作者：凌逆戰(zhàn)

原文：https://www.cnblogs.com/LXP-Never/p/11614053.html

從事深度學習的研究者都知道，深度學習代碼需要設計海量的數(shù)據(jù)，需要很大很大很大(重要的事情說三遍)的計算量，以至于CPU算不過來，需要通過GPU幫忙，但這必不意味著CPU的性能沒GPU強，CPU是那種綜合性的，GPU是專門用來做圖像渲染的，這我們大家都知道，做圖像矩陣的計算GPU更加在行，應該我們一般把深度學習程序讓GPU來計算，事實也證明GPU的計算速度比CPU塊，但是(但是前面的話都是廢話)我們窮，買不起呀，一塊1080Ti現(xiàn)在也要3500左右，2080Ti要9000左右，具體價格還要看顯存大小，因此本文給大家?guī)砹烁＠狦oogle免費的GPU Colaboratory。

Google Colab簡介

Google Colaboratory是谷歌開放的一款研究工具，主要用于機器學習的開發(fā)研究，這款工具現(xiàn)在可以免費使用，但是不是永久免費暫時還不確定，Google Colab最大的好處是給廣大開發(fā)AI者提供免費的GPU使用！GPU型號是Tesla K80，你可以在上面輕松地跑例如：Keras、Tensorflow、Pytorch等框架。

Colabortory是一個jupyter notebook環(huán)境，它支持python2和python3，還包括TPU和GPU加速，該軟件與Google云盤硬盤集成，用戶可以輕松共享項目或?qū)⑵渌蚕眄椖繌椭频阶约旱膸糁小?/p>

Colaboratory使用步驟

1、登錄谷歌云盤

https://drive.google.com/drive/my-drive（沒有賬號的可以注冊一個）

(1)、右鍵新建文件夾，作為我們的項目文件夾。

2、創(chuàng)建Colab文件

右鍵在更多里面選擇google Colaboratry（如果沒有Colaboratory需要在關聯(lián)更多應用里面關聯(lián)Colaboratory）

3、開始使用

這時候會直接跳轉(zhuǎn)到Colaboratory界面，這個界面很像Jupyter Notebook，Jupyter的命令在Colaboratory一樣適用，值得一提的是，Colab不僅可以運行Python代碼，只要在命令前面加一個' ！'，這條命令就變成了linux命令，比如我們可以' ! ls'查看文件夾文件，還可以!pip安裝庫。以及運行py程序!python2 temp.py

可以寫一段代碼進行測試

更改工作目錄，在Colab中cd命令是無效的，切換工作目錄使用chdir函數(shù)

!pwd # 用 pwd 命令顯示工作路徑
# /content
!ls # 查看的是 content 文件夾下有哪些文件
# sample_data
!ls 'drive/My Drive'
# TensorFlow （這就是我們之前創(chuàng)建的那個文件夾）

# 更改工作目錄
import os
os.chdir('/content/drive/My Drive/TensorFlow')
os.getcwd
# '/content/drive/My Drive/TensorFlow'

重新啟動Colab命令：！kill -9 -1

(3)、選擇配置環(huán)境

我們大家肯定會疑慮，上述方法跑的那段程序是不是用GPU跑的呢？不是，想要用GPU跑程序我們還需要配置環(huán)境，

點擊工具欄“修改”，選擇筆記本設置

在運行時類型我們可以選擇Python 2或Python 3，硬件加速器我們可以選擇GPU或者TPU（后面會講到），或者None什么都不用。

加載數(shù)據(jù)

從本地加載數(shù)據(jù)從本地上傳數(shù)據(jù)

files.upload會返回已上傳文件的字典。此字典的鍵為文件名，值為已上傳的數(shù)據(jù)。

from google.colab import files

uploaded = files.upload
for fn in uploaded.keys:
print('用戶上傳的文件 '{name}' 有 {length} bytes'.format(
name=fn, length=len(uploaded[fn])))

我們運行該段程序之后，就會讓我們選擇本地文件，點擊上傳后，該文件就能被讀取了

將文件下載到本地

from google.colab import files

files.download('./example.txt') # 下載文件

從谷歌云盤加載數(shù)據(jù)

使用授權代碼在運行時裝載 Google 云端硬盤

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

在Colab中運行上述代碼，會出現(xiàn)一段鏈接，點擊鏈接，復制鏈接中的密鑰，輸入到Colab中就可以成功把Colab與谷歌云盤相連接，連接后進行路徑切換，就可以直接讀取谷歌云盤數(shù)據(jù)了。

向Google Colab添加表單

為了不每次都在代碼中更改超參數(shù)，您可以簡單地將表單添加到Google Colab。

點擊之后就會出現(xiàn)左右兩個框，我們在左框中輸入

# @title 字符串

text = 'value' #@param {type:'string'}
dropdown = '1st option' #@param ['1st option', '2nd option', '3rd option']
text_and_dropdown = 'value' #@param ['選項1', '選項2', '選項3'] {allow-input: true}

print(text)
print(dropdown)
print(text_and_dropdown)

