机器学习免费的GPU！AI程序员的福利来了~

最近有朋友在问，在机器学习中训练模型要什么样的电脑配置？对于深度学习模型CNN、RNN是否需要GPU的电脑配置？

在机器学习的入门阶段，大部分的数据集都是可以放在自己的笔记本上运行的，比如比较大的 MNIST 手写数字识别数据，在普通笔记本上运行没有任何问题。

对于深度学习模型，比如图形识别分类，随着神经网络层的扩充，数值计算、矩阵计算变得越来越大，这时候使用CPU跑训练模型可以需要一天甚至好几天的时间，如果有GPU来帮计算，可以大大提高模型训练时间。

GPU为图形图像专门设计，在矩阵运算，数值计算方面具有独特优势，特别是浮点和并行计算上能优于CPU的数十数百倍的性能。

今天给大家介绍两种可免费在线使用的云端平台，可使用GPU 加速模型的训练：

• Google云免费提供的GPU
• kaggle竞赛线上平台

Google云免费提供的GPU

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。Google Colab提供的免费的GPU使用权，全名Colaboratory——一个免费云上的Jupyter Notebooks（目前只有Python内核）。

我们可以很方便的在线使用，它本身包含 Keras、TensorFlow、PyTorch、OpenCV等大部分深度学习库，基本不需要我们额外安装运行环境。

使用步骤

1.要使用Colab，国内同学需要能够科学上网，正常访问谷歌云盘。

地址：
https://drive.google.com/drive/

2.新建Colaboratory，这里可以随意修改文件名：

3.配置Python版本和免费的GPU

在“修改”页签里更改配置：

4.安装库

目前，在 Google Colaboratory 已经默认安装了需要有用的库，但是如果有新的库需要安装，可以执行以下命令：

XGBoost：

!pip install -q xgboost==0.4a30
import xgboost

OpenCV：

!apt-get -qq install -y libsm6 libxext6 && pip install -q -U opencv-python
import cv2

其他的库：

Colab 同时支持 pip 和 apt 包管理器，要在命令前面加上符号 “!”。用!pip install XX or !apt-get install XX命令去安装。

5.运行基本的 python 代码

6.下载Titanic数据集（.csv文件）

如果要下载.csv文件到“app”文件夹，只需运行：

!wget https://raw.githubusercontent.com/vincentarelbundock/Rdatasets/master/csv/datasets/Titanic.csv -P "/content/drive/My Drive/app"

使用numpy读取数据并展示前5行：

import pandas as pd
titanic = pd.read_csv('/content/drive/My Drive/app/Titanic.csv')
titanic.head(5)

7.GPU速度测试

上传mnist_cnn.py文件到谷歌云盘的app文件夹下：

https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py

首先使用以下命令调用笔记本中的文件选择器：

from google.colab import files
uploaded = files.upload()

运行之后，我们就会发现单元 cell 下出现了“选择文件”按钮：

上传完成之后，就可以运行此代码：

 !python3 "/content/drive/My Drive/app/mnist_cnn.py"

可以看出使用Google GPU的效率大大提高，每个Epoch大概需要10s左右即可完成。

kaggle竞赛线上平台

kaggle的基本介绍可参照之前写的文章：从 0-1走进 Kaggle实战平台

可以通过 Kaggle Kernels 免费使用 NVidia K80 GPU，经过 Kaggle 官方测试后显示，使用 GPU 后能让你训练深度学习模型的速度提高 12.5 倍！

使用步骤

1.打开 Kernel 控制界面，为当前的 Kernel 设置运行一个 GPU：

2.选择“Setting”选项，然后选择“Enable GPU”开启，接着在控制栏上查看Kernel 是否连上了 GPU，如下图所示：

检查是否真的开启了 GPU（即当前连接到了GPU实例），可以直接在 Jupyter Notebook 中运行以下命令：

import tensorflow as tf
device_name = tf.test.gpu_device_name()
if device_name != '/device:GPU:0':
 raise SystemError('GPU device not found')
print('Found GPU at: {}'.format(device_name))

表明已经使用了 GPU 实例。

参考资料

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