GoogleColab是一个免费的Jupyter环境，用户可以使用它来创建Jupyter笔记本，在浏览器中编写和执行Python代码，以及其他基于Python的第三方工具和机器学习框架比如Pandas,PyTorch,Tensorflow,Keras,Monk,OpenCV等。GoogleColab的优点是不需要任何配置就可以直接使用，并且提供免费的GPU。您可以与任何人共享实时代码、数学公式、数据可视化结果、数据处理、数值模拟、机器学习模型等。项目。之前机器之心也介绍过很多关于Colab的知识点，比如：玩转GoogleColab的20个技巧。本文将介绍如何将GoogleColab与Python结合使用，以及一些Colab使用技巧。项目地址：https://github.com/towardsai/tutorials/tree/master/google_colab_tutorial为什么大家都喜欢ColabColab的优势包括：提供免费的Jupyternotebook环境；预装软件包；完全托管在谷歌云上；用户不需要服务器或工作站设置；笔记本会自动保存在用户的Google云端硬盘中；基于浏览器的Jupyter笔记本可用；完全免费，提供GPU和TPU（Pro用户可以使用更多资源，但需要付费）；支持Python2和Python3；提供两种硬件加速器：GPU和TPU。第一步：启动GoogleColab我们可以使用Colab直接在浏览器上运行Python代码，使用指南：https://mktg.best/d7b6u。启动窗口打开，弹出窗口中提供了多项功能：它提供了创建笔记本、上传和从不同来源（例如GitHub、GoogleDrive或您的本地计算机）进行选择的选项。从GitHub上传Notebook我们可以使用项目URL，或者搜索组织和用户直接从GitHub上传Python代码。使用URL上传项目的步骤如下图所示：启动GoogleColab，在弹出框中选择GitHub。输入GitHub项目URL并搜索以获取代码：一键将完整代码上传到GoogleColab笔记本：同样，用户可以通过按名称、日期、所有者或修改日期过滤保存的笔记本，直接从GoogleDrive上传代码。从Kaggle上传数据（一）从Kaggle生成APIToken从Kaggle获取的数据可以直接上传到Colab，但这需要Kaggle的APIToken才能完成数据导入，步骤如下：打开Kaggle进入“我的账户”向下滚动如有必要，在“API”部分，先点击“ExpireAPIToken”删除之前的token点击“CreateNewAPIToken”生成新的token，下载一个名为“kaggle.json”的JSON文件“kaggle.json”文件包含用户名和密钥如下：(2)从Kaggle上传数据的步骤在本地计算机上保存“kaggle.json”文件安装Kaggle软件包：!pipinstall-qkaggle导入包：fromgoogle.colabimportfiles上传本地文件“kaggle.json”：files.upload()检查Colab笔记本是否正确连接到Kaggle：!kaggledatasetslist从Kaggle下载任何比赛数据：!kagglecompetitionsdownload-theccompetitive-data-science-predict-future-salesKaggle数据将被下载和上传在Colab中加载如下：ReadingafilefromGoogleDriveColab还提供了从GoogleDrive读取数据的功能。导入包：importglobimportpandasaspfromgoogle.colabimportdriveMountGoogleDrive：drive.mount('/gdrive')这一步需要填写GoogleDrive的授权码：授权码输入框点击链接生成授权码ReadCSVfilefromGoogleDrivefile_path=glob.glob("/gdrive/MyDrive/***.csv")forfileinfile_path:df=pd.read_csv(file)print(df)设置运行时硬件加速器为GPUGoogleColab提供免费的GPU硬件加速器云服务。在需要同时处理多个计算的机器学习和深度学习中，高性能GPU价格昂贵但很重要。GPU通过并行化提供卓越的性能，在一次调用中启动数百万个线程。GPU的性能通常优于CPU，尽管与CPU相比它们的时钟速度较低且缺乏多核管理功能。(1)在Colab中设置GPU硬件加速器。设置步骤如下：选择Runtime→Changeruntimetype，在弹窗中选择“GPU”（2）在Colab中查看GPU的详细信息导入重要包：importtensorflowastffromtensorflow.python.clientimportdevice_lib查看GPU加速器tf.test.gpu_device_name()检查用于GPU的硬件：device_lib.list_local_devices()(3)使用GPU的代码示例在未选择运行时GPU时检查可用GPU的数量，将其设置为"None"。importtensorflowastfno_of_gpu=len(tf.config.experimental.list_physical_devices('GPU'))print("TotalGPUS:",no_of_gpu)硬件加速器为None，所以GPU个数的值为0。设置运行时硬件加速器为GPU：importtensorflowastfno_of_gpu=len(tf.config.experimental.list_physical_devices('GPU'))print("TotalGPUS:",no_of_gpu)硬件加速器为GPU，因此GPU个数为1。