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：
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
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
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。
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
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：
- 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
- 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：
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
如上图，点击Connect more apps,搜索colab
点击Connect，然后再回去刚才的菜单看，
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)：
你甚至还可以用TPU呢
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.
