# Thuê GPU train LoRA: vì sao máy ở Mỹ thường là đủ tốt

URL: https://cloudj.net/vi/blog/lora-training-gpu-usa
Published: 2026-11-12 · Updated: 2026-11-12

> Thuê GPU train LoRA là tác vụ batch, vị trí gần như không quan trọng. Cách sắp máy ở Mỹ theo giá, chọn VRAM, tải dataset lên một lần và lấy kết quả về.

Khi thuê GPU train LoRA, công việc có một đặc điểm khiến vị trí gần như không quan trọng: bạn tải dataset lên, GPU chạy một giờ hay cả đêm mà không ai ngồi chờ, và cuối cùng bạn tải về một file adapter nhỏ. Nghĩa là bạn có thể chọn máy theo giá, VRAM và độ tin cậy thay vì khoảng cách. Trên Cloudj, bạn có thể tìm rộng, trên khắp nước Mỹ hoặc không đặt quốc gia nào, rồi chọn theo các tiêu chí đó. Bài viết này hướng dẫn cách làm hiệu quả, dù bạn train LoRA ảnh cho SDXL, Flux hay LoRA ngôn ngữ cho một LLM mã nguồn mở. Rất hợp với các bạn làm ảnh sản phẩm cho shop Shopee, TikTok, hay nhóm AI nhỏ muốn tinh chỉnh model tiếng Việt.

## Vì sao vị trí gần như không quan trọng khi train LoRA

So sánh một chatbot trực tiếp với một lượt train LoRA:

| | Chatbot trực tiếp | Train LoRA |
|---|---|---|
| Ai chờ GPU? | Người dùng, mỗi tin nhắn | Không ai, cho tới khi xong |
| Dữ liệu vào | Prompt nhỏ, liên tục | Tải dataset lên một lần |
| Dữ liệu ra | Câu trả lời nhỏ, liên tục | Một file adapter và vài ảnh mẫu |
| Khoảng cách làm thêm | Chậm trên mọi yêu cầu | Thêm vài phút truyền dữ liệu, một lần |

Với việc train, máy ở châu lục khác chỉ làm bạn mất thêm chút thời gian truyền dữ liệu lúc đầu và lúc cuối. Bản thân quá trình train không chậm đi. Bài [GPU gần người dùng hay GPU giá thấp](https://cloudj.net/vi/blog/gpu-near-users-vs-cheapest-gpu) giải thích đánh đổi này một cách tổng quát, còn bài [inference batch ở khu vực rẻ nhất](https://cloudj.net/vi/blog/batch-inference-cheapest-region) áp dụng cùng logic cho inference.

## Vì sao tìm ở Mỹ

Mỹ là một nước rộng lớn, và tìm theo `US` là điểm xuất phát rộng hợp lý khi bạn không quan tâm vị trí. Đó không phải lời hứa về hàng: tình trạng máy thay đổi trong ngày ở mọi nơi. Nếu đội ở Bắc Mỹ, `US, CA` giúp các bước tương tác như xem ảnh mẫu dễ chịu hơn chút. Nếu bạn ở Việt Nam, bạn cũng có thể để trống ô Country và xem máy ở mọi quốc gia. Bài [thuê GPU tại Mỹ](https://cloudj.net/vi/blog/gpu-cloud-usa) nói kỹ hơn về cách tìm ở Mỹ.

## Chọn VRAM cho LoRA

Gợi ý chung, nhu cầu thực tế tùy độ phân giải, batch size, rank và công cụ train bạn dùng:

- **LoRA cho SD 1.5:** card 24 GB là thừa đủ; [RTX 3090](https://cloudj.net/vi/gpu-cloud/rtx-3090) là lựa chọn hợp lý.
- **LoRA cho SDXL:** 24 GB thoải mái; [RTX 4090](https://cloudj.net/vi/gpu-cloud/rtx-4090) train nhanh hơn 3090 trong đa số cấu hình.
- **LoRA cho Flux:** ngốn bộ nhớ; 24 GB chạy được với các tùy chọn tiết kiệm bộ nhớ, còn [RTX 5090](https://cloudj.net/vi/gpu-cloud/rtx-5090) 32 GB cho dư địa.
- **LoRA hoặc QLoRA cho LLM 7B đến 14B:** card 24 GB thường chạy được với QLoRA 4-bit; model lớn hơn hoặc chuỗi dài hơn cần thêm bộ nhớ hoặc nhiều GPU trong một máy.

Cả ba card đều là GPU consumer, tài khoản cấp khởi đầu thuê được. Giá "từ" theo thời gian thực có trên [GPU cloud](https://cloudj.net/vi/gpu-cloud).

