如何在免费云端运行 Python 深度学习框架？-红色石头的个人博客

先说一下哦，结尾有福利！你懂的～

热爱学习的你是否有过这样的经历：

想自己动手搭建神经网络，却不知选择哪种工具？
想配置深度学习框架 TensorFlow，却被复杂的配置步骤所困扰？
想使用 GPU 加速训练，却经费有限无法实现高配置？
······

试想一下，如果有个免费的在线云端平台，既可以不用安装 TensorFlow 直接使用，又可以实现 GPU 加速训练，那该是多好的一件事情。你没听错，这种好事确实存在！今天，红色石头就给大家放送一波福利，重磅介绍一个谷歌推出的免费的云端工具：Colaboratory。

我们先来看一下对 Colaboratory 的介绍：

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。

也就是说，Colaboratory 存储在 Google 云端硬盘中，我们可以在 Google 云端硬盘里直接编写 Jupyter Notebook，在线使用深度学习框架 TensorFlow 并训练我们的神经网络了。超炫！

1. Google 云端硬盘

首先，打开谷歌，使用邮箱登陆你的 Google 账号（没有帐号的使用邮箱注册一个就行）。

Google 硬盘真是良心啊，每个人都有 15 G 的免费空间可以使用。如果觉得空间不够的话可以升级，当然红色石头觉得 15 G 已经妥妥够了。

2. 关联 Colaboratory

进入 Google 云端硬盘之后，需要关联 Colaboratory。点击我的云端硬盘 -> 更多 -> 关联更多应用。我已经关联了 Colaboratory。

然后，搜索并找到 Colaboratory，然后关联。

当然，另一种关联方法是新建文件夹，对单个文件夹关联 Colaboratory。但是这样每次新建文件夹都需要重新关联一次，比较麻烦。直接对云端硬盘进行关联可以实现一劳永逸！

这样，Google 云端硬盘就完成了与 Colaboratory 的关联，我们就可以使用 Colaboratory 了。很简单是不是？

3. 创建 Colaboratory 笔记本

关联 Colaboratory 之后，新建文件夹（以 app 为例）。

然后进入 app 文件夹，空白处右键点击更多 -> Colaboratory，即可创建 Jupyter Notebook。

通过点击文件名实现重命名，例如重命名为 test.ipynb。

4. 使用 Colaboratory（重点）

首先是配置 Colaboratory，这一步非常重要也是非常强大的。点击修改 -> 笔记本设置。

在笔记本设置中，我们可以选择使用 Python 2 还是 Python 3。更重要的，可以选择使用 GPU 硬件加速。设置完毕后点击保存。

然后，我们就可以在 Jupyter Notebook 里任意写我们的代码和注释文档了。Colaboratory 本身就是一种数据分析工具，可将文字、代码和代码输出内容合并到一个协作文档中。对于 Jupyter Notebook 语法不太清楚的可以查阅以下教程：

Jupyter notebook入门教程（上）

Jupyter notebook入门教程（下）

下面重点介绍如何使用 Colaoratory 运行 TensorFlow 代码。下面的示例展示了两个矩阵相加的情况。

直接在 Jupyter Notebook 代码单元格中输入以下代码：

import tensorflow as tf
import numpy as np

with tf.Session():
 input1 = tf.constant(1.0, shape=[2, 3])
 input2 = tf.constant(np.reshape(np.arange(1.0, 7.0, dtype=np.float32), (2, 3)))
 output = tf.add(input1, input2)
 result = output.eval()

result

Shift + Enter 运行，即可输出内容：

array([[2., 3., 4.],
[5., 6., 7.]], dtype=float32)

Colaboratory 已经包含了很多已被广泛使用的库（例如 matplotlib），因而能够简化数据的可视化过程。

import matplotlib.pyplot as plt

x = np.arange(20)
y = [x_i + np.random.randn(1) for x_i in x]
a, b = np.polyfit(x, y, 1)
plt.plot(x, y, 'o', np.arange(20), a*np.arange(20)+b, '-');