.2的。cuDNN通常随PyTorch一起安装不需要单独处理。但如果你从源码编译就需要手动下载对应版本。4.2 常见报错的定位与修复报错一CUDA out of memory。这不一定是显存不够可能是batch size太大或者有内存泄漏。先用nvidia-smi看显存占用如果确实满了减小batch size。如果没满但报错检查是否有未释放的中间变量。报错二RuntimeError: CUDA error: no kernel image is available for execution。这是PyTorch版本和显卡架构不匹配。比如用很新的卡跑很老的PyTorch。解决办法是升级PyTorch到支持该架构的版本。报错三ImportError: libcudart.so.11.0: cannot open shared object file。这是环境变量没配好。在~/.bashrc里加上export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH export PATH/usr/local/cuda/bin:$PATH然后source ~/.bashrc。报错四torch.cuda.is_available()返回False。先确认实例确实有GPU再确认驱动装好最后确认PyTorch是GPU版本。用pip list | grep torch看版本号如果是1.13.0cpu这种带cpu后缀的说明装错了需要重装GPU版。4.3 环境固化与迁移的最佳实践环境搭好后一定要导出依赖清单pip freeze requirements.txt conda env export environment.yml这样换平台时能快速重建。但要注意pip freeze会导出所有包包括平台预装的。建议在干净的conda环境里操作只导出项目实际需要的包。对于CUDA版本这种系统级依赖requirements.txt管不了。我的做法是在项目README里写清楚CUDA版本、驱动版本、PyTorch安装命令。这样别人复现时不会踩坑。如果项目要长期维护建议用Docker。把环境打包成镜像推到镜像仓库换任何平台都能一键拉起。虽然前期多花一小时但后续省下的时间远超这个投入。5. 从跑通到跑好免费算力下的效率优化5.1 数据加载的瓶颈识别与优化免费实例的CPU通常比较弱数据加载容易成为瓶颈。表现是GPU利用率忽高忽低训练速度上不去。用nvidia-smi -l 1观察如果利用率在0%和90%之间跳基本就是数据加载的问题。优化手段有三个。第一把数据预处理成二进制格式比如把图片打包成LMDB或HDF5减少小文件读取开销。第二增加DataLoader的num_workers通常设为CPU核心数的2-4倍。第三使用pin_memory加速CPU到GPU的传输。我实测过一个图像分类任务优化前GPU利用率平均40%优化后稳定在85%以上训练时间缩短了一半。5.2 混合精度训练在免费卡上的收益免费卡通常是T4或P4支持FP16。开启混合精度训练能省显存、提速而且精度损失很小。PyTorch里用AMP很简单from torch.cuda.amp import autocast, GradScaler scaler GradScaler() for data, target in dataloader: optimizer.zero_grad() with autocast(): output model(data) loss criterion(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()注意GradScaler要配合使用否则梯度会下溢。我试过在T4上开AMPbatch size能翻倍训练速度提升约60%。5.3 梯度累积模拟大batch显存不够时可以用梯度累积模拟大batch。原理是多次前向反向后再更新一次参数accumulation_steps 4 for i, (data, target) in enumerate(dataloader): output model(data) loss criterion(output, target) / accumulation_steps loss.backward() if (i 1) % accumulation_steps 0: optimizer.step() optimizer.zero_grad()这样等效batch size是原来的4倍但显存占用不变。代价是训练速度稍慢因为多了几次前向反向。适合显存紧张但想用大batch的场景。5.4 模型保存与断点续训的规范免费实例随时可能被回收所以模型保存要勤。我习惯每30分钟存一次命名带epoch和steptorch.save({ epoch: epoch, model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), loss: loss, }, fcheckpoint_epoch{epoch}_step{step}.pth)同时只保留最近3个checkpoint避免占满存储。恢复时加载最新的那个。另外训练日志也要实时写文件不要只打印到终端。终端一断日志就没了。