## Sắp theo giá, rồi lọc cho an toàn

Console sắp kết quả theo tổng giá, thấp nhất lên đầu. Dòng rẻ nhất chưa chắc là lựa chọn đúng cho một lượt chạy vài giờ. Hãy làm theo thứ tự:

1. Mở [trang triển khai đã chọn sẵn RTX 4090](https://app.cloudj.net/deploy/gpu?model=rtx-4090), hoặc chọn mẫu khác.
2. Nhập `US` (hoặc `US, CA`, hoặc để trống) vào ô Country.
3. Đặt mức reliability tối thiểu bạn thấy yên tâm.
4. Xem **max duration**: máy phải còn cho thuê lâu hơn hẳn thời gian chạy dự kiến.
5. Xem **tốc độ tải**: base model rất nặng, đường truyền chậm sẽ phí phút GPU đang trả tiền.
6. Xem **giá băng thông** nếu dataset lớn.
7. Chọn dòng rẻ nhất vượt qua được tất cả các điều kiện trên.

Console hiển thị giá chính xác trước khi triển khai, và giá đó được khóa cho instance. Tiền trừ theo phút từ số dư tài khoản, bạn nạp bằng chuyển khoản VND.

## Tải lên một lần, train, lấy kết quả

### Chuẩn bị trên máy mình

Làm sạch và gắn caption cho ảnh, hoặc định dạng dataset văn bản, trước khi thuê bất cứ thứ gì. GPU tính tiền theo phút khi chạy, nên chuẩn bị trên máy cá nhân là thời gian miễn phí.

### Tải dataset lên một lần

```bash
rsync -avP -e "ssh -p PORT" ./dataset/ root@HOST:/workspace/dataset/
```

Tải base model trực tiếp trên máy GPU thay vì upload từ nhà; máy chủ thường có tốc độ tải nhanh hơn nhiều so với tốc độ upload của mạng gia đình. Với `-P`, `rsync` tiếp tục được khi đường truyền quốc tế bị ngắt giữa chừng. Bài [chuyển model và dữ liệu giữa các khu vực GPU](https://cloudj.net/vi/blog/move-models-data-between-gpu-regions) nói về các lượt chuyển lớn hơn.

### Train trong tmux

```bash
ssh -p PORT root@HOST
tmux new -s train
accelerate launch train_lora.py --config config.toml
```

Thay script và file cấu hình bằng công cụ train bạn chọn. Với model ngôn ngữ, [tài liệu PEFT](https://huggingface.co/docs/peft) giải thích các thiết lập LoRA. Chạy trong `tmux` để job không chết khi rớt kết nối SSH.

### Lấy kết quả và xóa máy

```bash
rsync -avP -e "ssh -p PORT" root@HOST:/workspace/output/ ./lora-output/
```

Sau đó xóa (Destroy) instance. Destroy xóa instance cùng ổ đĩa và ngừng tính phí. Nếu chọn Stop, ổ đĩa được giữ với giá lưu trữ nhưng GPU bị nhả ra, và khi bật lại có thể phải chờ GPU rảnh.

## Bảo vệ lượt chạy dài

- Lưu checkpoint định kỳ, và chép checkpoint mới nhất ra ngoài nếu lượt chạy dài.
- Ghi lại ngày "available until" trước khi bắt đầu.
- Nếu host mất kết nối, việc tính tiền tạm dừng, nhưng job không tự chuyển sang máy khác. Có checkpoint gần nhất thì bạn chạy tiếp trên máy mới được.

## Khi nào nên train gần nhà

Hãy chọn nước gần thay vì Mỹ nếu dataset rất lớn và đường upload từ chỗ bạn sang Mỹ chậm, nếu quy định yêu cầu dữ liệu nằm trong một số nước, hoặc nếu bạn định làm nhiều thử nghiệm ngắn có tương tác. Với người ở Việt Nam đẩy hàng chục GB ảnh, thử `SG` hoặc `HK` cũng là ý hay. Còn lại, hãy để giá, VRAM và độ tin cậy quyết định.

## Câu hỏi thường gặp

### Train LoRA ở Mỹ có làm LoRA kém đi với người dùng châu Á không?

Không. File adapter như nhau dù train ở đâu. Vị trí chỉ ảnh hưởng tới nơi bạn chạy phục vụ.

### Train LoRA SDXL nên bắt đầu với GPU nào?

RTX 4090 là lựa chọn thoải mái. RTX 3090 với 24 GB cũng chạy tốt.

### Có nên luôn chọn máy rẻ nhất?

Hãy chọn máy rẻ nhất mà vẫn đạt yêu cầu về reliability, max duration và tốc độ tải.

### Có tạm dừng instance qua đêm rồi chạy tiếp được không?

Được, nhưng Stop sẽ nhả GPU và khi bật lại có thể phải chờ. Nghỉ ngắn thì cứ để chạy; nghỉ dài thì lưu checkpoint và triển khai lại sau.

## Bước tiếp theo

Mở [trang triển khai RTX 4090](https://app.cloudj.net/deploy/gpu?model=rtx-4090), nhập `US`, áp bộ lọc reliability và max duration, rồi bắt đầu train LoRA trên máy rẻ nhất vượt qua các điều kiện đó.