Google Colab(Colaboratory) 是一个免费的云端环境，旨在帮助开发者和研究人员轻松进行机器学习和数据科学工作。它提供了许多优势，使得编写、执行和共享代码变得更加简单和高效。Colab 在云端提供了预配置的环境，可以直接开始编写代码，并且提供了免费的 GPU 和 TPU 资源，这对于训练深度学习模型等计算密集型任务非常有帮助，可以加速模型训练过程。

一、Colab网站介绍

Google Colab(Colaboratory) 是一个免费的云端环境，旨在帮助开发者和研究人员轻松进行机器学习和数据科学工作。可以在Colab官网上直接新建代码文件并运行，Colab 在云端提供了预配置的Python环境，免费的GPU和TPU资源，这有助于加速计算密集型任务，如深度学习模型的训练。

---

二、Colab分配GPU/CPU/TPU

点击右上角分配，分配服务器资源。

输入 Python 代码：

!nvidia-smi

可以查看被分配的详细配置：

---

三、常用的指令和技巧

代码执行： 在单元格中编写代码可以按 Shift+Enter 执行，能够执行 Python 代码，查看输出和绘图等。

新建单元格： 在工具栏中点击 + 图标或使用快捷键 Ctrl+M B（在命令模式下）添加新单元格。

运行所有单元格： 在工具栏中点击 "运行时"，选择”全部运行”来运行所有单元格。

运行选定单元格： 选定单元格后，点击工具栏中的播放按钮或使用快捷键Shift+Enter来运行选中的单元格。

切换单元格类型： 将单元格切换为代码单元格或 Markdown 单元格，可使用快捷键 Ctrl+M Y（切换到代码）和 Ctrl+M M（切换到 Markdown）。

保存和导出： 使用文件菜单中的保存或下载选项，可以将笔记本保存在 Google 云端硬盘或导出为 .ipynb 文件。

挂载 Google Drive： 使用以下代码挂载 Google Drive，以便访问云端存储的数据。

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

安装库： 使用pip命令安装所需的Python库。

!pip install library_name

查看文件列表： 使用以下命令查看当前目录下的文件列表。

!ls

查看GPU信息： 使用以下代码查看Colab分配的GPU信息。

!nvidia-smi

帮助文档： 在代码后面加上”?”可以查看函数的帮助文档。

help(function_name)

查看当前目录路径： 使用以下代码查看当前工作目录路径。

import os print(os.getcwd())

上传文件： 使用以下代码上传本地文件到Colab环境。

from google.colab import files uploaded = files.upload()

下载文件： 使用以下代码从Colab环境下载文件。

from google.colab import files files.download('file_name')

设置运行时类型： 在”运行时”菜单中选择”更改运行时类型”，可以设置虚拟机的硬件和配置选项。

---

四、Colab的优势

下面简要列举了一些Colab的优势：

• 免费的计算资源：

  • Colab提供了免费的云端计算资源，让你无需购买昂贵的硬件，就能在云端完成深度学习和数据科学的任务。
  • 无需花费时间和金钱在本地配置庞大的计算环境，Colab为用户提供了免费的计算能力。

• 便捷的数据存储和共享：

  • Colab与Google Drive紧密集成，使得数据的存储和共享变得非常方便。你可以轻松地导入和保存数据，而无需担心本地存储的限制。
  • 在Colab中，你可以直接访问Google Drive中的文件，使得数据管理更加灵活。

• 简化的环境配置：

  • Colab预装了许多常用的深度学习框架（如TensorFlow和PyTorch）和数据科学库，让你能够迅速导入所需的工具。
  • 无需手动安装和配置这些软件，你可以直接专注于你的任务，提高工作效率。

• GPU和TPU的加速支持：

  • Colab支持GPU和TPU的加速，让你能够更高效地处理大规模数据和复杂模型。
  • 这对于深度学习任务来说至关重要，而Colab为用户提供了免费的GPU和TPU资源，让你能够在云端快速训练模型

对于我自己来说，之所以选择使用Colab，主要还是因为现在GPU资源太贵了，动不动大几万。。网上看了很多按小时付费的云GPU，还没有尝试过，下次尝试完，我会继续做新的总结。