大模型开始满天飞，动不动就是千亿参数的大模型，对于大部分厂家来说做大模型还是有点遥不可及（太消耗资源了o(╥﹏╥)o）。但也不要气馁，大模型的发展同样面临瓶颈，训练所需的硬件资源日益增加，比如英伟达的芯片、电力等（这也可能是ChatGPT5迟迟没有出来的原因）。
业界有观点认为，在大多数情况下，并不需要全能的大模型，而是更适合专注于特定领域的中小型模型。这类模型针对垂直领域，性价比更高，在特定场景下能以较低资源实现高准确率的专项任务。例如在边缘计算领域，模型推理所需资源远少于训练时。随着芯片技术的进步，越来越多的芯片集成了NPU，甚至有些研发了自己的可重构NPU架构，把算力推升到10TOPS以上，最新的高端芯片甚至可到几十TOPS（例如高通、HAILO的芯片），大幅降低了推理时间和功耗，也为边缘端运行更多强大功能的模型提供了基础。
无论如何，中小型模型的开发需求正随着市场的需求不断扩大。下面盘点下训练小模型时常用的好工具，如果有其他更好的工具也可评论区推荐一下，不胜感激(#^.^#)。
训练模型需要有台有一定高算力的电脑，但如果没有真没有办法拥有一台这样的实体机，科技的发展也不会辜负任何一个想学习的人的。
1. Colab：Google提供的免费云GPU平台。它用Jupyter notebook的方式，让大家可以在线上调用他的GPU去训练。但是嘞，大陆用不了Google的服务。网上也有不少的教程，需要的自行解决。
2. Kaggle：一个有名的机器学习算法比赛平台，不仅提供了大量的训练数据集，还提供各种流行模型的介绍、模型文件、参考例子、社区分享代码，甚至Jupyter notebook运行平台包含GPU和TPU加速。这么完整的一条龙服务，哪个新手不喜欢。不过硬件加速有每周有时限，但50个小时，都比我上班时间还长，实在是香。
3. Roboflow：一个集大成的模型开发工具、方案提供平台。提供模型训练过程中，几乎所有想要的功能，甚至可以实现在不写代码的情况下，在网页端配置生成自定义任务的模型。当然，高附加值的产品是需要索取额外的费用的。
当然有自己训练的机器是最好的，毕竟线上的运行环境、网络速度，数据安全等问题有时是不能忽略的。至少装一台超级PC，一个team一起用也是可以的嘛（小编也是这种模式）。毕竟一个工程师不可能一直都在训练，训练完的模型拿去分析分析，写写部署代码，在这段时间给另外一位工程师去训练，以达到训练机器最大化使用率（资本家思维(#^.^#)，老板也喜欢），这时候就需要一些工具去隔离工作区。
1. SSH：这个就不用多解释了，允许多个其他pc同时远程登录超级pc去使用。
2. VScode：这个小而精的软件越来越多人使用了，众多功能通过插件方式去添加，可以满足不同人群的需求。而它提供的ssh插件，可以让本机电脑通过ssh访问超级PC时，能像本地操作一样，丝滑方便，可参考【宇宙最强编辑器VS Code】（十）使用VS Code + SSH进行远程开发_visual studio code ssh 打开工作区-CSDN博客。
3. Anaconda：现在有很多训练框架，大部分框架都是用python来写的，而每个框架对python环境都有不一样的要求，anaconda就是一个非常不错的python虚拟环境的管理软件。
4. Docker：docker不单单是方便开发者分享运行环境的工具，也是个不错的沙盒工具。在一些交叉编译的需求中，隔离原系统，在docker的容器中自由修改各种变量，安装各种软件，弄好了还可以分享给别人用。一些框架或芯片厂商的开发环境也会用这个软件。
你可能想要知道的Q&A
Q1
Colab平台如何解决大陆无法访问Google服务的问题？
A1
可以通过VPN或者使用一些第三方提供的代理服务来访问Colab平台。
Q2
Kaggle平台的硬件加速是否对所有用户都开放？
A2
Kaggle平台的硬件加速功能对所有注册用户开放，但每周有使用时间限制。
Q3
如何选择适合自己的模型训练工具？
A3
应根据个人的训练需求、硬件条件以及对工具的熟悉程度来选择，同时也可以参考社区中其他用户的推荐和评价。
Q4
使用SSH远程登录时，如何保证数据的安全性？
A4
应确保使用安全的密码和密钥认证方式，定期更新密码，以及限制可登录的用户和IP地址，以提高安全性。
Q5
Docker容器与虚拟机有什么区别？
A5
Docker容器是轻量级的，共享宿主机的操作系统内核，启动快速，资源占用少；而虚拟机是重量级的，每个虚拟机都有自己的操作系统，启动较慢，资源占用相对较多。
登录大大通网站查看原文：
Biu懂AI：模型训练常用工具集合
https://www.wpgdadatong.com.cn/reurl/Z7riui
