Google Colab使用初体验

最新推荐文章于 2024-04-22 21:51:46 发布

edward_zcl

最新推荐文章于 2024-04-22 21:51:46 发布

阅读量2.7k

点赞数 2

分类专栏：人工智能-神经网络

本文链接：https://blog.csdn.net/edward_zcl/article/details/89574683

版权

人工智能-神经网络专栏收录该内容

175 篇文章 23 订阅

订阅专栏

我是在这个微信推文上看到Google居然免费开放使用它的GPU还有TPU，不得不佩服一下Google的开源精神，虽然机子很老，GPU是Tesla
K80，还能使用TPU，但是居然能用总没有要强，毕竟不要钱，省了电费与装机费嘛，玩玩还是可以的。而且GPU作为后摩尔时代的主要算力提供者，未来推广性能更强大的GPU，必然成为趋势。

主题先来看看这个。
https://blog.csdn.net/cocoaqin/article/details/79184540

Google Colab 免费GPU服务器使用教程

一、前言

不知道大家是否为了寻找免费GPU服务器而焦头烂额。
近些天，谷歌推出了Google Colab（Colaboratory）
官方对其的说明是：

Colaboratory 是一个研究项目，可免费使用。

划重点，最重要的特点是 免费GPU！免费GPU！免费GPU！
虽然不确定这个项目是不是永久的
但这无疑给纠结在是否花大量钱租用GPU服务器进行研究的个人研究者带去了重磅福利！
经过查阅资料与亲自实践，特把相关教程写成博文分享给大家。
由于博主水平能力有限，难免有错误，欢迎指正哈！

2018.3.22更新
emmm，大概是用的人多了…
在colab上跑一个DCGAN竟然比自己笔记本上用CPU跑的还要慢5倍…
天下没有免费的午餐…

二、Google Colab特征

Colaboratory 是一个 Google 研究项目，旨在帮助传播机器学习培训和研究成果。它是一个 Jupyter 笔记本环境，不需要进行任何设置就可以使用，并且完全在云端运行。
Colaboratory 笔记本存储在 Google 云端硬盘中，并且可以共享，就如同您使用 Google 文档或表格一样。Colaboratory 可免费使用。
利用Colaboratory ，可以方便的使用Keras,TensorFlow,PyTorch等框架进行深度学习应用的开发。

三、开始使用

注意：使用google服务可能需要梯子

3.1在谷歌云盘上创建文件夹

当登录账号进入谷歌云盘时，系统会给予15G免费空间大小。由于Colab需要依靠谷歌云盘，故需要在云盘上新建一个文件夹。
这里写图片描述
选择新建文件夹，文件夹名称可自定义。

3.2创建Colaboratory

进入创建好的文件夹，点开新建-更多。
这里写图片描述
如果在更多栏里没有发现Colaboratory，选择关联更多应用，搜索Colaboratory，选择关联。

3.3创建完成

创建完成后，会自动生成一个jupyter笔记本，是不是很熟悉~
这里写图片描述

四、设置GPU运行

选择修改-笔记本设置
这里写图片描述

将硬件加速器设置为GPU即可
这里写图片描述

五、运行.py文件

5.1安装必要库

输入相应代码，并执行（crtl+F9）

!apt-get install -y -qq software-properties-common python-software-properties module-init-tools
!add-apt-repository -y ppa:alessandro-strada/ppa 2>&1 > /dev/null
!apt-get update -qq 2>&1 > /dev/null
!apt-get -y install -qq google-drive-ocamlfuse fuse
from google.colab import auth
auth.authenticate_user()
from oauth2client.client import GoogleCredentials
creds = GoogleCredentials.get_application_default()
import getpass
!google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret} < /dev/null 2>&1 | grep URL
vcode = getpass.getpass()
!echo {vcode} | google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret}

运行后，会出现以下提示

这里写图片描述
先点开相应的链接，选择自己的谷歌账号，并允许，最后会得到相应的代码，输入相应的框中即可

5.2 挂载云端硬盘

同上，输入下面命令，执行即可

!mkdir -p drive
!google-drive-ocamlfuse drive  -o nonempty

5.3 安装Keras

同理，输入命令

!pip install -q keras

5.4 Hello Mnist！

将代码粘入jupyter笔记本中，运行，即可开始奇妙的Google Colab之旅
代码摘自：https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py

