https://www.zhongxiaoping.cn/2018/12/01/%E4%BD%BF%E7%94%A8colab%E5%B9%B3%E5%8F%B0%E8%BF%9B%E8%A1%8C%E8%AE%AD%E7%BB%83/

本文主要是讲述模型在借组谷歌硬盘使用colab实现后台运行,该平台运行速度能让人接受,并且操作也较为便捷.

一.简介

　　Google Colab 提供免费的 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，其默认的后台深度学习框架是TensorFlow, 除此之外，你也可以在上面安装并使用Keras、PyTorch、OpenCV等等流行的深度学习库来．
可以把Colab看成是一台带有GPU的Ubuntu虚拟机，只不过我们只能用命令行的方式操作它。你可以选择执行系统命令，亦或是直接编写运行python代码。（速度也是能让人接受,不会太慢,比本身用笔记本慢些,关键离线）
Colab最多连续使用12小时，超过时间系统会强制掐断正在运行的程序并收回占用的虚拟机。（好像再次连接到虚拟机后，虚拟机是被清空的状态，需要重新配置和安装库等等），下面这几步在每次启动的时候都要进行(右上角显示连接的时候),比较麻烦,免费的才是最贵的.,如图:
需要重连的时候

二.准备工作:

12345

1.谷歌账号;2.在谷歌硬盘当中兴建文件夹,本次命名为BERT;3.之后上传代码文件(预训练模型文件看情况是否上传,清空output文件夹--模型文件太大);4.修改-->笔记本设置:硬件加速器改为GPU5.点击右上部分的连接按钮,链接即可

三.安装必要的包和软件

123456789101112

!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 fusefrom google.colab import authauth.authenticate_user()from oauth2client.client import GoogleCredentialscreds = GoogleCredentials.get_application_default()import getpass!google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret} < /dev/null 2>&1 | grep URLvcode = getpass.getpass()!echo {vcode} | google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret}

　　如果出现:E: Package 'python-software-properties' has no installation candidate直接按回车即可(多次),如果运行中出现网址会提示输入验证码，点击程序给出的网址进行验证得到验证码,复制粘贴即可。

四.挂载Drive

　　其实完成前面的操作我们就可以在Colab中敲写代码或者输入一些系统命令了（linux下的一些基本命令），但是我们现在连接的虚拟机是和Google Drive脱离的，也就是说我们跑的程序无法使用谷歌云盘里的文件，这就非常受限制了。所以我们一般需要将谷歌云盘看作是虚拟机中的一个硬盘挂载，这样我们就可以使用虚拟机轻松访问谷歌云盘。
(1)清空上次缓存:

12

!mkdir -p drive!google-drive-ocamlfuse drive

(2)或者保留上次缓存

12

!mkdir -p drive!google-drive-ocamlfuse drive  -o nonempty

　　挂载完Google Drive，会在虚拟机里生成一个drive文件夹，直接将Google Drive当成是一块硬盘即可。访问drive文件夹里的文件，就是在访问你的Google Drive里的文件。

五.更改工作目录

　　Colab中cd命令是无效的，切换工作目录使用chdir函数。

12

import osos.chdir('drive/BERT')

　　执行以上代码，当前工作目录会进入到drive文件夹下的BERT文件夹下。我们再使用!ls命令会发现系统输出的是drive文件夹下的目录。
　　回到上级目录：os.chdir(‘../‘)

六.运行

12345678910111213

!python run_classifier.py \   --task_name=vega \    --do_train=true \ --do_eval=true \ --data_dir=data \ --vocab_file=gs://cloud-tpu-checkpoints/bert/uncased_L-24_H-1024_A-16/vocab.txt \ --bert_config_file=gs://cloud-tpu-checkpoints/bert/uncased_L-24_H-1024_A-16/bert_config.json \ --init_checkpoint=gs://cloud-tpu-checkpoints/bert/uncased_L-24_H-1024_A-16/bert_model.ckpt \ --max_seq_length=16 \ --train_batch_size=32 \ --learning_rate=2e-5 \ --num_train_epochs=8.0 \ --output_dir=output \

结果为:
colab上的测试结果

七.总结

　　（１）最好在本地编辑好,在本地能够运行在提交到云平台当中,要不然修改麻烦.并且效率低；
　　（２）云平台上热启动有时候可能会报错，这个要注意；
　　（３）如果出现不能保存模型结果,或者其他异常问题，最安全的方法就是删除对应colab对应的文件(以.ipynb为结尾的)之后重新安装,最后实在不行的话,全部代码和.ipynb全部删除,再次建立。因为一个colab对应的.pynib就相当于是个linux的虚拟机环境

八.参考文献

　　❋Google免费GPU使用教程
　　❋Google Colab——用谷歌免费GPU跑你的深度学习代码
　　❋使用Google免费GPU进行BERT模型fine-tuning
　　❋colab中文版