推荐几个提供免费GPU计算资源的平台,助力你的AI之路

Posted by murufeng on July 31, 2019

1. Kaggle Kernel

首先需要说的那就是kaggle Kernel了,该平台提供免费的GPU训练资源。进入Kaggle 官网,点击kernel 便会出现如下界面: 在这里插入图片描述 然后点Kernel-> New Kernel:

然后出现两个选项, 是普通代码模式还是Jupyter Notebook 模式,我个人喜欢Jupyter Notebook 模式,点进去,创建了一个新的notebook,在Setting中打开GPU,便可以开始使用GPU进行训练了,如下图所示 在这里插入图片描述

2.1 AI Studio和飞桨(PaddlePaddle)

AI Studio和飞桨算是后起之秀,AI Studio是百度提供的一个针对AI学习者的在线一体化开发实训平台(https://aistudio.baidu.com/?fr=liangziwei)。

平台集合了AI教程, 深度学习样例工程, 各领域的经典数据集, 云端的运算及存储资源, 以及比赛平台和社区。你可以把AI Studio看成国产版的Kaggle。

和Kaggle类似,AI Studio也提供了GPU支持,但百度AI Studio在GPU上有一个很明显的优势。Kaggle采用的是Tesla K80的GPU, AI Studio采用的是Tesla V100的GPU,那么下表对比两款单精度浮点运算性能,就能感觉v100的优势了 在这里插入图片描述 明显在单精度浮点运算上,AI Studio提供的运行环境在计算性能上还是很有优势的。理论上训练速度可以提高近3倍左右。

2.2 飞桨

根据官网介绍,飞桨是百度推出的 “源于产业实践的开源深度学习平台”,致力于让深度学习技术的创新与应用更简单。 在这里插入图片描述

Paddle是Parallel Distributed Deep Learning的缩写,翻译过来是就是桨。和TensorFlow,Pytorch等框架一样,飞桨给开发者提供了很多常用的架构,也可以直接在包里直接加载常用的数据库,对于学习者来说,还是很方便的。

AI Studio实例测评:以数字识别项目为例2.1 AI Studio GPU和CPU性能对比。

为了测试AI Studio的性能,我用最经典的MNIST数据集,在LeNet 5模型上跑,对比在GPU和CPU下在AI Studio的的性能。同时我进行了一个不算严谨的测试,我用最经典的MNIST数据集,飞桨用的MNIST数据集是60000个训练数据,10000个测试数据,Kaggle的训练集数据42000,测试集数据28000。https://aiStudio.baidu.com/aiStudio/projectdetail/45293

以下是AI Studio的CPU和GPU测试性能对比 在这里插入图片描述

GPU提升效果为11倍,因为训练过程有验证测试,而且CPU配置也太高了,所以并未达到理论上的47x的加速,但这速度还不错。

AI Studio和Kaggle对比测试

测试环境:

  1. Kaggle Kernel.

测试kernel https://www.kaggle.com/orange90/mnist-with-lenet-5-test-run-time. Batch_size =50,训练5000轮,使用框架TensorFlow,CNN架构是LeNet-5

  1. AI Studio.

测试项目https://aiStudio.baidu.com/aiStudio/projectdetail/45293

Batch_size = 64,训练5000轮,使用框架飞桨, CNN架构是LeNet-5

以下是Kaggle的性能测试对比: 在这里插入图片描述

GPU提升效果为8倍,因为训练过程有验证测试,所以并未达到理论上的12.5x的加速。

由于架构的超参不一样,直接对比运行时间不太严谨,但从GPU提升速度的倍数上来说,AI Studio略胜一筹,况且AI Studio本来CPU就很高配了,所以理论上47x的加速可能还得打个折。

申请GPU算力 首先点进 https://aistudio.baidu.com/aistudio/questionnaire?activityid=539

接着填写个人信息

然后就静候佳音。通过运营人员核验后,用户的邮箱将收到运营人员发送的算力邀请码:一串32位数字。

通过上面链接能申请到48小时的算力卡(有效期1个月),并且可以分裂,送给别人(稍后送上我的分裂算力卡)

使用算力卡的方法很简单,在运行项目时选上GPU,就会开始消耗了。另外跑项目也可以赚算力卡 这个简直了,你不仅可以运行自己的深度学习代码,测试自己的项目,而且同时还会得到算力卡。每天跑一次就可以得到12小时算力卡(有效期2天),另外算力充电计划,就是连续5天有使用算力卡,就会额外送48小时(有效期7天)。但预感这么高成本的事情应该不会持续太久,建议早点使用。

3. Google Colaboratory

Colaboratory也提供了 Tesla K80 GPU。虽然比起1080Ti,性能逊色太多,但好歹比在本地用GPU跑好多了.

要使用Google Colaboratory,首先进入你的Google Drive 在这里插入图片描述 如上图,点击Connect more apps,搜索colab 在这里插入图片描述 点击Connect,然后再回去刚才的菜单看,

在这里插入图片描述 Colaboratory已经可以用了,点击它,会创建一个Jupyter Notebook.那么要怎么利用GPU呢?如图 修改(Edit)->笔记本设置(Notebook Setting):

在这里插入图片描述

你甚至还可以用TPU呢 在这里插入图片描述

如果不太熟悉的,可以点击这个链接 https://colab.research.google.com/,是个官方Notebook教程,有详细的讲解.