用logging模块写到文件配合tail -f实时查看。6. 免费算力使用的边界与长期策略6.1 什么任务适合用免费算力免费算力适合小规模实验、课程作业、开源项目开发、论文初期验证、个人学习。这些任务的特点是周期短、资源需求波动大、对稳定性要求不高。不适合大规模预训练、需要连续运行数周的任务、对延迟敏感的在线服务、商业项目生产环境。这些场景建议用付费实例稳定性有保障。我自己的做法是探索阶段用免费算力确定方案后如果确实需要长期跑再考虑付费。这样能把免费额度的价值最大化。6.2 额度用尽后的备选方案额度用尽后有几个选择。第一等下一个周期刷新通常每月1号或注册日刷新。第二申请学术计划如果你能证明是学生或教师身份部分平台提供额外配额。第三参与开源贡献有些平台对活跃开源开发者有奖励。如果都不行可以考虑按量付费。这时候要算清楚成本T4每小时约1-2元A100每小时约10-20元。跑一个实验前先估算需要多少卡时避免账单失控。6.3 长期维护免费额度的习惯免费额度不是一劳永逸的平台政策会变。我的习惯是每季度检查一次各平台的政策看是否有调整。同时保持账户活跃有些平台对长期不登录的账户会收回额度。另外多关注平台的官方公告和社区。新政策通常先在社区放出第一时间跟进能抢到更多资源。我就是在某个平台的社区里看到学术计划扩招的消息及时申请拿到了额外配额。最后提醒一句不要把所有任务押在一个平台上。我见过有人只用一个平台结果平台政策调整后额度清零项目直接停摆。分散到3-4个平台即使个别出问题整体也不受影响。 
长河君 · 2026/10/23 12:19:02 · 阅读 1.2k 免费GPU算力获取与深度学习环境搭建实战指南
1. 免费算力资源的真实分布与获取逻辑先把话说在前头标题里写的“10000/月GPU算力”不是某一家平台直接甩给你一张无限额度的卡随便刷。它指的是通过组合多个主流平台的新用户赠金、长期免费额度、学术合作计划、社区贡献奖励等渠道在一个月周期内累计可调用的GPU时长大致能折算到这个量级。我自己从2023年开始陆续测试过十几个渠道目前稳定在手的免费额度折算下来每月确实能覆盖相当可观的训练任务。为什么会有这么多免费算力核心原因是GPU云厂商和AI平台处在抢用户阶段。训练框架一旦绑定迁移成本很高所以各家都愿意用免费额度换你的使用习惯。另一个原因是学术和开源社区有专项扶持只要你能证明用途是学习或开源项目审批通过率并不低。这里要区分三类资源它们的获取方式和适用场景完全不同资源类型典型形式适合任务获取难度新用户赠金注册送代金券短期实验、跑通流程低长期免费额度每日/每月刷新持续小规模训练中学术/社区计划申请制配额论文实验、开源项目高我踩过的第一个坑就是很多人注册完发现“免费”按钮点不了原因是没完成实名认证或者没绑定支付方式。大部分平台的赠金需要账户达到一定信用等级才发放这一步不能省。还有一个反直觉的点不是所有平台都适合跑深度学习。有些平台送的是CPU算力或者推理专用卡拿来训练模型会非常痛苦。判断方法很简单看它是否支持CUDA、是否能装PyTorch/TensorFlow、是否有持久化存储。三个都满足才值得投入时间。2. 从注册到跑通第一个训练任务完整链路拆解2.1 账户准备阶段最容易卡住的三个环节第一个环节是邮箱。建议用Gmail或Outlook这类国际邮箱注册部分平台的验证邮件会被国内邮箱拦截。我实测下来用QQ邮箱注册某平台时验证邮件延迟了40分钟换成Gmail后10秒到达。第二个环节是手机验证。有些平台支持国内号码有些不支持。如果不支持可以考虑使用家人或朋友的号码但要注意后续账户找回的便利性。这一步没有太多技巧就是耐心试。第三个环节是支付方式绑定。很多人看到“绑定信用卡”就退缩了其实大部分平台只是做预授权验证不会实际扣款。如果你确实不想绑卡可以优先选择支持支付宝或对公转账的平台。我整理了一个判断清单是否需要绑卡才能领赠金绑卡后是否有自动续费风险赠金过期时间是多少天赠金是否区分CPU和GPU用途提示绑卡前先看清楚平台的自动续费条款有些平台默认开启需要在账户设置里手动关闭。2.2 实例创建时的配置选择逻辑创建GPU实例时新手最容易犯的错是直接选最贵的卡。实际上跑通流程阶段用T4或P4这类入门卡就够了每小时消耗的额度少试错成本低。等流程跑通再换A100或V100做正式训练。镜像选择也有讲究。平台提供的预装镜像通常包含CUDA和cuDNN但版本可能和你需要的框架不匹配。我的做法是先用平台镜像快速验证GPU可用然后自己用conda重建环境。这样虽然多花20分钟但后续不会出现版本冲突。存储配置经常被忽略。系统盘默认通常只有50GB装完CUDA和几个框架就满了。建议系统盘至少100GB数据盘单独挂载。如果平台按存储收费记得任务结束后释放数据盘。网络方面如果数据集需要从外部下载注意平台的出网带宽限制。有些免费实例的出网速度被限制在10Mbps下载一个ImageNet要很久。解决办法是提前把数据传到平台的对象存储再从内网读取。2.3 环境搭建的两种路线对比路线一平台预装环境直接使用。优点是快5分钟能开始写代码。缺点是版本固定装额外包时容易冲突。适合只想快速验证想法的人。路线二Miniconda自建环境。优点是版本完全可控适合长期项目。缺点是需要手动装CUDA驱动对应的PyTorch版本。我推荐这条路线因为深度学习项目对环境一致性要求很高。