1. 程式人生 > >如何在 Google 免費雲端執行 Python 深度學習框架?

如何在 Google 免費雲端執行 Python 深度學習框架?

先說一下哦,結尾有福利!你懂的~

熱愛學習的你是否有過這樣的經歷:

  • 想自己動手搭建神經網路,卻不知選擇哪種工具?

  • 想配置深度學習框架 TensorFlow,卻被複雜的配置步驟所困擾?

  • 想使用 GPU 加速訓練,卻經費有限無法實現高配置?

  • ······

試想一下,如果有個免費的線上雲端平臺,既可以不用安裝 TensorFlow 直接使用,又可以實現 GPU 加速訓練,那該是多好的一件事情。你沒聽錯,這種好事確實存在!今天,紅色石頭就給大家放送一波福利,重磅介紹一個谷歌推出的免費的雲端工具:Colaboratory。

我們先來看一下對 Colaboratory 的介紹:

Colaboratory 是一個 Google 研究專案,旨在幫助傳播機器學習培訓和研究成果。它是一個 Jupyter 筆記本環境,不需要進行任何設定就可以使用,並且完全在雲端執行。Colaboratory 筆記本儲存在 Google 雲端硬碟中,並且可以共享,就如同您使用 Google 文件或表格一樣。Colaboratory 可免費使用。

也就是說,Colaboratory 儲存在 Google 雲端硬碟中,我們可以在 Google 雲端硬盤裡直接編寫 Jupyter Notebook,線上使用深度學習框架 TensorFlow 並訓練我們的神經網路了。超炫!

1. Google 雲端硬碟

首先,開啟谷歌,使用郵箱登陸你的 Google 賬號(沒有帳號的使用郵箱註冊一個就行)。

登入 Google 賬號之後,在頁面右上角的 Google 應用裡就可進入雲端硬盤裡。

Google 硬碟真是良心啊,每個人都有 15 G 的免費空間可以使用。如果覺得空間不夠的話可以升級,當然紅色石頭覺得 15 G 已經妥妥夠了。

2. 關聯 Colaboratory

進入 Google 雲端硬碟之後,需要關聯 Colaboratory。點選我的雲端硬碟 -> 更多 -> 關聯更多應用。我已經關聯了 Colaboratory。

然後,搜尋並找到 Colaboratory,然後關聯。

當然,另一種關聯方法是新建資料夾,對單個資料夾關聯 Colaboratory。但是這樣每次新建資料夾都需要重新關聯一次,比較麻煩。直接對雲端硬碟進行關聯可以實現一勞永逸!

這樣,Google 雲端硬碟就完成了與 Colaboratory 的關聯,我們就可以使用 Colaboratory 了。很簡單是不是?

3. 建立 Colaboratory 筆記本

關聯 Colaboratory 之後,新建資料夾(以 app 為例)。

然後進入 app 資料夾,空白處右鍵點選更多 -> Colaboratory,即可建立 Jupyter Notebook。

通過點選檔名實現重新命名,例如重新命名為 test.ipynb。

4. 使用 Colaboratory(重點)

首先是配置 Colaboratory,這一步非常重要也是非常強大的。點選修改 -> 筆記本設定。

在筆記本設定中,我們可以選擇使用 Python 2 還是 Python 3。更重要的,可以選擇使用 GPU 硬體加速。設定完畢後點擊儲存。

然後,我們就可以在 Jupyter Notebook 裡任意寫我們的程式碼和註釋文件了。Colaboratory 本身就是一種資料分析工具,可將文字、程式碼和程式碼輸出內容合併到一個協作文件中。對於 Jupyter Notebook 語法不太清楚的可以查閱以下教程:

下面重點介紹如何使用 Colaoratory 執行 TensorFlow 程式碼。下面的示例展示了兩個矩陣相加的情況。

直接在 Jupyter Notebook 程式碼單元格中輸入以下程式碼:

import tensorflow as tf
import numpy as np

with tf.Session():
 input1 = tf.constant(1.0, shape=[2, 3])
 input2 = tf.constant(np.reshape(np.arange(1.0, 7.0, dtype=np.float32), (2, 3)))
 output = tf.add(input1, input2)
 result = output.eval()

result

Shift + Enter 執行,即可輸出內容:

array([[2., 3., 4.],
[5., 6., 7.]], dtype=float32)

Colaboratory 已經包含了很多已被廣泛使用的庫(例如 matplotlib),因而能夠簡化資料的視覺化過程。

import matplotlib.pyplot as plt

x = np.arange(20)
y = [x_i + np.random.randn(1) for x_i in x]
a, b = np.polyfit(x, y, 1)
plt.plot(x, y, 'o', np.arange(20), a*np.arange(20)+b, '-');

現在,你已經完全可以通過 Colaboratory 使用 TensorFlow 來搭建你自己的神經網路模型啦!

