As perguntas antes do primeiro teste.

Parta do modelo e da questão a resolver. Estime os pesos e depois adicione o cache, as ativações e os buffers da sua execução. Um primeiro teste de 3 dias pode servir para carregar o modelo, verificar as dependências e medir o pico de memória. Compare em seguida as fichas com capacidade suficiente: uma placa mais recente não substitui um protocolo adaptado à sua carga.

As locações duram 3, 7 ou 30 dias. Você escolhe de 1 a 10 lotes no checkout: um lote contém uma placa, exceto o B200, que contém duas. Três dias servem para uma validação pontual, sete dias para uma série de variantes e trinta dias para uma campanha organizada. Prepare seus dados e um ponto de retomada antes do início dos seus cálculos para dedicar a duração ao seu objetivo.

O preço exibido corresponde a um lote para a duração escolhida, em USD. O total do pedido multiplica esse pacote pelo número de lotes. O estoque indica as placas disponíveis, ou os lotes de duas placas para o B200. Por exemplo, dois lotes B200 representam quatro GPUs: o preço do lote não deve ser multiplicado uma segunda vez por dois.

Escolha a GPU, a duração, o número de lotes e sua preferência de ambiente: Ubuntu, PyTorch, Blender ou outro. Em seguida, crie sua conta com seu nome, sobrenome, email e uma senha, ou escolha «Já tenho uma conta» para fazer login. Verifique os dados preenchidos automaticamente se você estiver conectado e depois o resumo. Nenhum documento de identidade é solicitado.

Cada placa possui sua própria memória. Um programa distribuído deve posicionar explicitamente seus dados ou cálculos em vários dispositivos; duas GPUs não constituem automaticamente uma única GPU grande. A duplicação do modelo, a distribuição de camadas e o particionamento dos estados de treinamento atendem a necessidades diferentes. Escolha sua estratégia antes de pedir vários lotes.

Defina os experimentos indispensáveis, as variantes opcionais e seu critério de parada. Faça funcionar um caso pequeno completo antes de lançar os lotes longos. Guarde as revisões de código, os parâmetros, as medições e um checkpoint que você realmente recarregou. Preveja também o tempo de verificar e exportar os resultados, para não reservar todo o período apenas ao cálculo.

A IteraGPU não exige documento de identidade nem procedimento de verificação de identidade KYC para a locação. O checkout conserva, ainda assim, seu nome, seu sobrenome e seu email de contato. Você escolhe um ativo e sua rede e, em seguida, realiza a transferência a partir da sua carteira. Esse percurso sem controle de identidade não significa que as transações de uma blockchain pública se tornem anônimas.

Os métodos são BTC na Bitcoin, ETH na Ethereum, USDT e USDC na Ethereum, SOL na Solana, TRX e USDT na Tron, além de LTC na Litecoin. Escolha o par ativo/rede exibido no pedido. Para um token como USDT, o nome sozinho não basta para identificar o destino: as instruções distinguem Ethereum e Tron.

O pedido mantém seu total em USD. As instruções indicam um valor exato em cripto, uma cotação e um prazo. Use a intenção ainda válida quando preparar a transferência. Se ela expirar antes do seu envio, solicite novas instruções a partir desse pedido; o novo valor corresponde à cotação obtida nesse momento.

Após a sua transferência, clique no botão da intenção em questão. A mensagem «Pagamento sinalizado. Verificação pendente.» indica que a sinalização foi registrada e permanece visível quando você voltar. A liquidação passa então pela sua verificação. Se você usou uma intenção antiga, abra-a no histórico e use o botão dela.

Uma recarga em cripto confirmada alimenta seu saldo em USD. Em seguida, abra o pedido de locação e escolha o pagamento com o saldo quando ele cobrir o valor. A recarga e a locação mantêm cada uma sua referência, e o registro permite acompanhar o crédito e depois o débito. O simples registro de uma recarga não adiciona fundos disponíveis.

Encontre o processo em «Minhas locações» e depois na lista de pedidos. Ele apresenta o valor, o pagamento e a etapa de fornecimento separadamente. «Pagamento sinalizado» corresponde à sua declaração; «Paga» corresponde a um pagamento confirmado. Consulte em seguida o estado de preparação e as informações de acesso quando forem fornecidas.

