今天突然看到一篇推文，里面讲解了如何薅资本主义羊毛，即如何免费使用Google免费提供的GPU使用权。
可以免费使用的方式就是通过Google Colab，全名Colaboratory。我们可以用它来提高Python技能，也可以用Keras、TensorFlow、PyTorch、OpenCV等等流行的深度学习库来练习开发深度学习的应用。
现在我们介绍如何免费的使用这个非常非常给力的应用！！！
一 项目建立与配置
（1）在Google Drive上创建文件夹：这项功能的使用主要是通过Google Drive，首先需要在Google Drive里面创建新的文件夹，因为我们所有的操作都是通过Google Drive文件的方式进行的，这里我们创建了一个名为gpu的文件夹，然后打开文件夹；
（2）创建新的Colaboratory：右键更多选择Colaboratory， 如果更多没有的话，可以点击关联更多应用搜索添加即可！
并且这里可以随意修改文件名
（3）设置后端Python版本和免费的GPU使用：然后就可以进行代码编写了~~~
二 授权与挂载
（4）当完成基本的文件建立和配置后，就需要先运行下面这些代码，来安装必要的库、执行授权：
!apt-get install -y -qq software-properties-common python-software-properties module-init-tools
!add-apt-repository -y ppa:alessandro-strada/ppa 2>&1 > /dev/null
!apt-get update -qq 2>&1 > /dev/null
!apt-get -y install -qq google-drive-ocamlfuse fuse
from google.colab import auth
auth.authenticate_user()
from oauth2client.client import GoogleCredentials
creds = GoogleCredentials.get_application_default()
import getpass
!google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret} < /dev/null 2>&1 | grep URL
vcode = getpass.getpass()
!echo {vcode} | google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret}
点击运行可以看到如下结果：此时，点击链接地址，获取验证码。
点击链接地址，获取验证码。
提示成功！
（5）授权完成后，就可以挂载Google Drive了
!mkdir -p drive
!google-drive-ocamlfuse drive
三 测试阶段
我们使用安装Keras中的测试样例代码进行效果的测试：
# -*- coding: utf-8 -*- '''Trains a simple convnet on the MNIST dataset.
Gets to 99.25% test accuracy after 12 epochs
(there is still a lot of margin for parameter tuning).
16 seconds per epoch on a GRID K520 GPU.
''' from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K batch_size = 128
num_classes = 10
epochs = 12 # input image dimensions
img_rows, img_cols = 28, 28 # the data, shuffled and split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data() if K.image_data_format() == 'channels_first':
x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
input_shape = (1, img_rows, img_cols)
else:
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
input_shape = (img_rows, img_cols, 1) x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples') # convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes) model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
activation='relu',
input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax')) model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),
metrics=['accuracy']) model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])
这里使用Google GPU的效率每个Epoch大概需要11s左右即可完成
而我们使用实验室的工作站
每个率每个Epoch大概需要130s+完成
四 相关命令
（1）查看是否使用GPU：
import tensorflow as tf
tf.test.gpu_device_name()
（2）在使用哪个GPU：
from tensorflow.python.client import device_lib
device_lib.list_local_devices()
（3）RAM大小：
!cat /proc/meminfo
当然Google的使用需要自备*工具！
原文链接：https://medium.com/deep-learning-turkey/google-colab-free-gpu-tutorial-e113627b9f5d