国内免费GPU资源哪里找，让我告诉你最新的薅羊毛“秘籍”

最新推荐文章于 2024-08-14 16:21:33 发布

PaperWeekly

最新推荐文章于 2024-08-14 16:21:33 发布

阅读量3.3k

点赞数 1

原文链接：https://aistudio.baidu.com/aistudio/questionnaire?activityid=674

版权

640?

之前我在知乎介绍了两款练习人工智能算法的应用，都是谷歌的，当时就有网友在评论区提到了国内有百度的 AI Studio，于是产生了兴趣，恰好在那评论出现后几个星期，又看到了 AI Studio 推出了算力卡计划的新闻，供学习者免费申请使用。这样的机会怎么能错过，于是我赶紧写了一篇薅百度 GPU 的文章，没想到被各大账号转载。

最近我准备在小长假跑一个 GAN 项目，GAN 比较难训练，正好利用小长假期间跑一跑。今天登陆 AI Studio 收到了一个站内通知，发现这个平台十月份在做一个深度学习开放月的活动，原先每天登陆送 12 小时的算力竟然变成了每天送 24 小时算力，活动持续一个月。这岂不是白送一个月的 V100 GPU 吗？按照我的一贯作风，这种好事儿肯定得让有需求的开发者都知道 (*^▽^*)。

AI Studio和飞桨（PaddlePaddle）

1.1 AI Studio 和飞桨算是后起之秀，包括我在内的很多人还不是很熟悉这一整套方案，在开薅之前，所以先简单介绍一下。

AI Studio 是百度提供的一个针对 AI 学习者的在线一体化开发实训平台（ https://aistudio.baidu.com/?fr=pw ）。平台集合了 AI 教程，深度学习样例工程，各领域的经典数据集，云端的运算及存储资源，以及比赛平台和社区。[1] 你可以把 AI Studio 看成国产版的 Kaggle。和 Kaggle 类似，AI Studio 也提供了 GPU 支持，但百度 AI Studio 有一个很明显的优势：它的 GPU 型号是 Tesla V100。Kaggle 的是 Tesla K80-下表对比两款单精度浮点运算性能，就能看出 v100 的优势了。

640?wx_fmt=png

明显在单精度浮点运算上，AI Studio 提供的运行环境在计算性能上还是很有优势的。理论上训练速度可以提高近 3 倍左右。

虽然性能上好很多，但目前还是可以免费薅到，AI Studio 提供了免费申请和运行项目奖励这两种获得算力卡的方式，最后一章我会带领大家去薅。

即使算力卡用完了（目前送得太多，根本用不完），AI Studio 的 CPU 也是很有竞争力的。亲自用脚本测试过，AI Studio 的 CPU 是 Intel(R) Xeon(R) Gold 6148 CPU，可以说在配置上，AI Studio 是很有竞争力的。

1.2 飞桨

根据官网介绍，飞桨是百度推出的「源于产业实践的开源深度学习平台」，致力于让深度学习技术的创新与应用更简单。

640?wx_fmt=png

Paddle 直译就是桨, 其实是 Parallel Distributed Deep LEarning 的缩写。和 TensorFlow，Pytorch 等框架一样，飞桨给开发者提供了很多常用的模型，也可以直接在包里直接加载常用的数据库，对于学习者来说，还是很方便的。

飞桨（PaddlePaddle）还是有点国产的意思，去 Github 可以搜到 PaddlePaddle 的项目，除了英文文档，还提供了中文文档，有时候还是挺方便的。虽然现在 star 比起 TensorFlow 的还是差不少，但是感觉进展得如火如荼。

1.3 AI Studio 与飞桨的生态

下图是飞桨的全景图：

640?wx_fmt=png

飞桨生态其实设计得很好，可能 TensorFlow 先发得太早吧，感觉飞桨追赶得很吃力。但从百度最近推广飞桨的力度来看，我猜飞桨很有可能两三年左右进入主流深度学习框架之列。

AI Studio 实例测评：以数字识别项目为例

2.1 AI Studio GPU 和 CPU 性能对比

为了测试 AI Studio 的性能，我用最经典的 MNIST 数据集，在 LeNet 5 模型上进行运损，对比在 GPU 和 CPU 下在 AI Studio 的的性能，飞桨用的 MNIST 数据集是 60000 个训练数据，10000 个测试数据。