5. 如何 Google(福利)

Google 的 Colaboratory 非常好,完全免費!那麼問題來了:沒有梯子我如何去 Google 呢?

世界那麼大,我想去看看!紅色石頭已經考慮到大家想去外面看看的求學精神,這不,立即給大家推薦一個不錯的工具。低調低調,看看不說話。

推薦使用 SS 賬號【thatseed.org】,網址是:

這是需要付費,但是價格很便宜,一般是根據流量收費,我親測一天下來用了差不多 2 分錢。簡單的註冊充值之後,還需要下載 SS 軟體。

也可以在本公眾號後臺回覆【ss】,獲取該軟體!

安裝執行 SS 軟體,需要簡單的配置,操作方法都有教程,然後勾選伺服器,根據你的需要新增,你懂的!

很簡單吧,工具再不會用的,自行搜尋,不要問我哦,我什麼都不知道~~

然後,你就可以任意使用 Google 雲端硬碟和 Colaboratpry 啦!

相關推薦

如何在 Google 免費雲端執行 Python 深度學習框架

先說一下哦,結尾有福利!你懂的~ 熱愛學習的你是否有過這樣的經歷: 想自己動手搭建神經網路,卻不知選擇哪種工具? 想配置深度學習框架 TensorFlow,卻被複雜的配置步驟所困擾? 想使用 GPU 加速訓練,卻經費有限無法實現高配置? ······

如何在免費雲端執行 Python 深度學習框架

先說一下哦,結尾有福利!你懂的~ 熱愛學習的你是否有過這樣的經歷: 想自己動手搭建神經網路,卻不知選擇哪種工具? 想配置深度學習框架 TensorFlow,卻被複雜的配置步驟所困擾? 想使用 GPU 加速訓練,卻經費有限

免費!《Python深度學習》電子書及原始碼下載

《Python深度學習》本書由Keras之父、現任Google人工智慧研究員的弗朗索瓦•肖萊(F

TensorFlow筆記(7)-----實戰Google深度學習框架----隊列與多線程

一起 width nbsp stop 之前 圖片 第一個 queue enqueue 一、創建一個隊列: FIFOQueue:先進先出 RandomShuffleQueue:會將隊列中的元素打亂,每次出列操作得到的是從當前隊列所有元素中隨機選擇的一個。 二、操作一個隊列的函

《Tensorflow 實戰Google深度學習框架》PDF版

roc mage com size 深度學習框架 pdf 深度學習 ext flow 鏈接:https://pan.baidu.com/s/1Jf8LWJXWUnfpNly0KagVMA《Tensorflow 實戰Google深度學習框架》PDF版

《TensorFlow實戰Google深度學習框架 (第2版) 》中文版PDF和源代碼

分享 flow shadow 源代碼 ges ado text href 第2版 下載:https://pan.baidu.com/s/1aD1Y2erdtppgAbk8c63xEw 更多最新的資料:http://blog.51cto.com/3215120 《Tensor

TensorFlow-實戰Google深度學習框架 筆記(上)

當我 日誌 不一定 rain 如何 validate .config 存儲 構建 TensorFlow TensorFlow 是一種采用數據流圖(data flow graphs),用於數值計算的開源軟件庫。在 Tensorflow 中,所有不同的變量和運算都是儲存在計算圖

分享《TensorFlow實戰Google深度學習框架 (第2版) 》中文版PDF和源代碼

技術分享 roc orf 中文版 RoCE term col vpd pan 下載:(https://pan.baidu.com/s/1mrEiGC2B3h6p1iOZuOkGlw) 《TensorFlow實戰Google深度學習框架(第2版)》中文版PDF和源代碼中文版P

Tensorflow 實戰Google深度學習框架 第五章 5.2.1Minister數字識別 原始碼

1 import os 2 import tab 3 import tensorflow as tf 4 5 print "tensorflow 5.2 " 6 7 from tensorflow.examples.tutorials.mnist import input

