原文地址：Google Colab Free GPU Tutorial

原文作者：fuat

译文出自：掘金翻译计划

本文永久链接：https://github.com/xitu/gold-miner/blob/master/TODO1/google-colab-free-gpu-tutorial.md

译者：haiyang-tju

校对者：DevMcryYu

Google Colab 免费 GPU 使用教程

现在你可以使用 Google Colaboratory（带有免费的 Tesla K80 GPU）使用 Keras、Tensorflow 和 PyTorch 来开发深度学习的程序了。

大家好！我将向大家展示如何使用 Google 面向 AI 开发者的免费云服务 —— Google Colab。在 Colab 上，你可以使用免费的 GPU 来开发深度学习应用程序。

感谢 KDnuggets！

我很高兴地宣布，这篇博文在 2018 年 2 月被选为 KDnuggets 的银质博文！文章内容可以在 KDnuggets 看到。

Google Colab 是什么？

Google Colab 是一个免费的云服务，现在它还支持免费的 GPU！

你可以：

提高你的 Python 语言的编码技能。
使用 Keras、TensorFlow、PyTorch 和 OpenCV 等流行库开发深度学习应用程序。

Colab 与其它免费的云服务最重要的区别在于：Colab 提供完全免费的 GPU。

关于这项服务的详细信息可以在 faq 页面上找到。

准备好使用 Google Colab

在 Google Drive 上创建文件夹

由于 Colab 是在 Google Drive 上工作的，所以我们需要首先指定工作文件夹。我在 Google Drive 上创建了一个名为 “app” 的文件夹。当然，你可以使用不同的名称或选择默认的 Colab Notebooks 文件夹，而不是 app 文件夹。

我创建了一个空的 “app” 文件夹

创建新的 Colab 笔记（Notebook）

通过 右键点击 > More > Colaboratory 步骤创建一个新的笔记。

右键点击 > More > Colaboratory

通过点击文件名来重命名笔记

设置免费的 GPU

通过很简单的步骤就可以将默认硬件从 CPU 更改为 GPU，或者反过来。依照下面的步骤 Edit > Notebook settings 或者进入 Runtime > Change runtime type，然后选择 GPU 作为 Hardware accelerator（硬件加速器）。

使用 Google Colab 运行基本的 Python 代码

现在我们可以开始使用 Google Colab 了。

我会运行一些 Python Numpy 教程中关于基本数据类型的代码。

可以正常运行！:) 如果你对在 AI 中最流行的编程语言 Python 还不是很了解，我推荐你去学习这个简明教程。

在 Google Colab 中运行或导入 .py 文件

首先运行这些代码，以便安装一些必要的库并执行授权。

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

运行上面的代码，会得到如下的结果：

点击这个链接，复制验证代码并粘贴到下面的文本框中。

完成授权流程后，应该可以看到：

现在可以通过下面的命令访问你的 Google Drive 了：

!ls "/content/drive/My Drive/"

安装 Keras：

!pip install -q keras

上传文件 mnist_cnn.py 到你的 Google Drive 的 app 文件夹中。

mnist_cnn.py 文件内容

在 MNIST 数据集上运行下面的代码来训练一个简单的卷积网络（convnet）。

!python3 "/content/drive/My Drive/app/mnist_cnn.py"

从结果可以看到，每轮次（epoch）运行只用了 11 秒。

下载 Titanic 数据集（.csv 文件）并显示文件的前 5 行内容

如果你想从一个 url 中下载 .csv 文件到 “app” 文件夹，只需运行下面的命令：

!wget https://raw.githubusercontent.com/vincentarelbundock/Rdatasets/master/csv/datasets/Titanic.csv -P "/content/drive/My Drive/app"

不使用 wget 方法，你可以直接将自己的 .csv 文件上传到 “app” 文件夹中。

读取 “app” 文件夹中的 .csv 文件并显示前 5 行的内容：

import pandas as pd
titanic = pd.read_csv(“/content/drive/My Drive/app/Titanic.csv”)
titanic.head(5)

克隆 GitHub 仓库到 Google Colab

使用 Git 可以很轻松克隆 GitHub 仓库。

步骤 1: 找到 GitHub 仓库并获取 “Git” 链接

找到所需的 GitHub 仓库。

比如： https://github.com/wxs/keras-mnist-tutorial

点击 Clone or download（克隆或下载） > Copy the link（复制链接）！

2. 使用 Git 克隆

运行以下命令即可：

!git clone https://github.com/wxs/keras-mnist-tutorial.git

3. 打开 Google Drive 中对应的文件夹

当然，Google Drive 中对应的文件夹与 GitHub 仓库名是相同的。

4. 打开笔记

右键点击 > Open With > Colaboratory

5. 运行

现在你可以在 Google Colab 中运行 GitHub 仓库代码了。

一些有用的提示

1. 如何安装第三方库？

Keras

!pip install -q keras
import keras

PyTorch

from os import path
from wheel.pep425tags import get_abbr_impl, get_impl_ver, get_abi_tag
platform = '{}{}-{}'.format(get_abbr_impl(), get_impl_ver(), get_abi_tag())
accelerator = 'cu80' if path.exists('/opt/bin/nvidia-smi') else 'cpu'

!pip install -q http://download.pytorch.org/whl/{accelerator}/torch-0.3.0.post4-{platform}-linux_x86_64.whl torchvision
import torch

或者试试这个：

!pip3 install torch torchvision

MxNet

!apt install libnvrtc8.0
!pip install mxnet-cu80
import mxnet as mx

OpenCV

!apt-get -qq install -y libsm6 libxext6 && pip install -q -U opencv-python
import cv2

