# Cloud Studio使用

**Repository Path**: amyjia/cloud-studio-run-program

## Basic Information

- **Project Name**: Cloud Studio使用
- **Description**: 1. 如何在本地的vscode访问cloud studio
2. 在cloud studio中使用git下载git
3. vscode中cloud studio如何使用
4. 收费的Hai服务器可以在团队账号中共享么
5. 腾讯云上有哪些微调Deepseek模型的方法
6. Cloudstudio上如何微调Deepseek模型
7. 如何在腾讯云上使用代码微调模型
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-05-08
- **Last Updated**: 2025-05-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Cloud Studio使用

#### 介绍
1. 如何在本地的vscode访问cloud studio
2. 在cloud studio中使用git下载git
3. vscode中cloud studio如何使用
4. 收费的Hai服务器可以在团队账号中共享么
5. 腾讯云上有哪些微调Deepseek模型的方法
6. Cloudstudio上如何微调Deepseek模型
7. 如何在腾讯云上使用代码微调模型

#目前唯一可以使用的网站————https://cloudstudio.net/ ide专业版即将下线 但收费部分还是一样的 在腾讯云官网上缴费开发票 目前gpu免费 过段时间gpu收费后会有新的计费标准


### 1. 如何在本地的vscode访问cloud studio

       无法操作 这个功能下线了

### 2. 在cloud studio中使用git下载git@gitee.com:ncut-sci/kid-story.git

       目前只支持http来克隆 不支持ssh

![介绍](%E6%8D%95%E8%8E%B71.PNG)
        现场演示

### 3. vscode中cloud studio如何使用

        无法操作 这个功能下线了

### 4. 收费的Hai服务器可以在团队账号中共享么

        不可以 共享服务器没有这项服务 团队功能已经下线 现在共享代码的方式只有网站上的复制方法 目前的gpu是免费的 之后新出计费规则

### 5. 腾讯云上有哪些微调Deepseek模型的方法
### 6. Cloudstudio上如何微调Deepseek模型
### 7. 如何在腾讯云上使用代码微调模型
        大致进行了解 还未进行实践
        微调步骤：1.部署——大模型服务快速部署
                    Ollama+VLLM 在cs上进行GPU部署
                 2.微调大模型
                        1.下载部署LLama
                        2.LLaMA-Factory 支持通过 WebUI 零代码微调大语言模型
                        3.WebUI界面主要分为四个界面：训练、评估与预测、对话、导出。
                            指定参数：   
                            - 模型名称及路径
                            - 训练阶段
                            - 微调方法
                            - 训练数据集
                            - 学习率、训练轮数等训练参数
                            - 微调参数等其他参数
                            - 输出目录及配置路径
                            点击start开始训练
                        4.微调参数配置：
                        
                        模型配置
                            model_name_or_path: /workspace/Qwen/Qwen2.5-1.5B-Instruct
                            预训练模型的本地路径（Qwen2.5-1.5B-Instruct模型）。
                            quantization_bit: 4
                            启用4-bit量化（显著减少显存占用，适合低资源环境）。
                        
                        微调方法
                            stage: sft
                            训练阶段为监督微调（Supervised Fine-Tuning）。
                            do_train: true
                            启用训练模式。
                            finetuning_type: lora
                            使用LoRA（低秩适应）进行高效微调。
                            lora_target: all
                            对模型所有线性层应用LoRA适配器。
                        
                        数据集配置
                            dataset: identity
                            使用的数据集名称（需在data_info.json中注册）。
                            dataset_dir: /workspace/LLaMA-Factory-main/data 
                            定义了关键文件的查找路径。
                            template: qwen
                            指定Qwen专用对话模板格式。
                            cutoff_len: 1024
                            输入文本的最大长度（超出部分截断）。
                            max_samples: 1000
                            每个数据集最多使用的样本数（限制训练规模）。
                            overwrite_cache: true
                            覆盖已缓存的数据预处理结果。
                            preprocessing_num_workers: 16
                            数据预处理的并行线程数（加速数据加载）。
                        
                        训练超参数
                            per_device_train_batch_size: 1
                            每个GPU的训练批次大小（受显存限制设为1）。
                            gradient_accumulation_steps: 8
                            梯度累积步数（等效批次大小=1×8=8）。
                            learning_rate: 1.0e-4
                            初始学习率（LoRA常用较小学习率）。
                            num_train_epochs: 3.0
                            训练总轮数。
                            lr_scheduler_type: cosine
                            使用余弦退火学习率调度器。
                            warmup_ratio: 0.1
                            学习率预热的比例（前10%训练步线性增加学习率）。
                            bf16: true
                            启用BF16混合精度训练（适合Ampere架构GPU）。
                        
                        验证与评估
                            val_size: 0.1
                            验证集比例（10%训练数据用于验证）。
                            per_device_eval_batch_size: 1
                            每个GPU的验证批次大小。
                            eval_strategy: steps
                            按步数间隔执行验证。
                            eval_steps: 500
                            每500训练步验证一次。
                        
                        输出与日志
                            output_dir: saves/qwen2.5-1.5b/lora/sft
                            模型和日志的输出目录。
                            logging_steps: 10
                            每10步记录一次日志。
                            save_steps: 500
                            每500步保存一次模型检查点。
                            plot_loss: true
                            绘制训练损失曲线。
                            overwrite_output_dir: true
                            覆盖已有输出目录。
                        
                        其他配置
                            ddp_timeout: 180000000
                            分布式训练的超时时间（毫秒，约50小时）。
                        5.执行命令开始微调
                        6.合并后推理