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、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。
4、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
（1）、挂载google drive
from google.colab import drive drive.mount(\'/content/gdrive\') # 更改工作目录 !pwd # 用 pwd 命令显示工作路径 import os os.chdir("/content/gdrive/My Drive/deepmodel") os.getcwd() !ls # 查看的是 content 文件夹下有哪些文件
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
重新启动Colab：！kill -9 -1
（2）、配置环境
安装tensorflow-gpu 1.12.0版本
!pip install tensorflow-gpu==1.12.0
安装scipy 1.2.1版本
!pip install scipy==1.2.1
cuda降级到版本9
!wget https://developer.nvidia.com/compute/cuda/9.0/Prod/local_installers/cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64-deb !dpkg -i cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64-deb !apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub !apt-get update !apt-get install cuda=9.0.176-1
或者将cuda降级到版本8.0
!wget https://developer.nvidia.com/compute/cuda/8.0/Prod2/local_installers/cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64-deb !dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64-deb !apt-get update !apt-get install cuda=8.0.61-1
查看TensorFlow和cuda的版本
import tensorflow as tf print(tf.__version__) !nvcc --version
查看显卡内存使用上限
from tensorflow.python.client import device_lib device_lib.list_local_devices()
查看分配的GPU参数
!nvidia-smi
查看GPU是否在colab中
import tensorflow as tf tf.test.gpu_device_name()
如果结果为空，则不能使用GPU，如果结果为/device:GPU:0
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( \'\n\n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.\n\n\') 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
【AutoDL】GPU租用市场