【新智元导读】 Google Colab现在提供免费的T4 GPU 。Colab是Google的一项免费云端机器学习服务，T4GPU耗能仅为70瓦，是面向现有数据中心基础设施而设计的，可加速AI训练和推理、机器学习、数据分析和 虚拟桌面 。

Google Colab是Google内部Jupyter Notebook的交互式Python环境，不需要在本地做多余配置，完全云端运行，存储在GoogleDrive中，可以多人共享，简直跟操作Google Sheets一样简单。之前只提供英伟达Tesla K80，现在已经支持TPU了！英伟达T4 GPU耗能仅为70瓦，是面向现有数据中心基础设施而设计的，可加速AI训练和推理、机器学习、数据分析和虚拟桌面。

运行命令

!nvidia-smi

复制

返回结果

有Reddit网友表示Colab TPU比本地GTX 1080Ti的速度 慢了将近2倍 。

Google关于使用TPU的教程：

https://colab.research.google.com/notebooks/tpu.ipynb#scrollTo=71iSWtsXe36x

Google Colab介绍

Google Colab不需要安装配置Python，并可以在Python 2和Python 3之间快速切换，支持Google全家桶：TensorFlow、BigQuery、GoogleDrive等，支持pip安装任意自定义库，支持apt-get安装依赖。

它最大的好处是为广大的AI开发者提供了免费的GPU和TPU，供大家进行机器学习的开发和研究。GPU的型号正是Tesla K80，可以在上面轻松地跑Keras、Tensorflow、Pytorch等框架；最近新增加的TPU是英伟达T4，可以在更广阔的天地大有作为了。

当然还有一个好处：不需要前期环境配置。相信很多人对前期环境配置过程中，遇到的各种奇奇怪怪问题深有体会：Anaconda套件该选择哪个版本？路径没设置好导致Jupyter Notebook调不出来等等。而Google Colab直接配置好一个环境，即插即用。

Colab的文档使用我们最喜爱的Markdown格式，并且提供预览模式可以直接看到输出文档的最终样式。

虽然说目前为止一直免费，一次最多可以免费使用12小时。但不确定是否未来会收费。所谓早体验早享受；晚体验有可能要等折扣了。

Colab官网：

https://colab.research.google.com

预备工作

首先我们需要在Google Drive上新建一个文件夹：

然后从下拉菜单里直接进入Colab即可。

接下来需要做一些简单的配置。比如你可以选择使用Python 2或者3笔记本，然后选择硬件加速器，接下来就可以愉快的敲代码了。

或者你也可以直接wget一个共享的zip包。例如下载并解压Udacity的花朵数据：

创建/打开一个笔记本

在Colab里创建/打开笔记本很简单，直接点击新建/打开即可：

创建的时候会提示你选择GPU或者TPU。如果你没有选，或者你想给现有的项目更换硬件加速器，那么都可以通过Edit→Notebook Settings，或者Runtime→Change rumtime type重新选择，即时生效。

更换硬件加速器类型后，运行以下 代码检查 是否使用了GPU或者TPU：

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

复制

如果返回结果中没有GPU或者TPU字样只有CPU字样，那么说明没有使用到二者。

注意上图里的Github标签，超棒对不对！

还有一点需要注意的是，因为Colab运行在云端，所以一定要记住 随时保存 ，请把保存按钮当做vim里的esc来对待。

当然也可以把文件下载到本地或者上传到云端。

库的安装和使用

Colab自带Tensorflow、Matplotlib、Numpy、Pandas等深度学习基础库，直接import即可，目前连PyTorch也能直接import了。

某些库可能需要先安装后才能使用，比如keras：

安装PyTorch：

除了pip，还支持apt-get。安装OpenCV：

安装XGBoost：

有的第三方Python库可能需要依赖Java或是其他软件才能运行，安装过程稍微复杂一点：

注意 --yes 这个小操作很关键，如果没有系统可能会卡住（有兴趣的读者可以尝试一下）。其他软件也类似，注意最后加上 --yes 。

安装有版权的oracle-java-installer，需要有同意协议的操作：

设置系统默认jdk：

测试Java是否安装成功：

2个小技巧

1. 免费用GPU

在笔记本设置中，确保硬件加速选择了GPU。检查是否真的开启了 GPU（即当前连接到了GPU实例），可以直接在Jupyter Notebook中运行以下命令：

import tensorflow as tf
device_name = tf.test.gpu_device_name()