常见问题（FAQ）

本文档解答使用 NiceGPU 平台时遇到的常见问题，涵盖平台基础信息、实例管理、AI 模型使用和开发环境配置等方面。

---

目录

• 基础信息
• 平台使用规范
• 实例管理
• AI 模型使用
• 开发环境配置

---

基础信息

1. 没有找到需要的模板镜像？

NiceGPU 提供了多种预配置的模板镜像，如果当前模板无法满足您的需求，可以采用以下方式：

• 使用基础镜像：选择 Minimal Notebook 基础镜像，然后自行安装所需的环境和依赖包
• 联系支持团队：通过以下渠道联系我们，我们会尽快评估并添加您需要的模板
  • 邮箱：support@nicegpu.com
  • Reddit：https://www.reddit.com/r/nicegpu/

2. GPU 列表中的"在线数量"表示什么？

在线数量表示该类型 GPU 的总在线数量，包括：

• 已被用户占用的 GPU
• 当前可用的 GPU

该数值不是可用 GPU 的数量。实际可用数量需要根据当前使用情况判断。

3. 不同的 Jupyter Notebook 镜像有什么区别？

NiceGPU 提供的 Jupyter Notebook 镜像均基于 Jupyter Docker Stacks 官方镜像构建，不同镜像预装了不同的软件包和开发环境：

• 基础镜像：仅包含 Jupyter Notebook 核心功能
• 数据科学镜像：预装 NumPy、Pandas、Matplotlib 等数据科学库
• 机器学习镜像：预装 TensorFlow、PyTorch 等深度学习框架
• 其他专业镜像：针对特定领域（如 R、Spark 等）的预配置环境

请根据您的实际需求选择合适的镜像。详细的镜像差异和选择指南，请参考 Jupyter Docker Stacks 官方文档。

---

平台使用规范

禁止的活动

为保障平台安全性和公平性，NiceGPU 严格禁止以下活动：

• 加密货币挖矿：禁止使用平台资源进行加密货币挖矿
• 密码破解：禁止进行密码暴力破解或字典攻击
• 拒绝服务攻击（DDoS）：禁止发起或参与任何形式的网络攻击
• P2P 文件共享和种子下载：禁止使用 BitTorrent 等 P2P 协议
• 远程代理连接：禁止将实例用作代理服务器或 VPN 节点
• 多账号规避限制：禁止通过多个账号规避平台使用限制
• 深度伪造（Deepfake）：禁止使用平台资源生成深度伪造内容
• 技术规避反滥用策略：禁止通过技术手段规避平台的安全和反滥用机制

违反上述规定的账号将被暂停或永久封禁，请合理使用平台资源。

---

实例管理

1. 是否可以使用 Docker 或运行自定义镜像？

不支持。出于安全性和稳定性考虑，NiceGPU 平台：

• 不支持运行 Docker：实例运行在容器环境中，无法嵌套运行 Docker
• 不支持自定义镜像：仅能使用平台提供的预配置模板镜像

如需特定的软件环境，请使用 Minimal Notebook 基础镜像自行安装配置。

2. 实例过期后无法启动？

是的。实例过期后无法启动，需要先完成续费操作。

续费后，实例将恢复正常状态，您可以继续使用。

3. 创建实例后能否修改配置？

不支持。实例创建后，以下配置无法修改：

• GPU 型号和数量
• 内存大小
• 存储空间
• 其他硬件配置

如需使用不同的配置，请：

1. 删除当前实例（如已保存重要数据，请先备份）
2. 使用新配置重新创建实例

4. 创建实例时报错：Container not found

原因：宿主机出现异常，无法创建容器实例。

解决方案：

1. 删除当前失败的实例
2. 重新创建实例
3. 如问题持续，请联系技术支持：support@nicegpu.com

5. 创建实例时报错：Out of memory

原因：您选择的模板镜像对 GPU 显存（VRAM）要求较高，当前宿主机显存不足。

解决方案：

1. 删除当前失败的实例
2. 选择显存更大的 GPU 型号
3. 重新创建实例

建议：创建实例前，请确认所选模板的显存需求，选择合适规格的 GPU。

6. 实例创建完成后如何使用？

实例创建成功后会自动启动，使用步骤如下：

1. 确认实例状态：在实例列表中，状态列应显示为 Running
2. 访问服务：在算力连接列中，点击对应的服务链接地址
3. 开始使用：根据模板类型，您将看到：
   • Jupyter Notebook：Web IDE 界面
   • AI 模型服务：API 端点或 Web UI
   • 其他服务：对应的访问界面

