آموزش استفاده از GPU رایگان Colab گوگل

می‌خوایم چیکار کنیم؟

توی این آموزش قراره یاد بگیرم که چطور برنامه‌های یادگیری عمیقمون رو روی GPUهای ابری رایگان سایت Colab گوگل اجرا کنیم.

اینجا مراحل کار رو برای PyTorch توضیح می‌دم، اگر با Tensorflow کار می‌کنید به شکل پبش‌فرض روی Colab نصب شده و تنها نیاز دارید Google Drive رو به Colab وصل کنید.

همین اول کار:

بیاید خیالتون رو راحت کنم! من تمامی سایت‌های رایگان (و غیر رایگانی که تست رایگان دادن) رو تست کردم و تنها گزینه‌ی معقول روی میز برای انجام محاسبات ابری با استفاده از GPU رایگان همین COLA‌B گوگل هست، امیداورم در آینده سرویس‌های رایگان بهتری معرفی بشن اما فعلا مجبوریم با همین کار کنیم.

همچین پیشنهاد می‌کنم فندق‌شکنتون فعال باشه، عالم و آدم ما رو تحریم کردن و بهتره کار رو به التماس نندازیم.

Colab چه امکاناتی داره؟

در Colab می‌تونیم نوت‌بوک‌های پایتون ۲ و ۳ بسازیم و کدهای پایتونمون رو اجرا کنیم،‌ طبق چیزهایی که خوندم Colab هربار امکان ۱۲ ساعت اجرای پیوسته‌ی کد تحت GPUهای Tesla K80 رو به رایگان در اختیار ما قرار می‌ده.

[شخصا هنوز به این محدودیت ۱۲ ساعته بر نخوردم و اگر در این زمینه مشکلی پیش اومد این نوشته رو به روز رسانی می‌کنم.]

Colab چی کم داره؟

Colab صرفا میاد و کدهای ما رو اجرا می‌کنه و هیچ حافظه‌ی دائمی برای ذخیره و بارگذاری دیتاست‌هامون نداریم، پس برای استفاده از Colab اولین کاری که لازمه انجام بدیم اینه که یک فضای ذخیره سازی ابری رو به Colab وصل کنیم.

مراحل کار:

به این آدرس که برید و وارد اکانت Googleتون بشید صفحه‌ی اول Colab میاد و چنین چیزی رو باید ببنید:

ما می‌خوایم یک NoteBook جدید ایجاد کنیم و از Python3 استفاده می‌کنم، پس روی NEW PYHTON3 NOTEBOOK کلیک می‌کنیم، Colab برای ما یک jupyter notebook جدید ایجاد می‌کنه٫

[اگر می‌خواید از Python2 استفاده کنید همینجا می‌تونید NEW PYTHON2 NOTEBOOK رو انتخاب کتید.]

قبل از هر کاری از منوی Edit گزینه‌ی Notebook setting رو انتخاب می‌کنیم و به Colab می‌گیم که می‌خواهیم از GPU استفاده کنیم:

[اینجا هم یه یجای دیگه بود که می‌تونستیم نسخه‌ی پایتونی که اجرا می‌کنیم رو تغییر بدیم.]

کار بعدی‌ای که انجام می‌دیم عوض کردن اسم NoteBookی که ساختیم هست:) از اون بالا:

اتصال Google Drive به Colab:

مقدمات کار رو انجام دادیم و الان وقتشه که اکانت Google Driveمون رو به این NoteBookی که درست کردیم وصل کنیم، دستورات زیر رو  وارد می‌کنیم و بعد با کلیک روی اون دکمه‌ی پلی مانند کدها رو اجرا می‌کنیم:

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

دستورات بالا که اجرا شدن از ما می خواهد وراد لینکی که داده بشیم و کد تایید رو ایجاد و وارد کنیم،‌ مراحل کار به شکل زیر است:

 

روی لینک کلیک می‌کنیم.

وارد اکانت Googleمون می‌شیم و به Colab دسترسی‌های لازم رو می‌دیم.

اجازه‌ی دسترسی رو که بدیم در صفحه‌ی بعد یک رمز تولید می‌شه اون رو کپی می‌کنیم.

رمزی که کپی کردیم رو وارد کرده و کلید Enter رو می‌زنیم

اگر همه‌چیز به خوبی پیش رفته باشه عبارت «Mounted at /content/drive» رو خواهید دید، مثل تصویر زیر:

بخوایم چک کنیم چه پوشه‌ها و فایل‌هایی رو داریم می‌تونیم از دستور !ls "/content/drive/My Drive" -a  استفاده کنیم:

اگر لیست فایل‌ها و پوشه‌های گوگل‌دایروتون رو دیدید به این معنی‌هست که اتصال Colab و گوگل‌درایو به درستری انجام شده.

تا اینجای کار:

ما یک نوت‌بوک جدید ایجاد کریدم و به Colab گفتیم که می‌خوایم پردازش‌های این Notebook  رو با GPU انجام بدیم، اگر از Tensorflow استفاده می‌کنید همینجا می‌تونید این آموزش رو ببنید! چون در ادامه قراره PyThorch رو نصب کنیم.

نصب PyTorch در Colab:

این کدها رو وارد می‌کنیم و بدون دردسر خاصی PyTorch باید نصب شه:

!pip3 install torch torchvision

و اگر بخوایم چک کنیم به GPU دسترسی داریم یا نه کدهای زیر رو اجرا می‌کنیم:

from __future__ import print_function
import torch

print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.device_count())
print(torch.cuda.get_device_name(0))

می‌بینید که به Tesla K80 دسترسی داریم.

 


نویسنده: محمد حسین سالاری.

موارد مشابه

۳ دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *