如何免費使用GPU跑深度學習程式碼
從事深度學習的研究者都知道，深度學習程式碼需要設計海量的資料，需要很大很大很大(重要的事情說三遍)的計算量，以至於CPU算不過來，需要通過GPU幫忙，但這必不意味著CPU的效能沒GPU強，CPU是那種綜合性的，GPU是專門用來做影象渲染的，這我們大家都知道，做影象矩陣的計算GPU更加在行，應該我們一般把深度學習程式讓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現在也要3500左右，2080Ti要9000左右，具體價格還要看視訊記憶體大小，因此本文給大家帶來了福利——Google免費的GPU Colaboratory。
Google Colab簡介
Google Colaboratory是谷歌開放的一款研究工具，主要用於機器學習的開發研究，這款工具現在可以免費使用，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AI者提供免費的GPU使用！GPU型號是Tesla K80，你可以在上面輕鬆地跑例如：Keras、Tensorflow、Pytorch等框架。
Colabortory是一個jupyter notebook環境，它支援python2和python3，還包括TPU和GPU加速，該軟體與Google雲盤硬碟整合，使用者可以輕鬆共享專案或將其他共享專案複製到自己的帳戶中。
Colaboratory使用步驟
1、登入谷歌雲盤
https://drive.google.com/drive/my-drive（沒有賬號的可以註冊一個）
(1)、右鍵新建資料夾，作為我們的專案資料夾。
2、建立Colab檔案
右鍵在更多裡面選擇google Colaboratry（如果沒有Colaboratory需要在關聯更多應用裡面關聯Colaboratory）
3、開始使用
這時候會直接跳轉到Colaboratory介面，這個介面很像Jupyter Notebook，Jupyter的命令在Colaboratory一樣適用，值得一提的是，Colab不僅可以執行Python程式碼，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"檢視資料夾檔案，還可以!pip安裝庫。以及執行py程式!python2 temp.py
可以寫一段程式碼進行測試
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函式
!pwd # 用 pwd 命令顯示工作路徑
# /content
!ls # 檢視的是 content 資料夾下有哪些檔案
# sample_data
!ls "drive/My Drive"
# TensorFlow （這就是我們之前建立的那個資料夾）
# 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)、選擇配置環境
我們大家肯定會疑慮，上述方法跑的那段程式是不是用GPU跑的呢？不是，想要用GPU跑程式我們還需要配置環境，
點選工具欄“修改”，選擇筆記本設定
在執行時型別我們可以選擇Python 2或Python 3，硬體加速器我們可以選擇GPU或者TPU（後面會講到），或者None什麼都不用。
載入資料
從本地載入資料
從本地上傳資料
files.upload 會返回已上傳檔案的字典。 此字典的鍵為檔名，值為已上傳的資料。
from google.colab import files
uploaded = files.upload()
for fn in uploaded.keys():
print('使用者上傳的檔案 "{name}" 有 {length} bytes'.format(
name=fn, length=len(uploaded[fn])))
我們執行該段程式之後，就會讓我們選擇本地檔案，點選上傳後，該檔案就能被讀取了
將檔案下載到本地
from google.colab import files
files.download('./example.txt') # 下載檔案
從谷歌雲盤載入資料
使用授權程式碼在執行時裝載 Google 雲端硬碟
from google.colab import drive
drive.mount('/content/gdrive')
在Colab中執行上述程式碼，會出現一段連結，點選連結，複製連結中的金鑰，輸入到Colab中就可以成功把Colab與谷歌雲盤相連線，連線後進行路徑切換，就可以直接讀取谷歌雲盤資料了。
向Google Colab新增表單
為了不每次都在程式碼中更改超引數，您可以簡單地將表單新增到Google Colab。
點選之後就會出現左右兩個框，我們在左框中輸入
# @title 字串
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程式碼
Colab中的GPU
首先我們要讓Colab連上GPU，導航欄-->編輯-->筆記本設定-->選擇GPU
接下來我們來確認可以使用Tensorflow連線到GPU
import tensorflow as tf
device_name = tf.test.gpu_device_name()
if device_name != '/device:GPU:0':
raise SystemError('沒有發現GPU device')
print('Found GPU at: {}'.format(device_name))
# Found GPU at: /device:GPU:0
我們可以在Colab上執行以下程式碼測試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(
'\n\n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）或編輯選單在筆記本設定中更改此設定.\n\n')
raise
def cpu():
sess.run(net_cpu)
def gpu():
sess.run(net_gpu)
# 執行一次進行測試
cpu()
gpu()
# 多次執行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)大小的影象'
'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
View Code
Colab中的TPU
首先我們要讓Colab連上GPU，導航欄-->編輯-->筆記本設定-->選擇TPU
接下來我們來確認可以使用Tensorflow連線到TPU
import os
import pprint
import tensorflow as tf
if 'COLAB_TPU_ADDR' not in os.environ:
print('您沒有連線到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中執行Tensorboard
想要在Google Colab中執行Tensorboard，請執行以下程式碼
!wget https://bin.equinox.io/c/4VmDzA7iaHb/ngrok-stable-linux-amd64.zip
!unzip ngrok-stable-linux-amd64.zip
# 新增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，繫結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 &')
# 產生網站，點選網站訪問tensorboard
!curl -s http://localhost:4040/api/tunnels | python3 -c \
"import sys, json; print(json.load(sys.stdin)['tunnels'][0]['public_url'])"
您可以使用建立的ngrok.io URL 跟蹤Tensorboard日誌。您將在輸出末尾找到URL。請注意，您的Tensorboard日誌將儲存到tb_logs目錄。當然，您可以更改目錄名稱。
之後，我們可以看到Tensorboard發揮作用！執行以下程式碼後，您可以通過ngrok URL跟蹤Tensorboard日誌。
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])
View Code
參考
Colaboratory官方文件
一位外國小哥寫的部落格，總結的