XGBoost

!pip install -q xgboost==0.4a30
import xgboost

GraphViz

!apt-get -qq install -y graphviz && pip install -q pydot
import pydot

7zip 阅读器

!apt-get -qq install -y libarchive-dev && pip install -q -U libarchive
import libarchive

其它库

!pip install 或者 !apt-get install 安装其它库。

2. GPU 是否正常工作？

要查看是否在 Colab 中正确使用了 GPU，可以运行下面的代码进行交叉验证：

import tensorflow as tf
tf.test.gpu_device_name()

3. 我使用的是哪一个 GPU？

from tensorflow.python.client import device_lib
device_lib.list_local_devices()

目前， Colab 只提供了 Tesla K80。

4. 输出 RAM 信息？

!cat /proc/meminfo

5. 输出 CPU 信息？

!cat /proc/cpuinfo

6. 改变工作文件夹

一般，当你运行下面的命令：

!ls

你会看到 datalab 和 drive 文件夹。

因此，在定义每一个文件名时，需要在前面添加 drive/app。

要解决这个问题，更改工作目录即可。（在本教程中，我将其更改为 app 文件夹）可以使用下面的代码：

import os
os.chdir("drive/app") 
# 译者注：挂载网盘目录后，前面没有切换过目录，这里应该输入
# os.chdir("drive/My Drive/app")

运行上述代码后，如果你再次运行

!ls

你会看到 app 文件夹的内容，不需要再一直添加 drive/app 了。

7. “`No backend with GPU available`” 错误解决方案

如果你遇到这个错误：

Failed to assign a backend No backend with GPU available. Would you like to use a runtime with no accelerator? #指定后端失败。没有可用的 GPU 后端。需要使用没有加速器的运行时吗？

可以稍后再试一次。有许多人现在都在使用 GPU，当所有 GPU 都在使用时，就会出现这种错误信息。

参考这里

8. 如何清空所有单元行的运行输出？

可以依次点击 Tools>>Command Palette>>Clear All Outputs

9. “apt-key output should not be parsed (stdout is not a terminal)” 警告

如果你遇到这个警告：

Warning: apt-key output should not be parsed (stdout is not a terminal) #警告：apt-key 输出无法被解析（当前 stdout 不是终端）

这意味着你已经完成了授权。只需要挂载 Google Drive 即可：

!mkdir -p drive
!google-drive-ocamlfuse drive

10. 如何在 Google Colab 中使用 Tensorboard？

我推荐参考这个仓库代码：

https://github.com/mixuala/colab_utils

11. 如何重启 Google Colab？

要重启（或重置）你打开的虚拟机器，运行下面的命令即可：

!kill -9 -1

12. 如何向 Google Colab 中添加表单（Form）？

为了避免每次在代码中更改超参数，你可以简单地向 Google Colab 中添加表单。

例如，我添加了一个包含有 learning_rate（学习率） 变量和 optimizer（优化器） 字符串的表单。

13. 如何查看方法的参数？

在 TensorFlow、Keras 等框架中查看方法的参数，可以在方法名称后面添加问号标识符（?）：

这样不需要点击 TensorFlow 的网站就可以看到原始文档。

14. 如何将大文件从 Colab 发送到 Google Drive？

# 需要发送哪个文件？
file_name = "REPO.tar"

from googleapiclient.http import MediaFileUpload
from googleapiclient.discovery import build

auth.authenticate_user()
drive_service = build('drive', 'v3')

def save_file_to_drive(name, path):
  file_metadata = {'name': name, 'mimeType': 'application/octet-stream'}
  media = MediaFileUpload(path, mimetype='application/octet-stream', resumable=True)
  created = drive_service.files().create(body=file_metadata, media_body=media, fields='id').execute()
  
  return created

save_file_to_drive(file_name, file_name)

15. 如何在 Google Colab 中运行 Tensorboard？

如果你想在 Google Colab 中运行 Tensorboard，运行下面的代码。

# 你可以更改目录名
LOG_DIR = 'tb_logs'

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

import os
if not os.path.exists(LOG_DIR):
  os.makedirs(LOG_DIR)
  
get_ipython().system_raw(
    'tensorboard --logdir {} --host 0.0.0.0 --port 6006 &'
    .format(LOG_DIR))

get_ipython().system_raw('./ngrok http 6006 &')

!curl -s http://localhost:4040/api/tunnels | python3 -c \
    "import sys, json; print(json.load(sys.stdin)['tunnels'][0]['public_url'])"

你可以通过创建 ngrok.io 链接来追踪 Tensorboard 日志。你可以在输出的最后找到这个 URL 链接。

注意，你的 Tensorboard 日志将保存到 tb_logs 目录。当然，你可以更改这个目录名。

之后，我们就可以看到 Tensorboard 了！运行下面的代码，可以通过 ngrok URL 链接来追踪 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

# 输入图像维度
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')

# 将类别向量转换成二分类矩阵
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])

Tensorboard :)

总结

我认为 Colab 会给全世界的深度学习和 AI 研究带来新的气息。

如果你发现了这篇文章很有帮助，那么请给它一些掌声 👏，并与他人分享，这将会非常有意义。欢迎在下面留言。

你可以在 Twitter 上找到我。

最后请注意

英文原文会持续跟进更新，如有需要请移步英文原文。

如果发现译文存在错误或其他需要改进的地方，欢迎到掘金翻译计划对译文进行修改并 PR，也可获得相应奖励积分。文章开头的 本文永久链接 即为本文在 GitHub 上的 MarkDown 链接。

掘金翻译计划是一个翻译优质互联网技术文章的社区，文章来源为掘金上的英文分享文章。内容覆盖 Android、iOS、前端、后端、区块链、产品、设计、人工智能等领域，想要查看更多优质译文请持续关注掘金翻译计划、官方微博、知乎专栏。