雙擊右邊欄可以隱藏代碼

Colab中的GPU

首先我們要讓Colab連上GPU，導航欄-->編輯-->筆記本設置-->選擇GPU

接下來我們來確認可以使用Tensorflow連接到GPU

import tensorflow as tf

device_name = tf.test.gpu_device_name
if device_name != '/device:GPU:0':
raise SystemError('沒有發(fā)現(xiàn)GPU device')

print('Found GPU at: {}'.format(device_name))
# Found GPU at: /device:GPU:0

我們可以在Colab上運行以下代碼測試GPU和CPU的速度

import tensorflow as tf import timeit

config = tf.ConfigProto
config.gpu_options.allow_growth = True

with tf.device('/cpu:0'):
random_image_cpu = tf.random_normal((100,100,100,3))
net_cpu = tf.layers.conv2d(random_image_cpu, 32,7)
net_cpu = tf.reduce_sum(net_cpu)

with tf.device('/device:GPU:0'):
random_image_gpu = tf.random_normal((100,100,100,3))
net_gpu = tf.layers.conv2d(random_image_gpu, 32,7)
net_gpu = tf.reduce_sum(net_gpu)

sess = tf.Session(config=config) # 確保TF可以檢測到GPU
try:
sess.run(tf.global_variables_initializer) except tf.errors.InvalidArgumentError: print( 'nn此錯誤很可能表示此筆記本未配置為使用GPU。'
'通過命令面板（CMD/CTRL-SHIFT-P）或編輯菜單在筆記本設置中更改此設置.nn') raise

def cpu:
sess.run(net_cpu) def gpu:
sess.run(net_gpu) # 運行一次進行測試
cpu
gpu # 多次運行op
print('將100*100*100*3通過濾波器卷積到32*7*7*3(批處理x高度x寬度x通道)大小的圖像'
'計算10次運訓時間的總和') print('CPU (s):')
cpu_time = timeit.timeit('cpu', number=10, setup='from __main__ import cpu') print(cpu_time) print('GPU (s):')
gpu_time = timeit.timeit('gpu', number=10, setup='from __main__ import gpu') print(gpu_time) print('GPU加速超過CPU: {}倍'.format(int(cpu_time/gpu_time)))

sess.close # CPU (s): # 3.593296914000007 # GPU (s): # 0.1831514239999592 # GPU加速超過CPU: 19倍

Colab中的TPU

首先我們要讓Colab連上GPU，導航欄-->編輯-->筆記本設置-->選擇TPU

接下來我們來確認可以使用Tensorflow連接到TPU

import os
import pprint
import tensorflow as tf

if 'COLAB_TPU_ADDR' not in os.environ:
print('您沒有連接到TPU，請完成上述操作')
else:
tpu_address = 'grpc://' + os.environ['COLAB_TPU_ADDR']
print ('TPU address is', tpu_address)
# TPU address is grpc://10.97.206.146:8470

with tf.Session(tpu_address) as session:
devices = session.list_devices

print('TPU devices:')
pprint.pprint(devices)

使用TPU進行簡單運算

import numpy as np

def add_op(x, y):
return x + y

x = tf.placeholder(tf.float32, [10,])
y = tf.placeholder(tf.float32, [10,])
tpu_ops = tf.contrib.tpu.rewrite(add_op, [x, y])

session = tf.Session(tpu_address)
try:
print('Initializing...')
session.run(tf.contrib.tpu.initialize_system)
print('Running ops')
print(session.run(tpu_ops, {x: np.arange(10), y: np.arange(10)}))
# [array([ 0., 2., 4., 6., 8., 10., 12., 14., 16., 18.], dtype=float32)]
finally:
# 目前，tpu會話必須與關閉會話分開關閉。
session.run(tf.contrib.tpu.shutdown_system)
session.close

在Colab中運行Tensorboard

想要在Google Colab中運行Tensorboard，請運行以下代碼

!wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip
!unzip ngrok-stable-linux-amd64.zip

# 添加TensorBoard的路徑
import os
log_dir = 'tb_logs'
if not os.path.exists(log_dir):
os.makedirs(log_dir)

# 開啟ngrok service，綁定port 6006(tensorboard)
get_ipython.system_raw('tensorboard --logdir {} --host 0.0.0.0 --port 6006 &'.format(log_dir))
get_ipython.system_raw('./ngrok http 6006 &')

# 產(chǎn)生網(wǎng)站，點擊網(wǎng)站訪問tensorboard
!curl -s http://localhost:4040/api/tunnels | python3 -c \
'import sys, json; print(json.load(sys.stdin)['tunnels'][0]['public_url'])'

您可以使用創(chuàng)建的ngrok.io URL 跟蹤Tensorboard日志。您將在輸出末尾找到URL。請注意，您的Tensorboard日志將保存到tb_logs目錄。當然，您可以更改目錄名稱。

之后，我們可以看到Tensorboard發(fā)揮作用！運行以下代碼后，您可以通過ngrok URL跟蹤Tensorboard日志。

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
from keras.callbacks import TensorBoard

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'])

tbCallBack = TensorBoard(log_dir=LOG_DIR,
histogram_freq=1,
write_graph=True,
write_grads=True,
batch_size=batch_size,
write_images=True)

model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test),
callbacks=[tbCallBack])
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

題圖：pexels，CC0 授權。

本站僅提供存儲服務，所有內(nèi)容均由用戶發(fā)布，如發(fā)現(xiàn)有害或侵權內(nèi)容，請點擊舉報。