【Google Colab】使用手册、教程；使用 Google Colab 免费使用 python 服务器
- Colaboratory 是一个 Google 研究项目，旨在帮助传播机器学习培训和研究成果。它是一个 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。
- Colaboratory 笔记本存储在 Google 云端硬盘中，并且可以共享，就如同您使用 Google 文档或表格一样。Colaboratory 可免费使用。
- 利用Colaboratory ，可以方便的使用Keras,TensorFlow,PyTorch,OpenCV等框架进行深度学习应用的开发。
1.新建 ipynb 文件
2.选择使用的硬件
查看GPU情况：
! /opt/bin/nvidia-smi
3.连接服务器
4.将 ipynb 挂载到Google硬盘
首先要登录，然后切换目录。
from google.colab import drive
drive.mount("/content/drive/")
5.查看、更改当前路径
查看当前路径下所有文件
这三种都可以。
%ls
!ls
import os
os.listdir() # 这种方法可以返回每一个文件和文件夹，可以用于遍历
查看指定路径下所有文件
%ls “文件夹路径”
%ls "sample_data"
更改路径
方法一：
#更改路径
%cd "/content/drive/My Drive/datasets"
#查看当前目录 %和!其实是一样的，推荐用前者比较好，可以方便查看目录
%ls
!ls
方法二：
import os
os.chdir("/content/drive/My Drive/app")
%ls
#查看目录
os.listdir()
★★★ 开启 Colab 远程桌面 ★★★
时常需要跑数十个小时的来训练模型。奈何自己电脑的性能不过好，而谷歌 Colab 又没有GUI而且还限时。就在我一筹莫展的时候，突然发现了一个可以开启 Colab 桌面版的方法。白嫖高性能带GPU的虚拟机生活就此开始！
参考：
https://github.com/demotomohiro/remocolab
如何评价 Google Colab 提供的免费 GPU？ - TIM的回答 - 知乎，这个好像不可用了
使用 TPU 进行模型训练
首先在主菜单上，单击Runtime并选择Change Runtime type。设置“TPU”为硬件加速器。下面的单元格确保您能够访问Colab上的TPU。用法和GPU一样，只是模型训练的过程中需要添加一行代码。
查看TPU是否可用
import os
assert os.environ['COLAB_TPU_ADDR'] #检测TPU
安装 pytorch 和 XLA 包：
有关xla的具体使用方法可以参阅：http://pytorch.org/xla/release/1.12/index.html
建议先用 pip list 看当前的 torch 版本，再查找对应的 cloud-tpu-client 的版本 和 torch_xla 的版本（见https://github.com/pytorch/xla/，找到 colab 对应的版本），如下：
比如可以选择这样版本的进行安装：
!pip install cloud-tpu-client==0.10 torch==1.11.0 https://storage.googleapis.com/tpu-pytorch/wheels/colab/torch_xla-1.11-cp37-cp37m-linux_x86_64.whl
如果你在Colab上使用GPU，运行下面的注释代码来安装GPU兼容的PyTorch wheel和依赖：
!pip install cloud-tpu-client==0.10 torch==1.11.0 https://storage.googleapis.com/tpu-pytorch/wheels/cuda/112/torch_xla-1.11-cp37-cp37m-linux_x86_64.whl --force-reinstall
device 的选择和 tensor的创建
import torch
import torch_xla
import torch_xla.core.xla_model as xm
dev = xm.xla_device()
t1 = torch.ones(3, 3, device = dev)
print(t1)
训练模型
注意，训练模型时在 optimizer.step() 后面要加一句 xm.mark_step()。
import torch_xla.core.xla_model as xm
device = xm.xla_device()
model = MNIST().train().to(device)
loss_fn = nn.NLLLoss()
optimizer = optim.SGD(model.parameters(), lr=lr, momentum=momentum)
for data, target in train_loader:
optimizer.zero_grad()
data = data.to(device)
target = target.to(device)
output = model(data)
loss = loss_fn(output, target)
loss.backward()
optimizer.step()
xm.mark_step() # 这一步很重要！！！否则就会一直卡着
然后就可以训练了：
但是速度好像还不如 GPU，甚至不如CPU。
实用功能
pip安装python包
!pip install numpy
运行python文件
!python3 "/content/drive/My Drive/app/mnist_cnn.py"
下载文件
右键获取某个文件的链接后，可以通过 !wget 下载文件，注意保存路径。
!wget https://raw.githubusercontent.com/vincentarelbundock/Rdatasets/master/csv/datasets/Titanic.csv -P "/content/drive/My Drive/app"
读取图片
from PIL import Image
from matplotlib import pyplot as plt
%cd "/content/drive/My Drive/app/download"
%ls
image0 = Image.open("figure.png")
print(image0.mode)
#print(image0)
plt.figure()
plt.imshow(image0)
plt.figure()
参考文献：
https://zhuanlan.zhihu.com/p/386162610
https://www.zhihu.com/question/266242493
https://blog.csdn.net/weixin_44498476/article/details/107700730