两个免费深度学习计算平台: Google Colaboratory 和 Kaggle

在这两个平台中，任何人都可以通过浏览器编写和执行任意 Python 代码。它尤其适合机器学习、数据分析和教育目的。从技术上说，两者都是一种Jupyter 笔记本服务，所在环境就是python的解释器，也可以在命令前添加符号!来运行bash命令（Linux），而且都支持自动补全功能。用户无需进行设置，就可以直接使用，同时还能获得 GPU 等计算资源的免费使用权限（时长上是受限制的）。（Jupyter在这里就不介绍了，就是一种结合记录笔记功能的实时命令行吧）

假设你已经具有合法访问国外某些学习资源的条件，否则可以直接跳到Kaggle的介绍

先放一张Colab的图（暗色主题）

Colab中包含了很多常用的工具和运行环境，基本上不需要用户自己安装（也可以使用apt和pip等管理工具安装）。直接键入的命令实在python解释器中运行的，如果要在bash中运行，需要在命令前加感叹号!，需要注意的是，cd命令要想生效的话，需要在前面加%而不是!。 看一下GPU设备，每次连接可能会变。

Colab可以在文件系统中挂载Google Drive，从而在代码中直接使用，而创建的notebook也直接保存在Google Drive中。通过服务器操作造成的云盘文件的改变会直接在Google Drive中体现，反之也是这样。比如云盘中的压缩文件可以直接在Colab中解压到云盘中，链接可以直接通过wget下载到云盘中。不过虚拟机上挂载的文件和Google Drive网页上体现的文件的同步可能需要一点时间，不会特别快。 比Kaggle方便的是，Colab的文件更方便管理，点击文件夹或文件右边的三个点，就可以轻松从本地上传文件或者下载文件到本地，而且目录中的文件可以直接双击进行编辑或者预览。

在Colab中，你可以选择不同的设备运行你的代码，默认是CPU，还可以选择GPU或者TPU。

1.所使用的虚拟机资源在会话关闭后自动释放，也就是说在虚拟机中下载的文件，编写的代码都会消失（Google Drive中的除外）。 2.挂载Google Drive之后，在Google Drive中的文件操作不是一般的慢，是相当的慢，比如解压，移动，复制等等。 3.资源有限，简单说就是：因为是免费的，不可能让你用那么爽（下面是官方解释）。

Kaggle的方便之处在于在国内也可以访问，文件系统更快，但是上传下载文件比较麻烦，而且界面是英文的。

先放一张图

在Kaggle中，新建notebook时可以选择数据集，就省去了下载或者上传数据的过程。可以选择两种运行模式：脚本文件或者notebook（创建之后也可以修改） 使用GPU加速需要先验证个人手机号，就在右侧选择Accelerator的位置进行验证，无奈本人一开始光去找GPU这个字眼了。。。。

点击File里面有Upload和Download，这个应该只是针对notebook的，另外还有数据集的上传，但是我没有上传成功过，上传必死机（整个浏览器都很卡）。在侧边栏的文件目录中也无法上传下载，也无法对文件进行编辑，只能预览。所以。。。体验很不友好，所以本人就只好借助了GitHub进行文件的传送了。

在个人账户中可以看到剩余资源 虽然是每周30个小时的GPU时间，但是无奈的是，每个会话只能持续9个小时（第一次使用不知道，训练了30个epochs后，会话关闭了，只能刷新，checkpoint都没有了，哀！） 当然和Colab一样，想要用的舒服，掏钱就行，于是有了Google Cloud，比国内一些云服务要便宜好像。

总的来说，两个平台对于初学者而言还是很友好的，环境也不用配置，一台免费的带有GPU加速的Linux服务器就摆在你面前，可以进行很多实验和测试，不过对于专业人士来说，还是乖乖掏钱吧。