执行tensorGPU上的乘法：try:withtf.device('/device:GPU:1'):tensor1=tf.constant([[1.0,2.0,3.0],[4.0,5.0,6.0]])tensor2=tf.constant([[1.0,2.0],[3.0,4.0],[5.0,6.0]])result=tf.matmul(tensor1,tensor2)print(result)exceptRuntimeErrorasexception:print(exception)张量乘法结果。复制GitHubrepo到GoogleDriveGitHubrepo代码可以复制并存储到GoogleDrive，具体步骤如下：mountGoogleDrivefromgoogle.colabimportdrivedrive.mount('/content/gdrive')到Googledrive，创建目录“project”.%cdgdrive/MyDrive/mkdirproject%cdproject/克隆GitHub存储库，例如：!gitclonehttps://github.com/saniyaparveez/youtube_video_type_prediction.git检查克隆的项目：!lsColabMagicColab提供了许多有趣的技巧，包括几个可以执行快速操作的命令，这些命令通常以%为前缀。(1)Colabmagiccommandlist%lsmagic(2)Localdirectory%ldir(3)GetNotebookhistory%history(4)CPUtime%time(5)系统运行了多长时间？!uptime(6)显示available和usedmemory!free-hprint("-"*100)(7)显示CPU产品规格!lscpuprint("-"*70)(8)列出所有正在运行的虚拟机进程%%shecho"ListallrunningVMprocesses."ps-efecho"Done"(9)在HTML中嵌入文本%%html(10)设计HTML格式#@titlePersonalDetails#@markdownInformation.Name='Peter'#@param{type:"string"}Age=25#@param{type:"slider",min:1,max:100}zip=1234#@param{type:"number"}Date='2020-01-26'#@param{type:"date"}性别="男"#@param['男','女','其他']#@markdown---print("提交表单")print(string_type,slider_value,number,date,pick_me)print("已提交")在GoogleColab中生成HTML。单元格执行输出绘图GoogleColab也可用于数据可视化。以下代码和图形显示了GoogleColab绘制了多个多项式Y=X3+X2+X。x=np.arange(-10,10)y=np.power(x,3)y1=np.power(x,3)+np.power(x,2)+xplt.scatter(x,y1,c="red")plt.scatter(x,y)以下代码和图用于生成热图：importmatplotlib.pyplotaspltimportnumpyasnpimportseabornassnsnsnslength=10data=5+np.random.randn(length,length)data+=np.arange(length)data+=np.reshape(np.arange(length),(length,1))sns.heatmap(data)plt.show()GoogleColab中的TPUGoogleColab使用TPU（张量处理单元）在Tensorflow图上进行加速。TPU是Google开发的AI加速器专用集成电路(ASIC)，专为神经网络机器设计。TPU具有出色的teraflop配置、浮点性能等。每个TPU每秒能够进行180万亿次浮点运算（180teraflops），并具有64GB的高带宽内存。(1)在Colab中设置TPU在GoogleColab中设置TPU的步骤如下：RuntimeMenu→ChangeRuntime选择TPUHardwareAccelerator(2)确认在TPUHardwareAccelerator上运行这需要TensorFlow包。下面的代码和实现可以确认Colab是否设置了TPU加速器：exceptValueError:print('Exception')如果TPU没有设置成功，代码会报错。结论GoogleColab是一个Jupyternotebook环境，用于通过执行基于Python的代码来构建机器学习或深度学习模型。GoogleColab完全免费（专业版除外），并提供GPU和TPU硬件加速器，易于使用和共享。本文列举了GoogleColab的使用技巧，希望能帮助大家更好的利用GoogleColab资源。资源：Googlecolab实现：https://colab.research.google.com/drive/1ymIYzFg4Q7iBjnTut31aBqPHgOpkjHYD?usp=sharingGithub仓库：https://github.com/towardsai/tutorials/tree/master/google_colab_tutorial原文翻译机器之心》，微信公众号“机器之心（id：almosthuman2014）”]点此查看作者更多好文
