没有4070游戏本还想学深度学习？免费的谷歌Colab了解一下
我们前面已经在RTX4070的笔记本电脑上，按照《PyTorch深度学习指南》一书的操作，配置好了Jupyter Notebook（PyTorch深度学习指南之：如何用深度学习工具获得一台4070游戏本）。在此书的开端，关于环境部分，提示我们有三种方法来运行Jupyter Notebook，我们上次介绍的就是本地安装的方式，除此之外，还有谷歌Colab和Binder两种。但是，在后面的介绍中，作者
我们前面已经在RTX4070的笔记本电脑上，按照《PyTorch深度学习指南》一书的操作，配置好了Jupyter Notebook（PyTorch深度学习指南之：如何用深度学习工具获得一台4070游戏本）。在此书的开端，关于环境部分，提示我们有三种方法来运行Jupyter Notebook，我们上次介绍的就是本地安装的方式，除此之外，还有谷歌Colab和Binder两种。
但是，在后面的介绍中，作者比较多的还是介绍谷歌Colab。今天，我们一块来简单学习一下谷歌Colab的使用。
谷歌Colab的入口地址如下：
https://colab.research.google.com/drive/
按照官网所述，Jupyter是一个开放源代码项目，而Colab（Colaboratory）是在Jupyter基础之上开发的一项托管式Jupyter Notebook服务，无需设置即可使用。通过Colab，我们无需下载、安装或运行任何软件，就可以使用Jupyter Notebook并与他人共享，并可以免费使用包括GPU和TPU在内的计算资源，Colab尤其适合机器学习、数据科学和教育用途。
使用谷歌Colab只需要有一个Google账号即可，登录之后即可使用。
Colab笔记本存储在Google云端硬盘中，也可以从GitHub加载；比如我们在打开笔记本的欢迎页，选择【GitHub】，输入GitHub网址，即可将书中附带的GitHub项目导入到Colab中。
https://github.com/dvgodoy/PyTorchStepByStep
导入成功之后，Colab的展示风格与Jupyter Notebook几乎一模一样。
在代码部分，一段代码被称为一个单元格。我们点击单元格前面的运行图标即可执行代码；在执行完成之后，会展示运行时间和结果，比如第一个单元格的结果就是下载文件完成。
接下来，我们依次阅读代码部分，并执行代码，就可以得到第一张图。
但是，这里面貌似也有点问题，这里生成了一个随机数序列，但是每次生成的序列又是完全一样的，这种方式生成的图片即使运行再多次，也是完全一样。这是因为，np.random.seed(42)这行代码设置了随机数生成器的种子为42，只要种子相同，生成的随机数序列就相同；换言之，如果要改变随机数序列，就要修改种子，但这并不算调参，只是一种实验控制手段，用于确保实验的可重复性，而不是为了优化模型性能。
通过第0章的这些代码，我们就能看到一个简单的线性回归模型。处理过程包含设置模型、数据生成（随机初始化）、计算模型的预测、计算损失、计算梯度、更新参数等，通过这些学习，我们可以了解到批量梯度下降的稳定与平滑路径与随机梯度下降的快速且有些混乱的路径之间存在一个权衡，使得利用小批量梯度下降成为这两者之间的良好折中。
由此看来，使用谷歌Colab，貌似你又不太需要一台游戏本了，不是吗？如果你也想用谷歌Colab，那你可得积极点，为了向全球尽可能多的学生和资源不足的群体开放，Colab会优先考虑积极使用笔记本编程的用户。
Colab也不是没有缺点，Colab目前主要支持Python及其第三方工具生态系统，对于R或Scala等其他Jupyter内核，谷歌还无法提供预计实现时间。
在窗口的右上角，我们还能看到资源利用率信息，我现在是免费版，免费版用户对GPU等高昂资源的访问权限会受到严格限制，即使没使用GPU，我的预估使用时长也只有83小时。
但这些用量又不是一成不变的，总体用量限额、空闲超时时长、虚拟机生命周期上限、可用GPU类型以及其他因素都会不时变化。
比如，我也可以选择使用免费的GPU或TPU硬件加速器，TPU（Tensor Processing Unit）是谷歌专门为深度学习任务设计的硬件加速器，这里显示的v2应该是2017年的第二代版本，而Tesla T4则是2018年上市的；至于更先进的A100和L4，应该是付费用户才能使用吧。
以下是官网的部分付费方案。
虽然有免费的GPU或者TPU可用，运行Colab时禁止了对他人造成负面影响的滥用行为以及旨在规避Google政策的行为。以下是相关的限制操作行为：
文件托管、媒体传送或提供其他与Colab的交互式计算无关的Web服务；
下载种子文件或进行点对点文件共享；
连接到远程代理；
加密货币挖矿；
运行拒绝服务攻击；
破解密码；
利用多个账号绕过访问权限或资源用量限额；
进行深度伪造；
远程控制，例如SSH shell、远程桌面等；
绕过笔记本界面；
国际象棋训练；
运行分布式计算工作器。兄弟，你感觉谷歌Colab用起来怎么样呢？
***推荐阅读***
PyTorch深度学习指南之：如何用深度学习工具获得一台4070游戏本
复制成功！GTX1050Ti换版本安装Pytorch、CUDA和cuDNN
Ubuntu使用Tesla P4配置Anaconda+CUDA+PyTorch
清华大模型ChatGLM3在本地Tesla P40上也运行起来了
Telnet不安全？如何配置使用更安全的STelnet远程登录华为AR1000V路由器？
腾讯云面向开发者汇聚海量精品云计算使用和开发经验，营造开放的云计算技术生态圈。
更多推荐
26
0- 0
已为社区贡献12条内容
所有评论(0)