具体操作上先确认显卡驱动版本nvidia-smi看右上角的CUDA Version比如显示12.1那你就不能装要求CUDA 11.8的PyTorch版本。然后去PyTorch官网查对应命令。我通常用这条conda create -n dl python3.10 conda activate dl pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121装完验证import torch print(torch.cuda.is_available()) print(torch.cuda.get_device_name(0))输出True和显卡型号就说明环境通了。这一步看着简单但我见过太多人卡在这里原因是pip源用了默认的国外源下载慢到超时。换成国内镜像源能快十倍。3. 把免费额度用满的调度策略与避坑经验3.1 多平台额度轮换的实际操作单个平台的免费额度通常撑不了一个月的高强度使用所以需要多平台轮换。我的做法是维护一张表格记录每个平台的额度余额、过期时间、当前任务状态。每周检查一次快过期的额度优先用。轮换时最大的痛点是数据迁移。模型权重和数据集在不同平台之间搬来搬去很耗时。我的解决方案是代码放GitHub数据放对象存储模型权重定期导出到本地。这样换平台时只需要重新clone代码和挂载存储。还有一个技巧是错峰使用。部分平台的免费额度在夜间时段消耗更慢或者有额外的夜间赠送。如果你的任务不紧急可以设置定时任务在凌晨启动。3.2 任务中断的预防与恢复免费实例经常会被平台回收尤其是长时间占用GPU但利用率低的时候。我吃过一次亏跑一个12小时的任务第10小时实例被回收前功尽弃。预防措施有三个。第一设置checkpoint每30分钟保存一次模型状态。第二用nohup或tmux让任务在后台运行避免SSH断开导致任务终止。第三监控GPU利用率如果低于30%超过10分钟平台可能会判定为闲置。恢复策略上我习惯把训练脚本写成可断点续训的形式start_epoch 0 if os.path.exists(checkpoint.pth): checkpoint torch.load(checkpoint.pth) model.load_state_dict(checkpoint[model]) optimizer.load_state_dict(checkpoint[optimizer]) start_epoch checkpoint[epoch] 1这样即使中断重新启动后也能从上次的位置继续。3.3 额度消耗的监控与预警不监控额度消耗很容易在月中就把额度用光。我建议在本地写一个简单的脚本每天定时查询各平台的余额低于20%时发邮件提醒。查询方式各平台不同有的提供API有的只能网页查看。对于没有API的平台可以用浏览器自动化工具定时截图然后人工确认。虽然笨但比超额扣费强。另外要注意部分平台的额度是按小时扣减即使实例处于关机状态只要没释放存储和IP保留也会消耗额度。所以任务结束后一定要彻底释放实例而不是关机。4. 深度学习环境搭建中的版本兼容性实战4.1 CUDA、cuDNN、PyTorch三者的版本对应关系这是新手最容易翻车的地方。三者版本必须匹配否则会出现各种奇怪的报错。我整理了一张常用组合表PyTorch版本推荐CUDA推荐cuDNNPython版本2.011.8 / 12.18.73.8-3.111.1311.78.53.7-3.101.1211.38.33.7-3.10查表方法先看显卡驱动支持的最高CUDA版本然后选不超过这个版本的PyTorch。比如驱动支持CUDA 12.1那你可以装CUDA 11.8的PyTorch也可以装12.1的但不能装12.2的。cuDNN通常随PyTorch一起安装不需要单独处理。但如果你从源码编译就需要手动下载对应版本。4.2 常见报错的定位与修复报错一CUDA out of memory。这不一定是显存不够可能是batch size太大或者有内存泄漏。先用nvidia-smi看显存占用如果确实满了减小batch size。如果没满但报错检查是否有未释放的中间变量。报错二RuntimeError: CUDA error: no kernel image is available for execution。这是PyTorch版本和显卡架构不匹配。比如用很新的卡跑很老的PyTorch。解决办法是升级PyTorch到支持该架构的版本。报错三ImportError: libcudart.so.11.0: cannot open shared object file。这是环境变量没配好。在~/.bashrc里加上export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH export PATH/usr/local/cuda/bin:$PATH然后source ~/.bashrc。报错四torch.cuda.is_available()返回False。先确认实例确实有GPU再确认驱动装好最后确认PyTorch是GPU版本。用pip list | grep torch看版本号如果是1.13.0cpu这种带cpu后缀的说明装错了需要重装GPU版。