Google Colab和Kaggle搭配使用

深度学习越加火热，但是，很多实验室并没有配套的硬件设备，让贫穷的学生党头大😔
经过网上大量的搜罗，我整理了适合学生党的深度学习解决方案。利用Colab + Kaggle两大免费的GPU环境，让深度学习变得简单。

Colab

Colab基础使用

Google Colab提供了免费K80的GPU，通过Google Drive就可以很好的白嫖一波了 👉Colab 实用教程

Colab进阶使用

通过下载Google备份与同步到本地端，就可以实现数据的同步，保证了较大量的数据集在云端和本地端直接的无差错传输

通过这一同步，在本地端修改代码，可以在1分钟之内就同步到云端，方便与训练与修改。

❌但是，K80 GPU的算力较弱，且colab的连接不稳定，适用于对代码进行调试，不适于长时间的训练。

Kaggle

Kaggle提供免费访问内核中的Nvidia Tesla P100，相比于K80，算力提升了太多了。我在colab训练10小时最好80epochs，在kaggle上，训练不到1小时就可以80epochs，真是太感动了😂，配置如下：

创建账号

Kaggle.com

创建NoteBook

建议：创建时可以不选GPU，直接None就行了，否则，创建后就开始计时了，GPU一周可以使用39小时（当然可以多多创建账号）

配置notebook

1. 上传代码及数据集要求压缩包上传，上传后Add进去就好了

1. 写控制命令时，只需要复制路径就可以获得train.py的位置

1. 训练结果保存的位置应该为/kaggle/working/...

1. 数据集与代码管理

Kaggle进阶使用

Kaggle：不怕断开连接，睡觉起来看结果

通过这两大平台的结合使用，学生党可以方便的进行深度学习了，thanks for Google.