导读：很多同学学深度学习，第一步就卡死在"没有 GPU"。本文记录我的真实搭建全过程：torch CPU 版能干什么、什么必须上云 GPU、AutoDL 怎么用"无卡模式"把成本压到几十块——以及一份让"本机/云端"环境一致的锁版本经验。
一、我的处境：本机真的没有 GPU
- 上班/在校环境：机器没有 NVIDIA 独显（
nvidia-smi直接不存在，torch 只能装 CPU 版）； - 白天没法碰大计算，只有晚上和周末的时间窗口。
结论先说：没有 GPU 也能学深度学习——写代码、调 demo、跑小模型、验证思路全在本机 CPU 搞定；训练大模型和 TensorRT 才需要上云。别让"没卡"成为不开始的借口。
二、方案 A：本机 CPU——能做什么、不能做什么
安装：Python 3.12 +torchCPU 版 +opencv-python / scikit-image / torchvision / matplotlib / numpy等，一份requirements.txt（约 110 个包）锁死版本。
实测能跑：
- 完整训练链路验证：CIFAR-10 上的 SmallCNN，约61% 准确率、18s/epoch——全流程（数据→训练→评估）畅通；
- 图像处理/算法原型开发（OpenCV/skimage 全在 CPU 上飞快）；
- ONNX 导出与 CPU 推理；
- 推理/评测脚本（我写的融合 10 指标评测脚本 CPU 完全够跑）。
跑不了：
- 大模型训练（ResNet 级都要等很久）；
- TensorRT——它是 NVIDIA 的加速推理框架，必须有 NVIDIA GPU。
三、方案 B：AutoDL 云 GPU——怎么把成本压到几十块
省钱核心：无卡模式（~0.1 元/时）
所有"不烧算力"的活——传代码、装环境、下载数据——都先在无卡模式下做完，再切 GPU 计费跑训练。这一步能省掉 95% 的云费用。
推荐配置（2026 行情，以官网为准）
| GPU | 显存 | 大致价格 | 适合 |
|---|---|---|---|
| 无卡模式 | — | ~0.1 元/时 | 传代码/装环境/下载数据 |
| RTX 3090 | 24G | ~1.5-2 元/时 | 性价比首选（小模型绰绰有余） |
| RTX 4090 | 24G | ~2.5-3.5 元/时 | 更快，训练时间减半 |
租赁流程（7 步）
- 注册 autodl.com（手机号 + 实名）；
- 充值 100 元（用不完可退）；
- 创建实例：3090 + 镜像「PyTorch 2.x + Python 3.10 + CUDA 12.1」；
- 无卡模式开机：上传代码、装依赖（requirements_cloud.txt）、下载数据集（有学术加速）；
- 切计费模式开跑训练；
- 训练挂后台（
nohup python train.py &）； - 跑完立即关机——不跑就关，按量计费。
预算参考：9 月任务打包一次租（TensorRT demo + 几版模型训练，约 20-40 GPU 小时），总花费50-150 元。
四、双方案分工表
| 任务 | 放哪跑 |
|---|---|
| 写代码、调试、改 bug | 本机 CPU |
| 数据下载、预处理 | AutoDL 无卡模式（学术加速） |
| 小模型验证（CIFAR 级） | 本机 CPU |
| 正式训练 | AutoDL 3090/4090 |
| TensorRT 部署 | AutoDL（需 NVIDIA GPU） |
| 评测/指标计算 | 本机 CPU |
五、环境一致性经验（重要）
本机一套requirements.txt（110 包），云端一套requirements_cloud.txt（108 包，不含 torch——因为云镜像自带 CUDA 版 torch，装了反而冲突）。
两份锁版清单保证「本机能跑 → 云上也能跑」，避免最常见的"本机好好的，一上云就炸"。
结尾
我的下一步：在云 GPU 上复现 DenseFuse 训练 + 跑通 TensorRT demo，然后统一评测——欢迎关注，后续会把踩坑和结果继续写成文章。
环境：Python 3.12 / torch CPU 版（本机）；AutoDL（云 GPU）。本文所有软件配置均可用公开渠道复现。
