疫情期间只能在家实习，用笔记本做简单的机器学习还能勉强凑合，深度学习随便训练个模型要跑几天几夜。不过如果我们使用Google Colab的GPU资源，什么电脑都可以玩深度学习啦！

什么是Colab

引用官方介绍：

Colaboratory 是一个免费的 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。
借助 Colaboratory，可以编写和执行代码、保存和共享分析结果，以及利用强大的计算资源，所有这些都可通过浏览器免费使用。

Colab就是一个服务器，我们可以申请他的资源来使用。选择用colab来做深度学习的最大优点就是它强大的GPU/TPU资源，对于深度学习的网络训练，并行计算用gpu速度可比cpu快得多。

你可以在colab里通过以下命令来查看colab所能提供给我们的GPU配置：

! /opt/bin/nvidia-smi

这是我们所能免费使用的GPU资源，如果不能满足你的要求的的话可以购买colab pro或者去淘宝租服务器。

如何使用Colab

毕竟是谷歌的产品，首先你需要你一个谷歌账号，还要能科学上网。
我们从最简单的开始，第一，如何创建一个Colab文件。
在你的谷歌云文档里单机右键创建，如图：

小伙伴们第一次使用是找不到的，在 更多->关联更多应用 里搜索一下添加一下就好了。
现在创建好了一个文件，下面我讲一下它的几种使用方式。

Colab的几种使用方式

像Jupyter Notebook一样使用

对于我们来说Anaconda的Jupyter Notebook更为熟悉，它可以方便的添加代码和注释，并能及时的显示运行结果，非常适用于教学展示。这里你可以像notebook一样使用colab，甚至他们的文件格式都是一样的，你的notebook文件可以直接传到谷歌云上并用colab打开。
下面举个例子：

可以看到这里的使用和notebook是一样的。在熟悉colab的使用以后简单的计算我就很喜欢用colab来算，毕竟老电脑开个啥软件都慢，不如薅谷歌点羊毛。

如何使用GPU加速

进行深度学习使用GPU的话，我们必须先调好设置。如图：


在 执行代码程序->更改运行时类型->GPU 这样才能够使用GPU资源来进行我们的深度学习。
在换成GPU资源以后，你可以用以下代码测试你是否真正连接上了GPU资源：

import tensorflow as tf
device_name = tf.test.gpu_device_name()
if device_name != '/device:GPU:0':
 raise SystemError('GPU device not found')
print('Found GPU at: {}'.format(device_name))

若输出为Found GPU at: /device:GPU:0则证明你连接成功。

这里如果你用不到gpu加速的话最好不要选，因为每个账号能每天能用GPU加速的时间是有限的，我有一段时间经常用GPU，结果colab到十二个小时左右就给我自动断开了，再想连接时就会提醒你什么没有空余的GPU资源，这种情况下要么等到第二天再使用GPU或者新建一个谷歌账号接着跑。
无论是用GPU加速还是不用，运行程序时长是有上限的，一般为24个小时，不过这也不是个确定的值，会随着服务器的使用情况随时变化。

如何使用Colab跑我们的程序

我们自己写的程序或者从GitHub上拷贝的程序一般是怎么运行的呢？
Linux用户就直接敲命令就可以了，Colab也是一样的写。

挂载Google云盘
这是运行我们程序的第一步，因为Colab的运行原理实际上就是给你分配一台远程的带GPU的主机，所以它的原始路径不是你的谷歌云盘（也就是你的代码文件）所在的路径。所以第一步我们先要把谷歌云盘挂载带到那台远程主机上：

from google.colab import drive
drive.mount('/content/gdrive')

运行之后点击链接，然后复制一下code输入就行了。
连接上云盘以后，其实其他的操作和在Linux里就差别不大了。

执行命令
colab与notebook所不同的是，其代码框里不仅仅能执行代码，也能执行命令。
对于命令语句，我们需要在之前加上`！
比如说一些常用的命令：

import os
os.chdir("/content/gdrive/My Drive/3dunet/3DUnetCNN-master")

跳到你谷歌云盘的某个地址

ls '/content/gdrive/My Drive/3dunet/3DUnetCNN-master'

查看路径下的内容

%cd brats

进入brasts文件夹，注意这里cd命令要用%而不是！

!pip install nipype

或

! pip install git+https://github.com/qubvel/segmentation_models

安装所需的库

!pip install tensorflow==1.15.0

安装某个版本的库。这里需要注意一点，我们在GitHub看到的许多项目都是一段时间之前写好的，所以用的tensorflow版本可能会与colab本身自带的版本不一样。我们可以通过以下命令来查看当前colab的tensorflow版本

import tensorflow as tf

tf.__version__

我目前显示的是'2.2.0'，而项目可能试用tensorflow一点几版本写的，这时候就需要通过上面的命令来更换版本，在更换完版本之后，程序往往需要重新运行。
还有一点，目前1.15.0版本的tensorflow是支持GPU运行的，好多更低的版本并不支持GPU，所以如果你降低到了比如1.5.0版本，是无法使用GPU的。

! python train.py

执行train.py文件

其实这些都跟我们的linux下操作是一样的，只不过现在放到了谷歌云盘里来执行。

项目运行
怎么运行在github上别人的项目呢？

先要把别人的项目和所需的数据集传到自己的谷歌云盘里之后，再用colab执行。
注意谷歌云盘的免费空间只有15G，如果你的数据集很大，要小心在执行的过程中可能产生一些图片从而导致空间过载，这样会报错的。可以买一个会员，十块钱不到100G，我感觉还是比百度云那种限速的好用多了.

1.挂载谷歌云，刚才讲过了

from google.colab import drive
drive.mount('/content/gdrive')

2.转到要处理的项目地址

import os
os.chdir("/content/gdrive/My Drive/3dclassification/3DUnetCNN-master")

3.安装好所需要的库
用pip命令一个一个安装也行，不过大部分项目都有requirements.txt文件，你可以直接

! pip install -r requirements.txt

一次性安装好所有要求的库。
4.执行项目程序

! python train.py

训练网络

! python evaluate.py 

评估表现

项目编写
colab不太适合大型程序的编写，毕竟都是notebook文件。但notebook的好处就是直观，方便我们观察输出与调试，如果要写项目的话，都写在一个文件中的简单项目还好说，但如果你想调用其他文件中的函数，要先把notebook文件（.ipynb）转为py文件再调用。

直接在文件中下载为py文件并传到你的谷歌云盘上就好了。