使用Google Colaboratory跑深度学习

使用Colaboratory

首先，要使用Google的产品，翻墙是必须的吧。 然后点击进入Google云端硬盘，如下界面：

然后点击新建–更多–Colaboratory,就会出现这个界面

红框可以修改页面名称，点击蓝框进行设置GPU运行

更改运行时的类型：

设置为GPU:

验证一下，输入如下代码运行：

import tensorflow as tf
tf.test.gpu_device_name()

出现如下结果则表示是GPU运行：

可以使用如下命令查看cpu类型和CUDA 版本(方便安装pytorch用)

!/opt/bin/nvidia-smi

安装Miniconda3

这里提前说一下在Colaboratory的问题：
就是在这个类似命令行的页面端无法进行conda虚拟环境的创建，只能使用base，而且需要特殊的方式来对conda进行使用。

先使用命令行下载Miniconda3的sh安装包：

!wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

安装权限配置：

!chmod +x Miniconda3-latest-Linux-x86_64.sh

安装到指定位置，这里建议安装在/root/

!bash ./Miniconda3-latest-Linux-x86_64.sh -b -f /root/

激活conda:

!source /root/miniconda3/bin/activate

使用命令将conda配置成默认的命令行使用。

!conda init

安装PyTorch

这里试过进行env的创建，但是创建成功之后无法进行命令行的切换，因此这里就直接在base上进行了。

安装pytorch，这里去pytorch官网选择对应的版本进行安装：

!conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

使用命令查看conda env：

!conda info --env

验证pytorch是否能够使用

首先直接编写代码进行验证能否直接使用自己安装的conda python:

import torch
print(torch.version)

可以看到这里的python版本为3.6，和我们的版本不一样，我认为直接使用python编译的是用的自带的python。

因此这里创建一个test.py文件上传上去，代码为:

import torch
print(torch.version)

然后使用命令行再次运行代码：

!python /content/test.py

结果为:

可以看出我们的python为3.8版本了，因此成功了。

安装MMDetection

安装mmcv

git clone https://github.com/open-mmlab/mmcv.git
cd mmcv
pip install /content/mmcv/.

安装cpython等需求包

https://gitee.com/zyp521/upload_image/raw/master/cGUR6D.png

安装mmdetection

官方文档的安装方法：

git clone https://github.com/open-mmlab/mmdetection.git
cd mmdetection
pip install -r requirements/build.txt
pip install "git+https://github.com/cocodataset/cocoapi.git#subdirectory=PythonAPI"
pip install -v -e . # or "python setup.py develop"

到此，我们就完成了mmdetection及其依赖库的安装。

有一个比较大的缺陷需要声明一下，就是如果你超过12小时不登录Colaboratory的话，google会自动将你的服务器重置分配给别人，你的数据和代码都被自动清楚了。