---

AI 模型使用

1. 如何使用 DeepSeek 模型？

NiceGPU 支持以下 DeepSeek 模型：

• DeepSeek R1：1.5B、8B、14B
• DeepSeek Code V2：16B

使用方法：

• Web 界面使用：参考 Chat with DeepSeek
• API 调用：参考 How to use DeepSeek-R1, Llama

2. AI 模型支持上传图片吗？

部分支持。Ollama 框架中的部分模型支持多模态（Vision）功能，可以处理图片输入。

支持的模型：

• Llama 11B（Vision 版本）
• Gemma3 12B（Vision 版本）

使用方法：

方法一：API 调用

在 API 请求中添加 Base64 编码的图片数据。详细说明请参考 Ollama 官方 API 文档。

方法二：使用支持 Vision 的 UI 工具

可以使用支持 Ollama API 图片上传功能的第三方 UI 工具，例如：

• Cherry AI：支持 Vision 功能（推荐）
• 不支持的工具：
  • https://web.chatboxai.app/
  • https://openwebui.com/

在支持 Vision 的 UI 工具中，您可以在聊天输入框中直接上传图片。

3. 打开 DeepSeek API 服务时显示 "Ollama is running"？

这是正常现象。NiceGPU 通过 Ollama 框架加载和运行 DeepSeek 模型，因此：

• 状态显示：服务状态会显示为 "Ollama is running"
• API 调用方式：需要按照 Ollama API 规范 进行调用

DeepSeek 模型已集成到 Ollama 框架中，您可以使用标准的 Ollama API 与 DeepSeek 模型交互。

---

开发环境配置

1. Jupyter Notebook 上传文件超过 100MB 报错？

原因：Jupyter Notebook 的默认配置限制了上传文件大小为 100MB。

解决方案：

不建议修改限制

出于安全性和性能考虑，我们不建议修改此限制。

推荐做法：

1. 使用云存储：将大文件上传到第三方云存储服务（如 Google Drive、Dropbox、OneDrive 等）
2. 通过下载使用：在 Jupyter Notebook 中使用 wget 或 curl 命令下载文件
3. 使用 Git LFS：对于代码仓库中的大文件，使用 Git LFS 管理

示例：

# 使用 wget 下载文件
!wget https://example.com/large-file.zip

# 或使用 Python requests
import requests
url = "https://example.com/large-file.zip"
response = requests.get(url, stream=True)
with open("large-file.zip", "wb") as f:
    for chunk in response.iter_content(chunk_size=8192):
        f.write(chunk)

2. 没有 systemctl 命令？

原因：NiceGPU 实例运行在容器环境中，不是传统的云虚拟主机。

说明：

• 容器环境不支持 systemctl、service 等系统服务管理命令
• 容器内的进程由容器运行时直接管理
• 如需管理后台服务，请使用其他方式（如 nohup、screen、tmux 等）

替代方案：

# 使用 nohup 在后台运行服务
nohup python app.py &

# 使用 screen 管理会话
screen -S mysession
python app.py
# 按 Ctrl+A 然后 D 退出，使用 screen -r mysession 恢复

# 使用 tmux 管理会话
tmux new -s mysession
python app.py
# 按 Ctrl+B 然后 D 退出，使用 tmux attach -t mysession 恢复

3. 如何安装 CUDA Toolkit？

CUDA Toolkit 是 NVIDIA GPU 开发的必要工具。安装前需要确认驱动版本兼容性。

安装步骤：

1. 确认驱动版本：使用 nvidia-smi 命令查看当前 NVIDIA 驱动版本

nvidia-smi

1. 查看兼容性：参考 NVIDIA CUDA Toolkit 版本兼容性文档，确认驱动版本支持的 CUDA Toolkit 版本

1. 下载并安装：根据操作系统版本，从 NVIDIA 官方下载页面 下载对应的 CUDA Toolkit

以 Ubuntu 为例

其他操作系统，请参考 https://developer.nvidia.com/cuda-downloads 进行安装。

重要提示：如果您在 Jupyter Notebook 中安装 CUDA Toolkit，安装完成后需要 重启 Kernel（Kernel → Restart Kernel）以确保新的环境变量生效。

Ubuntu 22.04Ubuntu 24.04

# 添加 NVIDIA CUDA 仓库密钥
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb

# 更新软件包列表
sudo apt-get update

# 安装 CUDA Toolkit 12.6
sudo apt-get -y install cuda-toolkit-12-6

# 验证安装
/usr/local/cuda-12/bin/nvcc --version

# 添加 NVIDIA CUDA 仓库密钥
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb

# 更新软件包列表
sudo apt-get update

# 安装 CUDA Toolkit 12.8
sudo apt-get -y install cuda-toolkit-12-8

# 验证安装
/usr/local/cuda-12/bin/nvcc --version

验证安装：

安装完成后，使用以下命令验证 CUDA Toolkit 是否正确安装：

# 检查 CUDA 编译器版本
/usr/local/cuda-12/bin/nvcc --version

# 检查 CUDA 运行时版本
python -c "import torch; print(torch.version.cuda)"

---

获取帮助

如果您的问题未在本文档中找到答案，请通过以下方式联系我们：

• 邮箱支持：support@nicegpu.com
• Reddit 社区：https://www.reddit.com/r/nicegpu/

我们会尽快回复您的问题。