什么是 Google Colab？
- Colaboratory是一个 Google 研究项目，旨在帮助传播机器学习培训和研究成果。
- 是一个Jupyter 笔记本环境，不需要进行任何设置就可以使用，并且完全在云端运行。
- Colaboratory笔记本存储在 Google 云端硬盘中，并且可以共享。Colaboratory 可免费使用。
- 利用Colaboratory ，可以方便的使用Keras,TensorFlow,PyTorch,OpenCV等框架进行深度学习应用的开发。
总而言之，GPU是深度学习开发的重要硬件需要，而 Google Colab相当于给我们提供了一个功能强大，使用方便，最重要是可以免费的GPU资源一段时间！如果自己的电脑配置不是很好，可以免费使用一下这个上面的硬件资源，在训练完毕后将权重文件与训练日志下载下来，本篇博客记录一下使用方式，供以后复习使用。
Colab中支持的硬件资源（有时间限额，目前普通用户只能用T4）
云端训练，本地预测！（可以看出硬件很给力60000张图片的数据集只用两小时就训练了200轮）
本地查看损失！
注意点1：挂载硬盘到虚拟机（并上传自己的数据集）
登录上Colab之后，每个人都会被分配15G大小的硬盘（类似于百度网盘给你的空间），这里要记住，真个Colab只有这15G空间真正属于你，其余文件夹的内容不属于你。
这里选择的是GPU资源，以下是临时分配的一台虚拟机。
点击上方小图标可以把你的硬盘挂载到这台虚拟机（再次重申，只有你硬盘15G的空间属于你，一旦卸载或者退出，虚拟机会被回收，数据也会丢失）。只要15G硬盘中的数据可以保留下来！
挂载完之后可以使用Python脚本创建、删除、修改文件，可以使用一些简单的命令操作系统。虚拟机内的操作就跟操作我们自己的电脑很像，大家可以在网上找一下具体的使用指令。
如：解压缩指令 解压/content/data.zip到content
!unzip "/content/data.zip" -d "/content/"
进行深度学习训练，肯定需要用到数据集，如果是含有几万张图片的数据集，直接上传比乌龟的速度还慢，我们可以先在自己的电脑将数据集打包，将压缩包上传到网盘中，然后解压训练。
压缩包放在content文件夹下解压会超级快，就像在自己的电脑中解压一样！如果是放在硬盘中解压那么速度会慢上不少（并且有网络延迟可能会丢失数据，亲测太痛了），除此之外如果解压到自己的硬盘中，在进行训练时也会因为网络延迟出现读不到数据的情况。
正确的做法是先将压缩包移到虚拟机内部，然后直接在虚拟机内部解压，训练时直接读取虚拟机内的数据。（速度与准确并存）
注意点2：训练模型时突然中断
Colab还是挺良心的，一周大概能免费用12小时左右，由于他们的硬件比较高级，在训练时速度嘎嘎快。
原因1：数据放在了硬盘中
如果将数据集放在自己的硬盘空间内，在训练模型时从硬盘路径下读取数据集，大概率你会碰到某一份数据丢失报错的情况，并不是因为我们的数据真的丢失了，有可能因为频繁读写硬盘、网络阻塞等原因。通俗点讲就是硬盘IO与虚拟机不匹配，我猜测训练时大概率数据流向如下图所示。
知道原因之后改进起来就很简单了，我们直接将数据集备份一份，硬盘中放一份压缩包，在复制一份到虚拟机，然后直接在虚拟机中解压并读取其中数据。
原因2：训练时长达到限额
此时可能会遇到一个新问题，当我们并不知道大概需要训练多长时间时，有可能会因为免费使用时间达到限额而强制断开连接（今天就是被摆了一道，只差5轮就训练200轮结束，结果被强制断开连接，所有的数据都丢失了），这时就需要我们定时将较好的权重文件放进硬盘中。由于目前阶段比较忙，没有手动去实现，这里提供一下思路，在训练的过程中可以每10轮或者15轮加入一段移动文件的代码，将目前所得到损失最小，准确率最高的权重文件移动到硬盘（期间做好异常处理）。
移动文件的代码可以使用下面一个库：文章来源：https://www.toymoban.com/news/detail-456653.html
import shutil
shutil.copy2("/content/pth/resnet18_10.pth","/content/drive/MyDrive/Colab Notebooks/resnet/resnet_model/")
有了这个整体的流程，使用Colab训练自己的模型应该没有什么问题了。赶紧BP T4 GPU哈哈哈。训练过程中唯一的不足就是test_loss，越训练越高，以后再慢慢研究吧。
文章来源地址https://www.toymoban.com/news/detail-456653.html
到了这里，关于Google Colab的使用方法的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
