mxnet基础到提高(49)-使用免费的云jupyter

强大而免费的GOOGLE 云jupyter notebook
https://colab.research.google.com/notebooks/intro.ipynb#recent=true
什么是 Colaboratory？
借助 Colaboratory（简称 Colab），您可在浏览器中编写和执行 Python 代码，并且：

无需任何配置
免费使用 GPU
轻松共享
无论您是一名学生、数据科学家还是 AI 研究员，Colab 都能够帮助您更轻松地完成工作。您可以观看 Colab 简介了解详情，或查看下面的入门指南！

使用入门
您正在阅读的文档并非静态网页，而是一个允许您编写和执行代码的交互式环境，称为 Colab 笔记本。

例如，以下代码单元格包含一个简短的 Python 脚本，该脚本会计算值、将其存储在变量中并输出结果：

seconds_in_a_day = 24 * 60 * 60
seconds_in_a_day
86400

要执行上述单元格中的代码，请点击选择它，然后按代码左侧的“播放”按钮，或使用键盘快捷键“Command/Ctrl+Enter”。要修改代码，只需点击单元格，然后开始修改。

您在某个单元格中定义的变量之后可用在其他单元格中：

seconds_in_a_week = 7 * seconds_in_a_day
seconds_in_a_week
604800

对于 Colab 笔记本，您可以将可执行代码、富文本以及图像、HTML、LaTeX 等内容合入 1 个文档中。当您创建自己的 Colab 笔记本时，系统会将这些笔记本存储在您的 Google 云端硬盘帐号名下。您可以轻松地将 Colab 笔记本共享给同事或好友，允许他们评论甚至修改笔记本。要了解详情，请参阅 Colab 概览。要创建新的 Colab 笔记本，您可以使用上方的“文件”菜单，也可以使用以下链接：创建新的 Colab 笔记本。

Colab 笔记本是由 Colab 托管的 Jupyter 笔记本。如需详细了解 Jupyter 项目，请访问 jupyter.org。

数据科学
借助 Colab，您可以充分利用常用 Python 库的强大功能来分析和可视化数据。下方的代码单元格使用 NumPy 生成一些随机数据，并使用 Matplotlib 可视化这些数据。要修改代码，只需点击单元格，然后开始修改。

import numpy as np
from matplotlib import pyplot as pltys = 200 + np.random.randn(100)
x = [x for x in range(len(ys))]plt.plot(x, ys, '-')
plt.fill_between(x, ys, 195, where=(ys > 195), facecolor='g', alpha=0.6)plt.title("Sample Visualization")

您可将自己的数据导入 Colab 笔记本中，支持的数据来源有：Google 云端硬盘帐号（包括电子表格）、GitHub 以及其他很多来源。要详细了解如何导入数据及将 Colab 用于数据科学领域，请访问下方处理数据下的链接。

机器学习
借助 Colab，您只需使用几行代码，即可导入图像数据集、用图像数据集训练图像分类器，以及评估模型。Colab 笔记本会在 Google 的云服务器中执行代码，也就是说，无论您所用机器的功能如何，您都可以利用 Google 硬件（包括 GPU 和 TPU）的强大性能。只要有个浏览器即可。

Colab 在机器学习社区内得到了广泛应用，应用示例包括：

TensorFlow 使用入门
开发和训练神经网络
使用 TPU 进行实验
推广 AI 研究
创建教程
要查看演示机器学习应用的示例 Colab 笔记本，请查看下方的机器学习示例。

更多资源
在 Colab 中使用笔记本
Colaboratory 概览
Markdown 指南
导入库和安装依赖项
在 GitHub 中保存和加载笔记本
互动表单
互动微件
New在 Colab 中使用 TensorFlow 2

处理数据
加载数据：云端硬盘、表格和 Google Cloud Storage
图表：可视化数据
BigQuery 使用入门
机器学习速成课程
以下是 Google 在线机器学习课程中的部分笔记本。请查看完整课程网站了解详情。

Pandas 简介
Tensorflow 概念
使用 TensorFlow 的起始步骤
神经网络简介
稀疏数据和嵌入简介

使用加速硬件
将 TensorFlow 与 GPU 配合使用
将 TensorFlow 与 TPU 配合使用

机器学习示例
如需查看 Colaboratory 能够实现的互动机器学习分析的端到端示例，请参阅这些使用 TensorFlow Hub 中的模型的教程。

一些精选示例：

重新训练图像分类器：基于预训练的图像分类器，构建一个分辨花朵的 Keras 模型。
文本分类：将 IMDB 影评分类为“褒义”或“贬义”。
风格迁移：使用深度学习在图像之间迁移风格。
Multilingual Universal Sentence Encoder Q&A：使用机器学习模型回答来自 SQuAD 数据集中的问题。
视频插帧：预测视频第一帧和最后一帧之间有些什么。
最重要的是下面这种安装pip包的方式

!pip install mxnet

mxnet基础到提高(49)-使用免费的云jupyter相关推荐

mxnet基础到提高(51)-Activation激活函数
mxnet.ndarray.Activation(data=None, act_type=_Null, out=None, name=None, **kwargs) Applies an activa ...
mxnet基础到提高(48)-ones和ones_like
返回全1元素矩阵 mxnet.ndarray.ones(shape, ctx=None, dtype=None, **kwargs)[source] Returns a new array fille ...
mxnet基础到提高(46)-ndarray.zeros,CSRNDArray稀疏矩阵
mxnet.ndarray.zeros(shape, ctx=None, dtype=None, stype=None, **kwargs)[source] 返回一个新的array数组,指定shape ...
mxnet基础到提高(44)-ndarray.arange创建行向量
mxnet.ndarray.arange(start, stop=None, step=1.0, repeat=1, infer_range=None, ctx=None, dtype=<cla ...
mxnet基础到提高(43)-编译安装
因为pip方式安装,不能安装c++接口,此外,此方式安装的包,是使用默认参数编译的,很多运行环境要求使用指定参数编译,比如,不支持GPU,不支持SSE,还有嵌入式环境或上网本等低档设备以及端设备运行. ...
mxnet基础到提高(40)-ndarray之运算(1)
# -*- coding: utf-8 -*- """ Spyder EditorThis is a temporary script file. "" ...
mxnet基础到提高(38)-自动梯度计算
from mxnet import nd from mxnet import autograd import math x=nd.array([[10,20],[1,2]]) x.attach_gra ...
mxnet基础到提高(36)-单层神经网络
构造一个4个输出的单层网络, import mxnet.ndarray as nd from mxnet.gluon import nnlayer1=nn.Dense(4)#权重默认为平均分布的[-0 ...
mxnet基础到提高(35)-ndarray
2维数组,矩阵 import mxnet.ndarray as nd a=nd.array(((1,2),(3,4))) print(a) [[ 1. 2.] [ 3. 4.]] <NDArra ...

mxnet基础到提高(49)-使用免费的云jupyter

mxnet基础到提高(49)-使用免费的云jupyter相关推荐

最新文章

热门文章