colab中python版本怎么查看 colab python |
您所在的位置:网站首页 › colabpython版本设置 › colab中python版本怎么查看 colab python |
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 查看GPU情况: ! /opt/bin/nvidia-smi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%ls “文件夹路径” %ls "sample_data"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()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-reinstalldevice 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)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()
|
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |