用gpu跑python_如何免费使用GPU跑深度学习代码

作者：凌逆战

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

(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、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。

4、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

(1)、挂载google drive

from google.colab importdrive

drive.mount('/content/gdrive')#更改工作目录

!pwd #用 pwd 命令显示工作路径

importos

os.chdir("/content/gdrive/My Drive/deepmodel")

os.getcwd()

!ls#查看的是 content 文件夹下有哪些文件

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

重新启动Colab：！kill -9 -1

(2)、配置环境

安装tensorflow-gpu 1.12.0版本

!pip install tensorflow-gpu==1.12.0

安装scipy 1.2.1版本

!pip install scipy==1.2.1

cuda降级到版本9

!wget https://developer.nvidia.com/compute/cuda/9.0/Prod/local_installers/cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64-deb

!dpkg-i cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64-deb

!apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub

!apt-get update

!apt-get install cuda=9.0.176-1

或者将cuda降级到版本8.0

!wget https://developer.nvidia.com/compute/cuda/8.0/Prod2/local_installers/cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64-deb

!dpkg-i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64-deb

!apt-get update

!apt-get install cuda=8.0.61-1

查看TensorFlow和cuda的版本

importtensorflow as tfprint(tf.__version__)

!nvcc--version

查看显卡内存使用上限

from tensorflow.python.client importdevice_lib

device_lib.list_local_devices()

查看分配的GPU参数

!nvidia-smi

查看GPU是否在colab中

importtensorflow as tf

tf.test.gpu_device_name()

如果结果为空，则不能使用GPU，如果结果为/device:GPU:0

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 importfiles

uploaded=files.upload()for fn inuploaded.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 importfiles

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 importdrive

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

importtensorflow 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

importtensorflow as tfimporttimeit

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())excepttf.errors.InvalidArgumentError:print('\n\n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.\n\n')raise

defcpu():

sess.run(net_cpu)defgpu():

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

importosimportpprintimporttensorflow as tfif 'COLAB_TPU_ADDR' not inos.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

importnumpy as npdefadd_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

importos

log_dir= 'tb_logs'

if notos.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__ importprint_functionimportkerasfrom keras.datasets importmnistfrom keras.models importSequentialfrom keras.layers importDense, Dropout, Flattenfrom keras.layers importConv2D, MaxPooling2Dfrom keras importbackend as Kfrom keras.callbacks importTensorBoard

batch_size= 128num_classes= 10epochs= 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/= 255x_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