本文经AI新媒体量子位（公众号ID：QbitAI）授权转载，转载请联系出处。有免费的新GPU资源。这些收益来自一家名为Paperspace的云计算公司。他们提供了一个叫做Gradient的服务：每个人都可以使用云端GPU直接运行JupyterNotebook，无需付费。系统预装了PyTorch、TensorFlow、Keras等众多主流机器学习框架，使用起来几乎没有任何障碍。训练、推理、部署一应俱全，你也可以公开分享自己的项目。这个振奋人心的消息在Reddit上获得了400多人的关注。有人说这个工具可以解决Colab的很多问题。举个例子：Colab每次关闭都需要重装，但Notebook一直可以用。(@dkobran)一键运行，一键训练，一键部署只需用你的GitHub账号注册Paperspace，即可进入Gradient服务页面：如开头所说，运行JupyterNotebook，即可训练模型，你也可以部署。运行项目这部分官方提供了很多样例项目，涵盖了各种主流框架，你可以从中选择一个项目：然后选择一个免费的GPU资源：选择好之后，点击“CreateNotebook”。创建后，系统自动开始运行该项目。当然，你可以随时按停止，也可以随时继续。在免费服务中，每次运行最多6小时，会自动关机，但没有次数限制，坏了还可以继续运行。目前免费的计算资源有这些：另外，付费的GPU资源也不是贵的离谱：其实跑一个项目不一定需要多大的算力。但是别忘了，Gradient也支持训练。训练模型只需要用自己的Github账号授权，就可以直接使用那里的repo。而且Gradient收集了很多公开的数据集，也可以直接用在自己的项目中。部署算法按照官网的介绍，点击pushtodeploy按钮，即可将算法一键部署为API，直接使用即可。目前已经实现的功能如下：·与TensorFlow集成，但也可以轻松扩展支持其他模型和数据。·有多种GPU和CPU可供部署。·支持多实例部署，可自动均衡负载。·每个部署都有自己专用的安全端点URL。·可以通过GradientCLI、WebUI/API或您的自定义应用程序进行访问。为什么不使用Colab？这个令人心碎的问题的高分答案(@dkobran)在这里：有几个原因。一种是Colab使用GoogleDrive，方便但速度慢。例如，训练集通常包含大量小文件，尤其是图像数据集。为了提取这些数据，Colab一点一点地爬取。这对于像MNIST这样的小数据集还可以，适合做一些好玩的项目；但是仅仅训练更专业的模型和做更多有趣的研究是不够的。第二个是Notebook是完全持久化的。如果您使用Colab，则每次打开Notebook时都必须重新安装所有内容。三是Colab实例在运行时可能会关闭，之前的工作会丢失。而Gradient可以保证运行整个session。此外，Gradient支持在相同环境下增加更多存储，增加高端专用GPU。也可以训练一个复杂的模型，比如训练一两天，数据集1TB的模型。还可以一键部署，将模型直接变成API，这是Colab做不到的。这里还提供了大量的ML模板，无论是TensorFlow、PyTorch、MXNet、Chainer还是CNTK制作的，你都可以找到。许多公共数据集也包含在系统中，可以直接在项目中使用。这或许是官方的回答，但确实击中了很多网友柔软的心：好回答。关闭Colab是有史以来最烦人的事情。(@kindnesd99)如果一个目录下的文件太多，Colab很容易超时，对图像工作太不友好了。(@zalamandagora)Colab甚至没有到达超时步骤，它只是无法读取并死于类似OSError5的错误。(@Exepony)所以，试一试吧。渐变传送门：https://www.paperspace.com/console/gradient