Sim. Você escolhe seu código, seus modelos, suas dependências e os processamentos que executa na GPU alugada. Prepare um ambiente cujas versões e necessidades você conhece. Para mudar de família de hardware, verifique a compatibilidade das suas bibliotecas e extensões antes de transpor um protocolo completo.

O serviço não realiza inspeção do conteúdo dos seus arquivos, prompts ou cálculos. Você mantém o controle dos seus processamentos e dos seus resultados. O acompanhamento comercial usa as informações de pedido e de pagamento; essa política não constitui uma promessa de ausência de qualquer dado técnico nem de anonimato absoluto.

O caderno reúne as hipóteses, versões de ambiente, parâmetros e observações que você nele registra. Use uma ficha por questão experimental: por exemplo, comparar duas precisões com batch constante ou medir o efeito do contexto sobre o cache. Uma nota clara associa a configuração à medição e à conclusão; ela não confunde uma estimativa com um resultado observado.

Conecte-se à IteraGPU com o email e a senha da sua conta para encontrar seus pedidos, seu saldo e seu caderno. A desconexão apenas encerra a sessão. Os dados de uma sessão de convidado anterior podem ser conservados em um novo cadastro a partir dessa sessão, se ela ainda for válida e não estiver já vinculada. Um endereço de email idêntico não basta para recuperar os processos de outro navegador. Baixe o resumo dos seus pedidos para conservar as referências úteis.

Mantenha constantes o modelo, o conjunto de dados, as versões, o comprimento das entradas e as regras de medição. Altere uma variável por vez. Distinga as primeiras execuções do estado estabilizado e meça também a qualidade da saída, não apenas a velocidade. Documente as falhas: um pico de memória excedido é uma informação útil para escolher a configuração seguinte.

Anote a referência do pedido, o modelo da GPU, a versão das bibliotecas e as etapas que reproduzem o problema. Se possível, reduza o caso a uma entrada representativa e indique o que era esperado. Na sua solicitação privada, remova os segredos e anexe as mensagens úteis em formato de texto; mantenha seus dados de negócio e os arquivos completos sob seu controle.

Não. Ele dá uma base para o armazenamento dos parâmetros. O trabalho acrescenta outros objetos: ativações e alocações temporárias, gradientes e estados do otimizador durante o treinamento, cache eventual durante a geração. Prepare uma estimativa com as dimensões da sua carga e depois meça um teste representativo.

É uma hipótese calculada a partir das suas entradas e dos itens explicitamente exibidos. Ela ajuda a organizar uma seleção; não garante nem o carregamento de um modelo nem sua velocidade. As dimensões, formatos e custos adicionais próprios do seu software podem alterar a necessidade. Guarde a estimativa com sua data e depois compare-a ao pico medido.

Uma precisão menor altera o compromisso entre memória, cálculo e comportamento numérico. Compare-a nas mesmas entradas com seus critérios de qualidade. Mantenha o formato dos pesos, o do cálculo e as versões de biblioteca: a combinação deles permite reproduzir a variante escolhida.

O programa deve distribuir o trabalho e, se necessário, os estados do modelo entre os dispositivos. Várias placas não se tornam automaticamente um espaço de memória único. Escolha sua estratégia de paralelismo de acordo com o modelo e, em seguida, meça o pico em cada GPU. O lote B200 contém duas GPUs; a memória continua sendo descrita por placa.

Defina primeiro a pergunta, as métricas e o critério de qualidade. Guarde as entradas, versões, parâmetros, método de medição e resultados individuais. Explique o que muda entre as variantes. Se vários elementos mudarem simultaneamente, você pode comparar as configurações completas, mas não pode atribuir a diferença a um único desses elementos.

Ela controla algumas fontes de aleatoriedade, mas não todas as diferenças de execução. O PyTorch não garante reprodutibilidade completa entre versões, plataformas e dispositivos. Documente as sementes, os ajustes determinísticos e o ambiente. Defina também o que você considera reprodutível: os mesmos valores exatos ou um resultado comparável segundo uma tolerância explicada.