CarrieYung很多人第一次打开AutoDL的官网，第一反应是“这不就是个租显卡的云平台吗”，但真正用上一周就会发现，它其实是一台可以随时开关机的云端开发机。你可以在上面装环境、跑训练、挂服务，也可以把PyCharm连过去写代码，甚至通过Claude的API把大模型能力接进自己的脚本里。这篇文章就是一份基于我实际使用经验的autodl手册，重点覆盖大家搜索最多的几个问题：autodl使用教程、autodl链接pycharm、autodl清除垃圾箱、以及怎么运用云服务autodl做真实项目。不管你是第一次租GPU的学生党，还是已经在用但经常踩坑的算法工程师，应该都能在里面找到能直接抄作业的部分。
1. 先弄明白AutoDL是什么：它不是一台普通服务器
1.1 为什么你需要一块“按小时计费的GPU”
AutoDL本质上是把GPU算力按小时出租，但它的核心设计思路是“你只为自己真正用到的资源付费”。和传统云服务器不同，AutoDL的实例可以随时关机，关机后不再计费，但磁盘上的数据依然保留，下次开机还能继续工作。这个特性非常关键，意味着你可以把开发、训练、调试拆成多个时间段，不用像以前那样包月买一台昂贵的机器。
而且AutoDL的镜像系统也做得比较友好，PyTorch、TensorFlow、PaddlePaddle这些常用深度学习框架都有现成镜像，开机之后基本不需要折腾CUDA和cuDNN。对于时间紧迫的炼丹场景，这能帮你省下至少两小时的部署时间。我自己第一次用的时候，选择了一个带PyTorch 2.0的镜像，开机后直接跑通了之前本地环境一直报错的训练脚本，那种感觉确实顺畅。
另外，AutoDL的实例规格覆盖了从入门级RTX 4090到专业级A100等常见显卡，价格差异也比较明显。如果你是新手，建议先从便宜的小卡入手，把流程跑通后再切换到更高级的实例，避免一开始就花冤枉钱。对于大部分深度学习实验，单张RTX 4090其实已经非常能打了。
1.2 AutoDL的三种使用视角：Solo玩家、算法工程师、学生党
不同身份的人用AutoDL的方式差别很大。学生党通常是课程作业或者毕业设计需要跑模型，最关心的是性价比和复现便利性，所以适合用预置镜像加JupyterLab，快速上手。算法工程师则更多是把AutoDL当成远程开发机，用PyCharm连接实例，像写本地代码一样写训练脚本，并且需要频繁同步数据、清理缓存，这个场景下SSH和文件传输工具就变得很重要。
还有一类Solo玩家，可能是做个人项目和接私活，往往需要在AutoDL上同时跑多个实验，还要把结果数据保存下来。这类用户更关注磁盘管理和成本控制。比如AutoDL的系统盘和数据盘空间有限，跑几天实验后很容易堆满，尤其是pip和conda的缓存、Docker镜像、临时文件，占了大量空间。所以“autodl清除垃圾箱”会成为高频搜索词，这不难理解。
不管是哪类用户，核心其实都是三件事：把环境配好、把代码跑起来、把成本控制住。下面我就按实际操作顺序，从入门到进阶，把每一步都展开讲。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 从注册到开机：AutoDL手册的入门实操
2.1 账号、计费与实例选型
AutoDL的注册流程很简单，手机号或者账号注册后，一般都需要实名认证，这个环节卡住过不少人，记得提前准备身份证信息。认证通过后，进入控制台第一步就是充值。AutoDL是预付费模式，相当于先往账户里充钱，然后按实际使用时长扣费。需要注意的是，创建实例时会锁定一个小时的费用，如果余额不足，可能无法开机。
实例选型时，我一般会考虑三个维度：显存大小、算力水平、价格。显存主要看你跑什么模型，像ChatGLM这类7B级别的模型推理，至少需要16G显存，所以RTX 4090或者更大显存的卡更合适。训练任务则要看模型参数量和batch size，可以先在纸上估算一下。比如一个batch size为8的BERT微调，显存需求大概在12G左右，RTX 3090就够用了。
价格方面，AutoDL会显示每小时的费用，但要注意“按量计费”和“包天包月”的说法。实际上AutoDL更多是按小时计费，关机不计费，这点很划算。另外还要留意“无卡模式”开机，这个模式不占用GPU，只保留CPU环境，适合做环境配置和数据预处理，费用极低，算是个省钱小技