Вычислительная мощность графического процессора без Colab
Вычислительная мощность графического процессора без Colab

Каталог статей

Введение


Colab, полное название Colaboratory, представляет собой рабочую онлайн-платформу, предоставляемую Google. Она использует среду ноутбуков Jupyter и полностью работает в облаке. Основное внимание уделяется предоставлению бесплатной вычислительной мощности графического процессора K80 и выше.

Поскольку графический процессор подходит для приложений с интенсивными вычислениями, а ЦП — для приложений с интенсивным вводом-выводом, будет быстрее использовать графический процессор для большого количества матричных операций в глубоком обучении. Кроме того, Colab поддерживает PyTorch, TensorFlow, OpenCV и другие платформы. поэтому нет необходимости настраивать среду самостоятельно.

Однако, поскольку это онлайн-продукт Google, это означает, что вам нужно использовать магию для доступа к Google, и он подвержен отключению. Объем памяти небольшой, всего 15 ГБ на Google Диске. Причина прохождения обзора в том, что нам не разрешено обучать маглов. Вы можете связаться со мной лично после трех раундов подряд👀.

Colab также предоставляет платные услуги, включая версию Pro за 9,99 долларов в месяц и версию Pro+ за 49,99 долларов в месяц, что соответствует большей вычислительной мощности графического процессора. Google Диск также можно расширить за определенную плату.

Зарегистрировать облачный диск


доступhttps://www.google.com/intl/zh-CN/drive/,Войдите в свою учетную запись Google,Зайдите на Драйв.

Установить колаб


Создать новый коллаб


Создайте новый файл Colab:

Вставка информации для защиты от сканирования )БлогерCSDNадрес:https://wzlodq.blog.csdn.net/

Настройте графический процессор:

Посмотреть параметры графического процессора:

Язык кода:javascript
копировать
!/opt/bin/nvidia-smi

Все дело в удаче, на этот раз у меня Т4. o( ̄▽ ̄)o Обратитесь к сравнению графических процессоров от Zhihu:

Подключить облачный диск


Поскольку он находится в облаке, локальные данные необходимо загрузить на облачный диск, а затем Colab получит данные с облачного диска.

После входа в свою учетную запись вы можете увидеть файлы на Google Диске.

затем изGoogle DriveЗагруженные файлы и данные имеют правоColabГотов читать。

Вышеуказанное представляет собой графический метод работы, вы также можете загрузить его напрямую с помощью кода:

Язык кода:javascript
копировать
# загрузочный диск
from google.colab import drive
drive.mount('/content/drive/')

Нажмите здесь, чтобы загрузить файлы:

Скорость загрузки зависит от вашей магической силы. Например, после загрузки набора данных радужной оболочки глаза я вижу его синхронизированным в Colab.

тест


Большинство библиотек машинного обучения уже установлены, и нет необходимости настраивать среду. Приятно~. если неpipВсего один клик,Кроме того, блокнот Jupyter представляет собой среду Linux.,Вы можете использовать команды Linux,Потому что сервер облачных дисков находится во внешней сети,Поэтому загрузка данных из внешней сети также происходит очень быстро.

Теперь вы можете начать свой проект~

Нелегко быть оригинальным, пожалуйста, не перепечатывайте это.Объем трафика, который и без того был низким, ухудшился. ) Блогер首页:https://wzlodq.blog.csdn.net/ Вы здесь, почему бы вам не оставить несколько комментариев? Если статья для вас полезна, не забудьте нажать три раза ❤

