使用Google免费的GPU~~(薅一把资本主义羊毛)

GPU

• 现在针对深度学习（或者计算机视觉）这种领域，需要的计算机的配置可以讲是变态的〜深度学习需要非常好的服务器或电脑配置，只有这样才能保证程序尽快的出结果。那么针对于深度学习需要的GPU是什么，其实简单的说就是显卡，为的就是快速的运行，当然，游戏那也是相当流畅啊哈哈~~~

• 最近用电脑跑一个深度学习的代码，结果电脑慢的有点过分啊，，，，，，
  第一个Epoch直接运行了8个多小时【绝望】

• 根据GPU，像在学校只要连接到校园网，我的学校是5台128G的GPU服务器随便你用 ~~但是在家里面，要用上GPU就得花钱，但是在这上面，Google竟然推出了免费的GPU服务，简直不要太爽

Google GPU

• 谷歌向所有拥有Gmail账号的人都提供了一个免费GPU，这个GPU你可以理解成一个在一个Ubuntu系统环境里面安装了一个带有Python3或者Python2的Jupyter笔记本软件，使用过Anaconda的人知道Jupyter notebook是特别好用的Python运行软件，完全是直接按照Python的语法来进行运行，还可以仿照Linux的命令，执行自己的程序。

• 说到如何使用谷歌的GPU，首先我们需要登录我们的Google云盘，当然，你需要先注册一个Google账号，然后在登录这个云盘，界面是这样的：

• 这个我们可以先建立一个文件夹，点击左上方的新建，
  
  

• 这里我把这个取名一个“ demo”接下来我们双加进入这个demo文件夹，再点击左上角的新建，选择“更多”下的colaboratory。

• 这个我们就进入编辑界面了〜
  

• 调整使用GPU运行。在这里我们就是设置程序是GPU运行了。点击“ 代码执行程序 ”，选择“ 更改运行时类型 ”，这里设置成GPU，Python版本我默认是Python3，
  也可以根据自己的需要修改为Python2。

• 挂载、授权。接下来进行挂载，当完成基本的文件建立和配置后，就需要先运行以下这些代码，来安装必要的库，执行授权。

!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}

• 点击下面这个链接，根据提示获得密码，黏贴到这个栏后，回车一下就可以了。
  
  
• 接下来我们让它连接我的云盘，输入下面的代码，根据提示，这样就能直接运行云盘中的程序。

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

测试一下

• 接下来输入一个深度学习的代码来测试一下，这是深度学习中典型的一个mnist手写体识别的代码：

# -*- coding: utf-8 -*-
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])

• 接下我们开看看测试运行的结果~
  
  每次循环只要4秒中真香~~~

注意事项

• 这个网盘最想执行一下上面的挂载，跟自己的网盘连接~
• GPU使用目前规定的是不能持续使用12小时，，不过这种问题影响不大~~~

可以关注我的微信公众号【肥仔社】，了解更多有意思的东西~~