使用kaggle GPU跑自己的模型

最近想训练一个模型，奈何自己电脑的GPU太拉胯根本带不动，用cpu跑跑一整天才跑完一个epoch，真的心累，于是乎，我把目光投向了云GPU。然后kaggle的云GPU瞬间吸引了我的目光，好家伙，不要钱还好操作，这波羊毛难道不薅？！冲冲冲！！！

kaggle官网：地址

（一）注册

虽说薅羊毛很快乐，但是刚开始薅的时候还是要花点儿功夫的，注册的时候我就折腾了一会儿。
1.点击右上角“Register”注册
2.选择邮箱
3.人机验证
这里一直让我填写验证码：Captcha must be filled out。我死活都刷不出验证，根本就没有让我填验证码的地方。于是我参考了这篇博客：kaggle注册方法

4.填写验证码
这时候就能刷新出来人机验证了，人机验证之后会向你发送验证码，注意自己邮箱接收的邮件。填写完验证码就注册成功了，然后就可以登录kaggle了。

（二）创建nootbook

登录进去之后就是你的主页，点击create来创建自己的nootbook：

创建好之后就是这样，可以给你的notebook取个名字：

（三）上传数据集

因为我想用自己的数据集来训练，所以需要本地上传自己的数据集。当然也可以使用kaggle上的数据集。
1.单击右上方的Add data

这时候出现的界面显示你可以上传一个dataset或者添加kaggle上的dataset

2.上传自己的数据集
点击upload a dataset，为你的dataset取个名字，然后选择browse files上传文件。最好将文件压缩之后上传，这样比较快。上传压缩包后kaggle会自动解压。

上传完成之后点击Create

这时候出现这个界面，这会儿正在处理你的数据集，不要点击别的地方，不然小心前功尽弃。

3.查看自己的数据集
在Data的Input里面可以查看到自己上传的数据集，kaggle已经解压好了：

（四）编写代码开始训练

我是本地写好了代码，原本我想省事儿直接将我本地的python文件上传上去运行，但是由于文件中的路径不符合文件在kaggle上的路径，而且一旦上传了文件就无法在kaggle上进行修改了，所以我折腾了几次放弃了，选择在notebook中重新写代码。
附：有的博文讲到可以通过git将自己的代码上传到github上，然后gitclone可以运行自己的代码，但是这个方法我没有研究。想通过这个方法运行自己代码的可以研究研究。

1.在notebook里编写代码
为了省事儿，我直接把写好的python代码复制粘贴到notebook中。如果你也先这样操作，注意粘贴过去的代码中的，原本从本地导入的包，这时候就不要出现了。比如我这里的：在本地是从nets文件夹下的unet文件中导入UNet类，像这种语句就不要出现了，直接注释就成。

这里多说一嘴，如果你要是粘代码去运行，注意按自己代码的执行顺序粘贴，这样你可以直接run all去执行cell中的代码，如果不按顺序那你单独逐个执行cell也行。
2.配置运行环境
在settings里配置环境：

如果想要使用GPU加速的话，在Accelerator选择GPU。如果是第一次用的话，会出不来这个选项，需要你手机号验证，然后按照它的提示按步骤验证一下即可。

3.运行
写好代码配好环境后，单击run就可以运行，单个符号的是run current cell，双符号的是run all
在下面的console里可以看到运行输出结果

可以查看设备情况

4.离线训练
参考文章：地址
如果训练模型需要很久，这时候就要后台跑了，并且要保存训练出来的模型。
点击右上角的Save Version,给version取个名，注意这里底下的要选择Save & Run All（不过它默认选项就是这个）
在左下角的Advanced Settings设置Version，按需选择：

之后点击save保存。
这时候左下角的活动就会出现各个的保存：

5.注意
1）每个账号每周只有36h的GPU加速时间
2）有的参考文章说只能连续跑9h，这个我没有验证，我开完训练之后就去睡觉了，早上的时候项目运行确实中断了，提示说cannot fetch，我不知道是这个只能连续跑9h的原因，还是我们学校断网的原因。
3）有的参考文章说如果选择GPU加速连续运行的时间更短，这个我也没有验证。

（五）查看输出结果

打开之前创建的notebook，就可以查看相关信息了。

在data里可以看到训练的输出

（六）下载输出结果

我想要把训练的权值文件下载下来，可以直接点击权值文件并下载，也可以下载整个文件夹，但是下载整个文件夹会很慢，参考这篇博客：地址
对输出文件进行压缩，然后下载

（七）总结

不得不说，kaggle真的好用。接下来有空准备研究怎么使用git/gitclone运行写好的代码。
谢谢kaggle！