Tensorflow 實戰Google深度學習框架 第五章 5.2.1Minister數字識別 源代碼

sting var initial testin def after depend reduce sky 1 import os 2 import tab 3 import tensorflow as tf 4 5 print "tensorflow

《TensorFlow:實戰Google深度學習框架》--5.2.1 MNIST手寫識別問題(程式已改進)

目錄 MNIST資料集介紹: TensorFlow完整訓練MNIST資料集(程式已改進): 本篇部落格涉及很多本書第4章的知識:啟用函式、指數衰減的學習率設定、正則化、滑動平均等知識。如有疑問請參考本部落格關於第4章記錄介紹。 MNIST資料集介紹: MNIST資料集是N

《TensorFlow實戰Google深度學習框架(第2版)》+《TensorFlow實戰_黃文堅》

代碼 tex ref 深度學習框架 term 第2版 ogl type google 資源鏈接:https://pan.baidu.com/s/1n-ydbsnvKag4jWgpHRGIUA《TensorFlow實戰Google深度學習框架(第2版)》中文版PDF和源代碼帶

《TensorFlow:實戰Google深度學習框架》——6.3 卷積神經網路常用結構

1、卷積層 圖6-8顯示了卷積層神經網路結構中重要的部分:濾波器(filter)或者核心(kernel)。 過濾器可以將當前層神經網路上的一個子節點矩陣轉化為下一層神經網路上的一個單位節點矩陣 。 單位節點矩陣指的是一個長和寬都為1,但深度不限的節點矩陣 。 在一個卷積層巾,過濾器

《TensorFlow:實戰Google深度學習框架》——6.2 卷積神經網路簡介(卷積神經網路的基本網路結構及其與全連線神經網路的差異)

下圖為全連線神經網路與卷積神經網路的結構對比圖: 由上圖來分析兩者的差異:                  全連線神經網路與卷積網路相同點   &nb

《TensorFlow:實戰Google深度學習框架》——6.1 影象識別中經典資料集介紹

1、CIFAR資料集 CIFAR是一個影響力很大的影象分類資料集,CIFAR資料集中的圖片為32*32的彩色圖片,由Alex  Krizhevsky教授、Vinod Nair博士和Geoffrey Hinton教授整理的。 CIFAR是影象詞典專案(Visual Dictionar

王權富貴書評:《TensorFlow實戰Google深度學習框架第二版》(鄭澤宇 樑博文 顧思宇 著)

一本介紹TensorFlow的書,比較基礎,但是還是寫的不好。這本是我TensorFlow的啟蒙書,我硬著頭皮看完的,目前還沒發現比這本書好的。 推薦指數:**                   

《TensorFlow:實戰Google深度學習框架》——6.3 卷積神經網路常用結構(池化層)

池化層在兩個卷積層之間,可以有效的縮小矩陣的尺寸(也可以減小矩陣深度,但實踐中一般不會這樣使用),co。池從而減少最後全連線層中的引數。 池化層既可以加快計算速度也可以防止過度擬合問題的作用。 池化層也是通過一個類似過濾器結構完成的,計算方式有兩種: 最大池化層:採用最

tensorflow:實戰google深度學習框架

第一章 1.  簡介 第二章 1.  安裝 安裝方法在我的部落格有,包括cpu版,gpu版。   第三章 TensorFlow入門 1.  計算圖 constant是TensorFlow的常量節點,通過constant方法建立,

TensorFlow+實戰Google深度學習框架學習筆記(12)------Mnist識別和卷積神經網路LeNet

一、卷積神經網路的簡述 卷積神經網路將一個影象變窄變長。原本【長和寬較大,高較小】變成【長和寬較小,高增加】 卷積過程需要用到卷積核【二維的滑動視窗】【過濾器】,每個卷積核由n*m(長*寬)個小格組成,每個小格都有自己的權重值, 長寬變窄:過濾器的長寬決定的 高度變高:過濾器的個數決定的 &nb

TensorFlow+實戰Google深度學習框架學習筆記(13)------Mnist識別和卷積神經網路AlexNet

一、AlexNet:共8層:5個卷積層(卷積+池化)、3個全連線層,輸出到softmax層,產生分類。  論文中lrn層推薦的引數:depth_radius = 4,bias = 1.0 , alpha = 0.001 / 9.0 , beta = 0.75 lrn現在僅在AlexNet中使用,