boy illustration
RasaGpt — платформа чат-ботов на основе Rasa и LLM.
boy illustration
Nomic Embed: воспроизводимая модель внедрения SOTA с открытым исходным кодом.
boy illustration
Улучшение YOLOv8: EMA основана на эффективном многомасштабном внимании, основанном на межпространственном обучении, и эффект лучше, чем у ECA, CBAM и CA. Малые цели имеют очевидные преимущества | ICASSP2023
boy illustration
Урок 1 серии Libtorch: Тензорная библиотека Silky C++
boy illustration
Руководство по локальному развертыванию Stable Diffusion: подробные шаги и анализ распространенных проблем
boy illustration
Полностью автоматический инструмент для работы с видео в один клик: VideoLingo
boy illustration
Улучшения оптимизации RT-DETR: облегченные улучшения магистрали | Support Paddle облегченный rtdetr-r18, rtdetr-r34, rtdetr-r50, rtdet
boy illustration
Эксклюзивное оригинальное улучшение YOLOv8: собственная разработка SPPF | Деформируемое внимание с большим ядром (D-LKA Attention), большое ядро ​​​​свертки улучшает механизм внимания восприимчивых полей с различными функциями
boy illustration
Создано Datawhale: выпущено «Руководство по тонкой настройке развертывания большой модели GLM-4»!
boy illustration
7B превышает десятки миллиардов, aiXcoder-7B с открытым исходным кодом Пекинского университета — это самая мощная модель большого кода, лучший выбор для корпоративного развертывания.
boy illustration
Используйте модель Huggingface, чтобы заменить интерфейс внедрения OpenAI в китайской среде.
boy illustration
Оригинальные улучшения YOLOv8: несколько новых улучшений | Сохранение исходной информации — алгоритм отделяемой по глубине свертки (MDSConv) |
boy illustration
Второй пилот облачной разработки | Быстро поиграйте со средствами разработки на базе искусственного интеллекта
boy illustration
Бесшовная интеграция, мгновенный интеллект [1]: платформа больших моделей Dify-LLM, интеграция с нулевым кодированием и встраивание в сторонние системы, более 42 тысяч звезд, чтобы стать свидетелями эксклюзивных интеллектуальных решений.
boy illustration
Решенная Ошибка | Загрузка PyTorch медленная: TimeoutError: [Errno 110] При загрузке факела истекло время ожидания — Cat Head Tiger
boy illustration
Brother OCR, библиотека с открытым исходным кодом для Python, которая распознает коды проверки.
boy illustration
Новейшее подробное руководство по загрузке и использованию последней демонстрационной версии набора данных COCO.
boy illustration
Выпущен отчет о крупной модели финансовой отрасли за 2023 год | Полный текст включен в загрузку |
boy illustration
Обычные компьютеры также могут работать с большими моделями, и вы можете получить личного помощника с искусственным интеллектом за три шага | Руководство для начинающих по локальному развертыванию LLaMA-3
boy illustration
Одной статьи достаточно для анализа фактора транскрипции SCENIC на Python (4)
boy illustration
Бросая вызов ограничениям производительности небольших видеокарт, он научит вас запускать большие модели глубокого обучения с ограниченными ресурсами, а также предоставит полное руководство по оценке и эффективному использованию памяти графического процессора!
boy illustration
Команда Fudan NLP опубликовала 80-страничный обзор крупномасштабных модельных агентов, в котором в одной статье представлен обзор текущего состояния и будущего агентов ИИ.
boy illustration
[Эксклюзив] Вы должны знать о новой функции JetBrains 2024.1 «Полнострочное завершение кода», чтобы решить вашу путаницу!
boy illustration
Краткое изложение базовых знаний о регистрации изображений 1.0
boy illustration
Новейшее подробное руководство по установке и использованию библиотеки cv2 (OpenCV, opencv-python) в Python.
boy illustration
Легко создайте локальную базу знаний для крупных моделей на основе Ollama+AnythingLLM.
boy illustration
[Решено] ошибка установки conda. Среда решения: не удалось выполнить первоначальное зависание решения. Повторная попытка с помощью файла (графическое руководство).
boy illustration
Одна статья поможет вам понять RAG (Retrival Enhanced Generation) | Введение в концепцию и теорию + практику работы с кодом (включая исходный код).
boy illustration
Эволюция архитектуры шлюза облачной разработки
boy illustration
Docker и Kubernetes [Разработка контейнерных приложений с помощью Python]