Ton IA te dit qu’il te faut un GPU ? Lance ton script Python sur un GPU en quelques minutes

Pourquoi ton IA te dit qu’il faut un GPU

Ton assistant (Claude, Claude Code, ChatGPT, Codex, Cursor ou Copilot) voit en général l’un de ces signes : ton code appelle .to("cuda") mais torch.cuda.is_available() renvoie False, l’entraînement se termine par CUDA out of memory, ou il prend des heures sur le processeur. Dans les trois cas, il te faut une carte NVIDIA avec assez de mémoire (VRAM).

• Tu es sur un Mac ou un PC sans carte NVIDIA : lis torch.cuda.is_available() renvoie False.
• Ta carte manque de mémoire : lis CUDA out of memory.
• Ton code tourne mais trop lentement : un GPU loué à l’heure exécute le même script sans changer ton code.

Quel GPU louer et à quel prix

Pour un script PyTorch, commence par la RTX A6000 de 48 Go. Si ton modèle ne tient pas en mémoire, passe à une carte de 80 Go ou 96 Go. La page des prix donne aussi les serveurs de 2 à 8 GPU.

Les étapes, avec le code à copier

1. 1.Vérifie ce que ton code voit

   Sur ton poste, regarde si PyTorch trouve un GPU. False confirme qu’il n’y a pas de GPU CUDA utilisable.

   python -c "import torch; print(torch.__version__, torch.cuda.is_available())"

2. 2.Lance un serveur avec le modèle PyTorch (CUDA)

   Dans la console, choisis le modèle PyTorch (CUDA), une RTX A6000 et ta clé SSH, puis confirme le prix. PyTorch et CUDA s’installent dans /opt/pytorch en quelques minutes ; la console affiche l’avancement et l’adresse IP.

3. 3.Copie ton projet sur le serveur

   Envoie ton dossier avec rsync ou scp. L’utilisateur SSH est ubuntu.

   # Copie le projet sans l’environnement virtuel local
   rsync -avz --exclude .venv --exclude __pycache__ ./mon-projet/ ubuntu@ADRESSE_IP:~/mon-projet/
   
   # Sans rsync (Windows par exemple), scp fait aussi l’affaire
   scp -r ./mon-projet ubuntu@ADRESSE_IP:~/

4. 4.Connecte-toi et installe tes dépendances

   L’environnement PyTorch est activé à la connexion : installe seulement ce que ton projet ajoute.

   ssh ubuntu@ADRESSE_IP
   # L’environnement /opt/pytorch est activé à la connexion
   cd ~/mon-projet
   pip install -r requirements.txt

5. 5.Vérifie le GPU

   nvidia-smi affiche la carte, et PyTorch doit maintenant répondre True.

   nvidia-smi
   python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"

6. 6.Lance ton script

   Avec nohup, le travail continue même si tu fermes ton terminal.

   # Le script continue même si ta connexion SSH se coupe
   nohup python train.py > train.log 2>&1 &
   tail -f train.log

7. 7.Récupère tes résultats

   Rapatrie tes fichiers de sortie (modèles, journaux, figures) avant d’arrêter le serveur.

   rsync -avz ubuntu@ADRESSE_IP:~/mon-projet/outputs/ ./outputs/

8. 8.Arrête les frais

   Un serveur à la demande s’hiberne (0,02 $ par heure (environ 14,60 $ par mois)) : le disque est conservé et tu reprends plus tard. Une machine Spot ne s’hiberne pas : supprime-la. Arrêter le serveur ne suffit pas, il reste facturé au plein tarif. Tu peux le faire dans la console ou par l’API.

   export GPUCLOUD_API_KEY="<ta clé API>"
   
   # Serveur à la demande : hiberner (le disque est conservé)
   curl -X POST "https://gpucloud.ca/api/servers/ID_DU_SERVEUR/actions" \
     -H "Authorization: Bearer $GPUCLOUD_API_KEY" \
     -H "Origin: https://gpucloud.ca" \
     -H "Content-Type: application/json" \
     -d '{"action": "hibernate"}'
   
   # Machine Spot, ou travail terminé : supprimer le serveur
   curl -X DELETE "https://gpucloud.ca/api/servers/ID_DU_SERVEUR" \
     -H "Authorization: Bearer $GPUCLOUD_API_KEY" \
     -H "Origin: https://gpucloud.ca"

Rends ton code portable entre ton poste et le GPU

Choisis le device au démarrage plutôt que d’écrire cuda en dur : le même script tourne sur ton poste (processeur) et sur le serveur (GPU).

import torch

device = "cuda" if torch.cuda.is_available() else "cpu"
print("device:", device)

model = model.to(device)
for inputs, targets in loader:
    inputs, targets = inputs.to(device), targets.to(device)
    ...

Ton assistant peut louer le GPU pour toi

Si ton assistant parle MCP (Claude Code, Cursor, VS Code ou Claude Desktop), connecte-le au serveur MCP de GPU Cloud, https://gpucloud.ca/api/mcp, avec une clé MCP plafonnée. Il lit le catalogue, demande un devis, te montre le prix en dollars canadiens et crée le serveur seulement après ta confirmation. La configuration à coller est sur la page Développeurs.

Ce qu’il faut savoir avant de lancer

• La facturation se fait à l’heure, au tarif horaire du serveur, à partir d’un crédit prépayé. Il n’y a pas de facturation à la minute, et la première heure est prélevée au déploiement.
• Un serveur arrêté reste facturé au plein tarif horaire. Pour payer moins, hiberne-le (0,02 $ par heure (environ 14,60 $ par mois), disque conservé) ou supprime-le. Une machine Spot ne s’hiberne pas : supprime-la quand tu as fini.
• La recharge minimale est de 25,00 $ CA, payée par carte de crédit.
• Les serveurs et leurs disques restent au Canada (région canada-montreal, à Montréal). Les renseignements du compte (identité, facturation, courriels) peuvent être traités hors du Québec, comme l’explique la politique de confidentialité.

Questions fréquentes