Google Colaboratory：一款用于深度学习的免费GPU使用方法

众所周知，在训练深度学习时候需要非常大计算资源，通常CPU是不能满足需求的，这个时候就需要使用GPU来进行计算。但是如果自己购买高性能的GPU，比如1080Ti都需要3000左右。因此，本文介绍一款免费的GPU计算资源：GPU Colaboratory。

一、Google Colab介绍

Google Colaboratory（可缩写为Google Colab）是谷歌开放的一款用于机器学习领域的免费研究工具，最主要的是它给AI研究人员提供了免费的Tesla K80 GPU使用，该GPU以前具有24GB的显存容量（现在大概为16GB），可以轻松的训练Keras、Tensorflow、Pytorch等框架的深度学习模型。

Google Colab是基于jupyter notebook环境的，支持python2/3，同时还包括GPU、TPU加速。它与Google云盘集成，用户可以通过Google云盘共享项目或将其他项目复制到自己的账户中。

二、Google Colab使用方法

2.1 登陆Google云盘

Google云盘的网址为：https://drive.google.com/drive/my-drive，并注册账户。这样就可以开心地使用Google Colaboratory了，打开云盘，点击我的云盘硬盘下面的新建文件夹，创建自己的项目文件Deep Learning。

2.2 创建Google Colab类型文件

右键创的项目文件Deep Learning，选择打开方式下的关联更多应用。

如下图所示，在Goolge Workspace Marketplace中安装Colaboratory应用。

这时，我们就可以根据下图，创建Colaboratory文件了。点击建立的文件Deep Learning，在文件的空白处点击鼠标右键，在弹出的对话框中选择更多，然后选择Google Colaboratory。

这样我们就在Deep Learning文件夹下面创建了Colaboratory类型的文件了，系统会以网页形式打开如下图所示。Colaboratory类型文件是一个Jupyter notebook文件，可以通过网页打开它，并在该文件中编辑python文件。点击文件中的重命名我们就可以自定义Colaboratory文件的名字了。

2.3 Colaboratory文件环境配置

如果想让创建的Colaboratory文件跑GPU程序，我们需要对其进行环境配置。双击建立的Colaboratory文件，如下图所示，点击工具栏的修改，然后点击笔记本设置。

如下图所示，在弹出的笔记本设置对话框中进行环境配置。在硬件加速器中选择GPU，最后保存推出就完成了GPU环境配置。

注意:
这里如果不配置GPU，创建的Colaboratory类型的文件运行的远程Google Colaboratory虚拟环境是没有显卡信息的。

2.4 Google Colaboratory的与深度学习相关配置环境基本信息

注意:
（1）创建的Colaboratory类型的Example_1.ipynb文件是运行在Google Colaboratory远程服务器上的，它是一个以jupyter notebook界面显示的深度学习开发环境的Ubuntu20.04系统。
（2）因此，我们不仅可以在上面运行python脚本，还可以使用pip指令安装库，甚至还能运行Linux Shell脚本，只不过需要在Linux指令前面加一个！。另外，还需要注意的是在Google Colaboratory平台上cd命令是无效的，切换目录使用的是os.chdir命令，比如，切换到根目录：import os; os.chdir('/')。

• 如下图所示，给出Google Colaboratory远程服务器上一些基本信息，可以看出系统默认安装的Tensorflow版本为2.8.8，python版本为3.7，系统为ubuntu18.04。

• 需要输入的命令为：

from tensorflow import python
import tensorflow as tf
print('Google Colaboratory远程服务器中的Tensorflow版本：', tf.__version__)
print('Google Colaboratory远程服务器中的Python版本及其位置：')
print(python)

!lsb_release -a

• 如下图所示，Google Colaboratory远程服务器上显卡信息如下所示，显存为16GB，最高支持的CUDA版本为11.2。

• 如下图所示，输入命令!nvcc --version，可以看出Google Colaboratory远程服务器上CUDA的版本为11.1版本。

• 如下图所示，可以查看CPU内存、GPU内存使用上限，由下图可以看出，CPU的使用上限只有256M，GPU内存的使用上限为11.4GB，另外，如果购买Colab pro显存会变为16GB。
  指令如下所示：

from tensorflow.python.client import device_lib
device_lib.list_local_devices()

• 如下图所示，可以查看GPU是否在Google Colaboratory中，输出结果为'/device:GPU:0'表示GPU已经添加到Google Colaboratory中了。
• 查看GPU是否在Google Colaboratory中的指令为

import tensorflow as tf
tf.test.gpu_device_name()

三、Google Colaboratory挂载谷歌云盘（Google Drive）

创建的Google Colaboratory远程服务器的工作目录是/content（相当于Linux系统的/home目录）。我们可以将谷歌云盘（Google Drive）挂载到Google Colaboratory远程服务器上的/cotent/grive文件夹上。为了弄清除挂载谷歌云盘的过程，如下图所示，我们首先查看挂载前文件夹/content下的内容，这个时候只有示例的一些经典的深度学习数据集合。

Google Colaboratory挂载谷歌云盘的python代码如下所示：

from google.colab import drive
drive.mount('/content/gdrive')

执行完上面的python代码后，在Goole Colaboratory上创建的项目Deep Learning就根谷歌云盘同步了，结果如下图所示：

3.1 加载本地数据到云盘上

从本地上传数据
我们首先在本地的系统中创建若干个文本文件，我在系统的/home/liang/文档下面创建一个文档Google_Drive，用于存放本地数据，并创建两个文本文档存放数据（作为演示用，文档中的内容可以随便写），如下图所示：

注意：从本地上传使用的是Google Colaboratory平台的python函数files.upload：它返回的是一个关于上传文件信息的字典格式数据，其中，字典键值为文件名，字典的值为文件内的数据。

然后在Google Colaboratory平台上输入如下代码：

from google.colab import files

uploaded = files.upload()
for fn in uploaded.keys():
  print('上传的文件 "{name}" 有 {length} 比特'.format(
      name=fn, length=len(uploaded[fn])))

运行代码，弹出如下所示的上传文件对话框，点击B，在本地的/home/liang/文档/Google_Drive文件夹中选择文本1和文本2，进行上传。

。上传的结果如下图所示：

3.2 下载云盘数据到本地

将文件下载到
首先在Google Colaboratory平台上点击文件结构（网页左边），找到/content/gdrive/MyDrive/Deep Learning文件夹，右键Deep Learning文家夹，在弹出下拉框点击新建文件，创建exam文件，双击exam文件输入hellow world!。

然后，在Google Colaboratory平台上输入如下代码，就可以将代码下载到本地的/home/liang/下载文件夹内了。

from google.colab import files
files.download('./exam.txt')