'''Trains a simple convnet on the MNIST dataset.
Gets to 99.25% test accuracy after 12 epochs
(there is still a lot of margin for parameter tuning).
16 seconds per epoch on a GRID K520 GPU.
'''

from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

batch_size = 128
num_classes = 10
epochs = 12

# input image dimensions
img_rows, img_cols = 28, 28

# the data, shuffled and split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

这里写图片描述
每一个epoch都只用了十多秒！
是不是很有意思呢！

References
https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d

当然上面讲得很好了，但是有些细节以及原理，容易被忽略。这里再补充几点。

首先你是用的机器GPU或者TPU，每次进去都是随机分配的，所以你可当它是一个云虚拟主机，不能保存文件，每次都会重新格式化，并且与装好很多软件，像Tensorflow，Pytorch，CUDA等，并且还都是最新的。
最好使用Google云硬盘与Colab协同工作，使用云盘作为一个文件系统，挂载在你的主机上(感觉是类Ubuntu的系统)，可以在自己的云盘里面下载或本机上传文件，然后在云端训练。
注意使用的环境是jupyter notebook，它支持多种命令，并且直接支持python命令。因此想使用linux命令，最好在一般的linux命令前面加上感叹号！，以示区分，保证正常运行。其次，感觉它还支持很多Google自己研发的一些脚本语言貌似。。
目前访问云硬盘只能通过网页，最好使用chrom浏览器(毕竟它自己的，但据说其他浏览器也可以。。)，最好能使用教育网，或者能上外网(翻墙之类的。。)。但是它可以通过下载Google类似MS的办公套件，应用名叫做备份与同步，它可以设置一个或者多个随时进行云端与本机的共享文件夹，也就是随时上传，随时下载，类似github的功能。。
还有就最好不要把自己隐私文件放在这个Google云盘吧。。感觉还是不太安全，而且一次登录之后，之后注销了也会自动登录。并且与本机结合的太过密切。。

目前貌似连接还不是太稳定，训练模型需要保持一直连接着。。所以最好经常保存断点吧，毕竟文件至少还可以存在云硬盘里。。

几个常见知识点：

从计算机那一栏，点了解详情进去。。

https://support.google.com/drive/answer/2374987?visit_id=1556271683641-338897945983015429&p=backup_and_sync_signin&rd=1

选择关联colab应用的时候，就像苹果app store里面对应用的介绍一样，或者直接在浏览器输入
https://colab.research.google.com/ ，它好像也会制动跳转，也就是一个user
guide，自身也是用notebook写的。。

在这里插入图片描述

其中一个很好的示例：

https://colab.research.google.com/notebooks/basic_features_overview.ipynb#scrollTo=KR921S_OQSHG
在这里插入图片描述
你可以将它们保存到自己的云硬盘里，以后随时查看。。

这里还有一个链接详细介绍Colab：

https://blog.csdn.net/ScorpC/article/details/80087073

另外其实你还可以编写一份notebook，作为一个常用脚本，并保存在你云盘里。就像最上面博客写那样，作为每次初始化使用Colab，登录GPU安装必要库，初始化环境，安装必要库，以及挂载你的云硬盘的基本操作。这样你以后既不用每次都去查，一条一条的输入命令去初始化你的随机GPU了。我这里在此贴持一份代码，仅供参考：

    ##安装必要库与授权
        !apt-get install -y -qq software-properties-common python-software-properties module-init-tools
        !add-apt-repository -y ppa:alessandro-strada/ppa 2>&1 > /dev/null
        !apt-get update -qq 2>&1 > /dev/null
        !apt-get -y install -qq google-drive-ocamlfuse fuse
        from google.colab import auth
        auth.authenticate_user()
        from oauth2client.client import GoogleCredentials
        creds = GoogleCredentials.get_application_default()
        import getpass
        !google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret} < /dev/null 2>&1 | grep URL
        vcode = getpass.getpass()
        !echo {vcode} | google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret}
        
    ##挂载云端硬盘
    #同上，输入下面命令，执行即可
        !mkdir -p drive
        !google-drive-ocamlfuse drive  -o nonempty
        ##默认挂在到/content/drive，可以自己更改
        
        
        
##查看显卡与驱动
        !nvidia-smi
        !nvcc -V
        
##查看目录
        ！ls
        ！cd /
        
##查看已安装深度学习库
        
        import tensorflow as tf
        tf.Session()
        tf.__version__
        
##进入python环境(这个其实每必要，notebook本身已支持)
        ！python
        
##安装需要的库
        #pip好像直接可以用，不加感叹号
        #安装gpu版tensorflow
        !pip install tensorflow_gpu
        #好像自带了最新版本的tensorflow，pytorch 等
        
#安装Keras
        #同理，输入命令
        !pip install -q keras
        
        
##执行python文件
        !python ***.py
        
##执行cell里面的内容
        #这个应该是notebook里面的内容了，windows不支持terminal，也可以用notebook，虽然我不经常使用。。
        点击cell前面的播放按钮，或者快捷键：Ctrl+Enter

除了我上面介绍的，你可以去探索更多功能。。

https://blog.csdn.net/sinat_25838589/article/details/79116847

https://blog.csdn.net/xltimelong/article/details/81170698
https://blog.csdn.net/guotong1988/article/details/80613147

edward_zcl

关注

2
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
Google Colab使用初体验

我是在这个微信推文上看到Google居然免费开放使用它的GPU还有TPU，不得不佩服一下Google的开源精神，虽然机子很老，GPU是TeslaK80，还能使用TPU，但是居然能用总没有要强，毕竟不要钱，省了电费与装机费嘛，玩玩还是可以的。而且GPU作为后摩尔时代的主要算力提供者，未来推广性能更强大的GPU，必然成为趋势。主题先来看看这个。https://blog.csdn.net/co...
复制链接

扫一扫