作者：凌逆战
博客地址：https:////www.cnblogs.com/LXP-Never/p/11614053.html
从事深度学习的研究者都知道，深度学习代码需要设计海量的数据，需要很大很大很大(重要的事情说三遍)的计算量，以至于CPU算不过来，需要通过GPU帮忙，但这必不意味着CPU的性能没GPU强，CPU是那种综合性的，GPU是专门用来做图像渲染的，这我们大家都知道，做图像矩阵的计算GPU更加在行，应该我们一般把深度学习程序让GPU来计算，事实也证明GPU的计算速度比CPU块，但是(但是前面的话都是废话)我们穷，买不起呀，一块1080Ti现在也要3500左右，2080Ti要9000左右，具体价格还要看显存大小，因此本文给大家带来了福利——Google免费的GPU Colaboratory。
Google Colab简介
Google Colaboratory是谷歌开放的一款研究工具，主要用于机器学习的开发研究，这款工具现在可以免费使用，但是不是永久免费暂时还不确定，Google Colab最大的好处是给广大开发AI者提供免费的GPU使用！GPU型号是Tesla K80，你可以在上面轻松地跑例如：Keras、Tensorflow、Pytorch等框架。
Colabortory是一个jupyter notebook环境，它支持python2和python3，还包括TPU和GPU加速，该软件与Google云盘硬盘集成，用户可以轻松共享项目或将其他共享项目复制到自己的帐户中。
Colaboratory使用步骤
1、登录谷歌云盘
https://drive.google.com/drive/my-drive（没有账号的可以注册一个）
(1)、右键新建文件夹，作为我们的项目文件夹。
2、创建Colab文件
右键在更多里面选择google Colaboratry（如果没有Colaboratory需要在关联更多应用里面关联Colaboratory）
3、开始使用
这时候会直接跳转到Colaboratory界面，这个界面很像Jupyter Notebook，Jupyter的命令在Colaboratory一样适用，值得一提的是，Colab不仅可以运行Python代码，只要在命令前面加一个" ！"，这条命令就变成了linux命令，比如我们可以" ! ls"查看文件夹文件，还可以!pip安装库。以及运行py程序!python2 temp.py
可以写一段代码进行测试
更改工作目录，在Colab中cd命令是无效的，切换工作目录使用chdir函数
!pwd # 用 pwd 命令显示工作路径 # /content !ls # 查看的是 content 文件夹下有哪些文件 # sample_data !ls "drive/My Drive" # TensorFlow （这就是我们之前创建的那个文件夹） # 更改工作目录 import os os.chdir("/content/drive/My Drive/TensorFlow") os.getcwd() # '/content/drive/My Drive/TensorFlow'
重新启动Colab命令：！kill -9 -1
(3)、选择配置环境
我们大家肯定会疑虑，上述方法跑的那段程序是不是用GPU跑的呢？不是，想要用GPU跑程序我们还需要配置环境，
点击工具栏“修改”，选择笔记本设置
在运行时类型我们可以选择Python 2或Python 3，硬件加速器我们可以选择GPU或者TPU（后面会讲到），或者None什么都不用。
加载数据
从本地加载数据
从本地上传数据
files.upload 会返回已上传文件的字典。 此字典的键为文件名，值为已上传的数据。
from google.colab import files uploaded = files.upload() for fn in uploaded.keys(): print('用户上传的文件 "{name}" 有 {length} bytes'.format( name=fn, length=len(uploaded[fn])))
我们运行该段程序之后，就会让我们选择本地文件，点击上传后，该文件就能被读取了
将文件下载到本地
from google.colab import files files.download('./example.txt') # 下载文件
从谷歌云盘加载数据
使用授权代码在运行时装载 Google 云端硬盘
from google.colab import drive drive.mount('/content/gdrive')
在Colab中运行上述代码，会出现一段链接，点击链接，复制链接中的密钥，输入到Colab中就可以成功把Colab与谷歌云盘相连接，连接后进行路径切换，就可以直接读取谷歌云盘数据了。
向Google Colab添加表单
为了不每次都在代码中更改超参数，您可以简单地将表单添加到Google Colab。
点击之后就会出现左右两个框，我们在左框中输入
# @title 字符串 text = 'value' #@param {type:"string"} dropdown = '1st option' #@param ["1st option", "2nd option", "3rd option"] text_and_dropdown = 'value' #@param ["选项1", "选项2", "选项3"] {allow-input: true} print(text) print(dropdown) print(text_and_dropdown)
双击右边栏可以隐藏代码
Colab中的GPU
首先我们要让Colab连上GPU，导航栏-->编辑-->笔记本设置-->选择GPU
接下来我们来确认可以使用Tensorflow连接到GPU
import tensorflow as tf device_name = tf.test.gpu_device_name() if device_name != '/device:GPU:0': raise SystemError('没有发现GPU device') print('Found GPU at: {}'.format(device_name)) # Found GPU at: /device:GPU:0
我们可以在Colab上运行以下代码测试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) # 确保TF可以检测到GPU try: sess.run(tf.global_variables_initializer()) except tf.errors.InvalidArgumentError: print( ' 此错误很可能表示此笔记本未配置为使用GPU。 ' '通过命令面板（CMD/CTRL-SHIFT-P）或编辑菜单在笔记本设置中更改此设置. ') raise def cpu(): sess.run(net_cpu) def gpu(): sess.run(net_gpu) # 运行一次进行测试 cpu() gpu() # 多次运行op print('将100*100*100*3通过滤波器卷积到32*7*7*3(批处理x高度x宽度x通道)大小的图像' '计算10次运训时间的总和') 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加速超过CPU: {}倍'.format(int(cpu_time/gpu_time))) sess.close() # CPU (s): # 3.593296914000007 # GPU (s): # 0.1831514239999592 # GPU加速超过CPU: 19倍
Colab中的TPU
首先我们要让Colab连上GPU，导航栏-->编辑-->笔记本设置-->选择TPU
接下来我们来确认可以使用Tensorflow连接到TPU
import os import pprint import tensorflow as tf if 'COLAB_TPU_ADDR' not in os.environ: print('您没有连接到TPU，请完成上述操作') 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进行简单运算
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会话必须与关闭会话分开关闭。 session.run(tf.contrib.tpu.shutdown_system()) session.close()
在Colab中运行Tensorboard
想要在Google Colab中运行Tensorboard，请运行以下代码
!wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip !unzip ngrok-stable-linux-amd64.zip # 添加TensorBoard的路径 import os log_dir = 'tb_logs' if not os.path.exists(log_dir): os.makedirs(log_dir) # 开启ngrok service，绑定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 &') # 产生网站，点击网站访问tensorboard !curl -s http://localhost:4040/api/tunnels | python3 -c "import sys, json; print(json.load(sys.stdin)['tunnels'][0]['public_url'])"
您可以使用创建的ngrok.io URL 跟踪Tensorboard日志。您将在输出末尾找到URL。请注意，您的Tensorboard日志将保存到tb_logs目录。当然，您可以更改目录名称。
之后，我们可以看到Tensorboard发挥作用！运行以下代码后，您可以通过ngrok URL跟踪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])
参考
作者：凌逆战
欢迎任何形式的转载，但请务必注明出处。
限于本人水平，如果文章和代码有表述不当之处，还请不吝赐教。
本文章不做任何商业用途，仅作为自学所用，文章后面会有参考链接，我可能会复制原作者的话，如果介意，我会修改或者删除。