4.3 环境固化与迁移的最佳实践环境搭好后一定要导出依赖清单pip freeze requirements.txt conda env export environment.yml这样换平台时能快速重建。但要注意pip freeze会导出所有包包括平台预装的。建议在干净的conda环境里操作只导出项目实际需要的包。对于CUDA版本这种系统级依赖requirements.txt管不了。我的做法是在项目README里写清楚CUDA版本、驱动版本、PyTorch安装命令。这样别人复现时不会踩坑。如果项目要长期维护建议用Docker。把环境打包成镜像推到镜像仓库换任何平台都能一键拉起。虽然前期多花一小时但后续省下的时间远超这个投入。5. 从跑通到跑好免费算力下的效率优化5.1 数据加载的瓶颈识别与优化免费实例的CPU通常比较弱数据加载容易成为瓶颈。表现是GPU利用率忽高忽低训练速度上不去。用nvidia-smi -l 1观察如果利用率在0%和90%之间跳基本就是数据加载的问题。优化手段有三个。第一把数据预处理成二进制格式比如把图片打包成LMDB或HDF5减少小文件读取开销。第二增加DataLoader的num_workers通常设为CPU核心数的2-4倍。第三使用pin_memory加速CPU到GPU的传输。我实测过一个图像分类任务优化前GPU利用率平均40%优化后稳定在85%以上训练时间缩短了一半。5.2 混合精度训练在免费卡上的收益免费卡通常是T4或P4支持FP16。开启混合精度训练能省显存、提速而且精度损失很小。PyTorch里用AMP很简单from torch.cuda.amp import autocast, GradScaler scaler GradScaler() for data, target in dataloader: optimizer.zero_grad() with autocast(): output model(data) loss criterion(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()注意GradScaler要配合使用否则梯度会下溢。我试过在T4上开AMPbatch size能翻倍训练速度提升约60%。5.3 梯度累积模拟大batch显存不够时可以用梯度累积模拟大batch。原理是多次前向反向后再更新一次参数accumulation_steps 4 for i, (data, target) in enumerate(dataloader): output model(data) loss criterion(output, target) / accumulation_steps loss.backward() if (i 1) % accumulation_steps 0: optimizer.step() optimizer.zero_grad()这样等效batch size是原来的4倍但显存占用不变。代价是训练速度稍慢因为多了几次前向反向。适合显存紧张但想用大batch的场景。5.4 模型保存与断点续训的规范免费实例随时可能被回收所以模型保存要勤。我习惯每30分钟存一次命名带epoch和steptorch.save({ epoch: epoch, model_state_dict: model.state_dict(), optimizer_state_dict: optimizer.state_dict(), loss: loss, }, fcheckpoint_epoch{epoch}_step{step}.pth)同时只保留最近3个checkpoint避免占满存储。恢复时加载最新的那个。另外训练日志也要实时写文件不要只打印到终端。终端一断日志就没了。用logging模块写到文件配合tail -f实时查看。6. 免费算力使用的边界与长期策略6.1 什么任务适合用免费算力免费算力适合小规模实验、课程作业、开源项目开发、论文初期验证、个人学习。这些任务的特点是周期短、资源需求波动大、对稳定性要求不高。不适合大规模预训练、需要连续运行数周的任务、对延迟敏感的在线服务、商业项目生产环境。这些场景建议用付费实例稳定性有保障。我自己的做法是探索阶段用免费算力确定方案后如果确实需要长期跑再考虑付费。这样能把免费额度的价值最大化。6.2 额度用尽后的备选方案额度用尽后有几个选择。第一等下一个周期刷新通常每月1号或注册日刷新。第二申请学术计划如果你能证明是学生或教师身份部分平台提供额外配额。第三参与开源贡献有些平台对活跃开源开发者有奖励。如果都不行可以考虑按量付费。这时候要算清楚成本T4每小时约1-2元A100每小时约10-20元。跑一个实验前先估算需要多少卡时避免账单失控。6.3 长期维护免费额度的习惯免费额度不是一劳永逸的平台政策会变。我的习惯是每季度检查一次各平台的政策看是否有调整。同时保持账户活跃有些平台对长期不登录的账户会收回额度。另外多关注平台的官方公告和社区。新政策通常先在社区放出第一时间跟进能抢到更多资源。我就是在某个平台的社区里看到学术计划扩招的消息及时申请拿到了额外配额。最后提醒一句不要把所有任务押在一个平台上。我见过有人只用一个平台结果平台政策调整后额度清零项目直接停摆。分散到3-4个平台即使个别出问题整体也不受影响。