如何免费使用GPU跑深度学习代码

  • 2019 年 10 月 3 日
  • 筆記

  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、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

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

!pwd # 用 pwd 命令显示工作路径  # /content  !ls # 查看的是 content 文件夹下有哪些文件  # sample_data  !ls "drive/My Drive"  # TensorFlow (这就是我们之前创建的那个文件夹)    # 更改工作目录  import os  os.chdir("/content/drive/My Drive/TensorFlow")  os.getcwd()  # '/content/drive/My Drive/TensorFlow'

重新启动Colab命令:!kill -9 -1

(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。

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(        'nn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.nn')    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

View Code

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])

View Code

参考

Colaboratory官方文档

一位外国小哥写的博客,总结的不错