项目地址在此：

https://aistudio.baidu.com/aistudio/projectdetail/45293

以下是 AI Studio 的 CPU 和 GPU 测试性能对比：

640?wx_fmt=png

GPU 提升效果为 11 倍，因为训练过程有验证测试，而且 CPU 配置也太高了，所以并未达到理论上的 47x 的加速，但这速度还不错，况且 AI Studio 本来 CPU 是至强金牌处理器，就很高配了，所以理论上 47x 的加速可能还得打个折。

2.2 AI Studio 和 Kaggle 对比测试

测试环境：

1. Kaggle Kernel

测试 kernel：

https://www.kaggle.com/orange90/mnist-with-lenet-5-test-run-time

Batch_size=50，训练 5000 轮，使用框架 TensorFlow，CNN 架构是 LeNet-5。

2. AI Studio

测试项目：

https://aistudio.baidu.com/aistudio/projectdetail/45293

Batch_size=64，训练 5000 轮，使用框架飞桨，CNN 架构是 LeNet-5。

AI Studio 的测试结果在 2.1 展示了，就不再赘述了，以下是 Kaggle 的性能测试对比。

640?wx_fmt=png

GPU 相比 CPU 来说提升效果为 8 倍，因为训练过程有验证测试，所以并未达到理论上的 12.5x 的加速。

由于架构的超参不一样，直接对比运行时间不太严谨，但从 GPU 提升速度的倍数上来说，AI Studio 略胜一筹。

2.3 AWS

也在 AWS 开了个 instance 来测试，选的是这一款配置里的 p2.xlarge。

640?wx_fmt=png

直接把 2.2 里用到的 kaggle 的内核导进去了，测试结果如下：

640?wx_fmt=png

性能上比前两者都差一点。

顺便一提，这个测试做得我脑壳痛，前期开 instance，配置环境的就花了一个多小时。对于 AWS 新手来说，可能折腾一天，薅了十几美刀，还是没能把代码跑通。真的强烈不推荐在 AWS 来练习自己 deep learning 技能。

2.4. 测试总结

下表总结在不同环境下的测试效果及成本：

640?wx_fmt=png

在使用体验上，和 Kaggle Kernel 或者 Jupyter Notebook 很接近，虽然外观稍有不同，但快捷键基本一样，没有太大的不适应。除此之外，AI Studio 由于在国内，页面响应比 Kaggle 更快，比 Kaggle 网络更稳定，断线重连几率要更低，毕竟断线重连要重跑还是挺蛋疼的。

不过需要提醒的是，AI Studio 目前还是按运行环境启动时间来计费，是在无 GPU 环境下把代码写好，再开启 GPU 去跑。虽然 AI Studio 的算力卡也是送的，但也要赶紧薅起来，囤点算力资源，万一哪天百度没钱了，不送了呢？

羊毛来了，薅起来

现在的算力卡还是很好拿的，没什么门槛，自己申请一下就拿到了，而且每天运行一次项目，就送 24 个小时算力，连续运行 5 天再加送 48 小时。值得注意的是，申请的算力卡到手就是 48 小时，裂变之后能凑 120 小时，而且有效期比日常运行获取的 24 小时这种要长很多。这岂不是白送嘛，我寻思每天免费让你 24 小时 NVIDIA V100 GPU 这种事情，真的是天上掉馅饼吧。此外，AI Studio 官方也有比赛，有奖金，如果你的实力在 Kaggle 里离拿奖金只是一步之遥，那么趁 AI Studio 还没火起来之前，去 AI Studio 比赛应该是很好拿奖的。

3.1 自己申请

点击「阅读原文」或访问以下链接：

https://aistudio.baidu.com/aistudio/questionnaire?activityid=674

接着填写个人信息：

640?wx_fmt=png

提交后，会出现下图：

640?wx_fmt=png

然后就静候佳音。通过运营人员核验后，用户的邮箱将收到运营人员发送的算力邀请码：一串 32 位数字。

通过上面链接能申请到 48 小时的算力卡（有效期 1 个月），并且可以分裂，送给别人（稍后送上我的分裂算力卡）。

使用算力卡的方法很简单，在运行项目时选上 GPU，就会开始使用了，如下图。

640?wx_fmt=png

3.2 跑项目赚算力卡

这个简直了，你不仅可以运行自己的深度学习代码，测试自己的项目，而且同时还会得到算力卡。原先是每天跑一次可以得到 12 小时算力卡（有效期 2 天），十月份变成跑一次送24小时算力卡，另外算力充电计划，就是连续 5 天有使用算力卡，就会额外送 48 小时（有效期 7 天）。但预感这么高成本的事情应该不会持续太久，建议早薅。下面是我的算力卡奖励历史，感觉只要你用，AI Studio 就送你算力，不担心算力不够。

640?wx_fmt=png