跑python gpu利用率低_免费GPU计算资源及采坑经验大集合(知乎、公众号文章调研与整理)...

1.AI Studio 和飞桨（PaddlePaddle）

后起之秀 1.1 AI Studio
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，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。近似于国产Kaggle。
（笔者叨叨：亲测好用，吖我粉上了简约微萌流畅的小度风~） 相较于Kaggle ，百度 AI Studio 在 GPU 上有一个很明显的优势。Kaggle 采用的是 Tesla K80 的 GPU，AI Studio 采用的是 Tesla V100 的 GPU，理论上训练速度可以提高近 3 倍左右。 免费薅算力：目前 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。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 也是很有竞争力的。
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。 1.2 飞桨
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。
和 TensorFlow，Pytorch 等框架一样，飞桨给开发者提供了 很多常用的架构，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。
除了英文文档，飞桨还提供了中文文档，这个有时候还是挺方便的。虽然现在 star 比起 TensorFlow 还是差不少，但是感觉进展得如火如荼。

AI Studio 与飞桨的生态

AI Studio实例测评：以数字识别项目为例

测试细节请见

免费GPU计算资源哪里有？带你薅薅国内GPU羊毛​mp.weixin.qq.com

测试结果

在使用体验上，AI Studio和Jupyter Notebook 很接近；
AI Studio 在国内，页面响应比 Kaggle 更快，网络更稳定，断线重连几率要更低。

提醒：AI Studio 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。

AI Studio薅羊毛教程传送门：

免费GPU计算资源哪里有？带你薅薅国内GPU羊毛​mp.weixin.qq.com

AI Studio精选项目大合集:

如何用免费GPU学习AI算法？这篇大集锦不要错过​ai.baidu.com

AI Studio薅羊毛踩坑经验：

https://blog.csdn.net/Hilary_Choi/article/details/98250715​blog.csdn.net

参考文献：

《人工智能头条》免费GPU计算资源哪里有？带你薅薅国内GPU羊毛

2.Google Colab

（笔者叨叨：亲测初体验一般，感觉不少快捷键如”A”向上新增一个模块不能用，很多细节如自动补齐功能也没有baidu ai studio智能和人性化~）

一个免费在线的Jupyter Notebooks（目前只有Python内核）。这个产品的出现意味着无论你身处哪里，个人电脑是否带在身边，只要能联网，就可以跑自己的机器学习模型。 Google的虚拟机上已经配置好了大部分你所需要的数据科学库，无需配置环境就可以直接使用，而且还可以免费使用一个NVIDIA Tesla K80 GPU！！！

Google Colab薅羊毛教程传送门：

优达学城（Udacity）：免费GPU！平民玩家的机器学习春天来了！​zhuanlan.zhihu.com

用Google Colab 开启深度学习之旅:

机器之心：想要自学深度学习？不用GPU，浏览器就够了​zhuanlan.zhihu.com

Google Colab 薅羊毛踩坑经验：

麦子：【薅资本主义的羊毛】Google Colab 免费GPU使用踩坑经验​zhuanlan.zhihu.com

用户评论1：

链接： https://www. zhihu.com/question/2662 42493/answer/306111094
尝试使用了一下，基本的Linux命令都可以跑，不限于Python。但毕竟是云服务，系统仍然不同于独立的单机系统，比如NVIDIA的驱动我就没有手动装起来，nvidia-smi等 查看GPU配置的命令无法运行(update-2018-01-30：感谢评论区提示，nvidia-smi目录是/opt/bin/nvidia-smi)。
对于初学者来说，这是一个利好消息，毕竟可以无偿使用服务器级别的GPU来做学习。但 对于进阶的AI研究或中度使用，这个平台的意义有限。首先，这个系统提供的是K80型号的GPU，这款GPU是在2014年末推出的，属于Kepler架构，Kepler之后新的架构依次是Maxwell、Pascal和Volta，换句话说，K80已经是4代以前的GPU了。第二，通过‘device_lib.list_local_devices()’命令看到用户只被分配了一块GPU卡，这对深度学习应用来说是远远不够的。第三，这个平台相对于独立的服务器或集群来说 灵活性较低，想查看 GPU的利用率等信息会比较费力，基本不要指望用这个平台做程序性能优化研究。此外，猜测系统对GPU做了虚拟化，用户不会独占一块GPU，每块GPU应该都是 多用户复用的。
Google做了一件有利于用户的事情，而这件事情对于Google来讲，成本有限。Google需要付出的是有限的老几代架构的GPU，一个需要维护的规模有限的系统及电费等消耗，而收获的则是一群新用户对于Google平台使用习惯的养成，后者的价值可能大于前者的消耗。而且， 大量的用户能够给Google提供大量的使用数据（不是程序输入输出等个人隐私数据，而是程序何时运行了何种负载等数据），这也有利于做GPU系统虚拟化的研究。
总的来讲，Google推出这样的系统于人于己都有好处。对于手头没有GPU资源的初学者 推荐使用，如果你能够成功访问的话。

用户评论2：

利益相关：Google drive坑了我十几刀。
感觉这个问题下面没有几个人是真正好好用过Google Colab，看了个报道就上来乱说的。
那些说这是重磅福利的答主，没试过就别强答了，丢人！！！
我先说结论：这玩意根本没法用！！！ 最多做个CIFAR10这种规模的项目，可能都做不了！！！你以为资本主义羊毛这么好薅的！！！
以下是正文：
我也是看到这篇文章之后尝试了Google Colab。
我心说，既然是免费的K80，拿来训练个ImageNet试试吧，不用白不用。我就花了十几刀，买了1TB的Google Drive空间，上传了ImageNet，写起代码来才发现处处是天坑。（更多内容请见以下链接）
链接： https://www. zhihu.com/question/2662 42493/answer/308609197

3.Kaggle Kernel

这个就不过多介绍了吧。直接上干货！

（笔者叨叨：亲测不大流畅，不过还是感谢kaggle上很多大神分享的高质量ipynb~）

Kaggle Kernel薅羊毛教程传送门：

Kaggle新福利：如何用Kaggle Kernels免费使用GPU​juejin.im

手把手教你用Kaggle开启机器学习之旅:

清华大学数据科学研究院：手把手教你用Kaggle开启机器学习之旅（附资源链接）​zhuanlan.zhihu.com

Kaggle Kernel薅羊毛踩坑经验：

杨子申：kaggle kernels踩坑记​zhuanlan.zhihu.com