Google Colab - это действительно инновационный продукт для машинного обучения. Это позволяет машинным инженерам запускать ноутбуки и легко делиться ими с коллегами. Еще одно ключевое преимущество - доступ к графическим процессорам и TPU.
В этой статье мы выделим некоторые из советов и приемов, упомянутых во время саммита ТФ в этом году. В частности, эти советы помогут вам максимально эффективно использовать Google Colab.
10. Укажите версию TensorFlow.
Очень скоро версия TF по умолчанию в Colab будет TF 2. Это означает, что если у вас есть ноутбуки, работающие в TF 1, они, вероятно, выйдут из строя. Чтобы гарантировать, что ваш код не сломается, рекомендуется указывать версию TF во всех ваших блокнотах. Таким образом, если версия по умолчанию изменится, ваши записные книжки по-прежнему будут работать.
9. Используйте TensorBoard.
Google Colab по умолчанию поддерживает TensorBoard. Это отличный инструмент для визуализации производительности вашей модели. Используй это!
8. Обучайте модели TFLite на Colab.
При создании мобильных моделей машинного обучения вы можете воспользоваться ресурсами Colab для обучения своих моделей. Альтернативой этому является обучение вашей модели с использованием других дорогих облачных решений или на вашем ноутбуке, который может не иметь необходимой вычислительной мощности.
7. Используйте TPU.
Если вам нужна более мощная обработка для вашей модели, измените среду выполнения по умолчанию на TPU. Однако вам следует использовать TPU только тогда, когда они вам действительно нужны, потому что их доступность ограничена, учитывая их ресурсоемкость.
6. Используйте локальное время выполнения
В том случае, если у вас есть собственный мощный аппаратный ускоритель, то Colab позволяет к нему подключиться. Просто щелкните раскрывающийся список подключения и выберите желаемую среду выполнения.
5. Используйте блокнот Colab Scratchpad.
Иногда вы можете оказаться в ситуации, когда захотите быстро все проверить. Вместо создания новой записной книжки, которую вы не собираетесь сохранять на диске, вы можете использовать пустую записную книжку, которая не сохраняется на вашем диске.
4. Скопируйте данные в Colabs VM.
В интересах ускорения загрузки данных рекомендуется копировать файлы данных в виртуальную машину Colab, а не загружать их откуда-то еще.
3. Проверьте объем оперативной памяти и ограничения ресурсов.
Поскольку ресурсы Colab бесплатны, это означает, что они не гарантированы. Поэтому следите за использованием ОЗУ и диска, чтобы убедиться, что у вас не закончились ресурсы.
2. Закройте вкладки по завершении.
Закрытие вкладок по завершении гарантирует, что вы отключитесь от виртуальной машины и, следовательно, сэкономите ресурсы.
1. Используйте графические процессоры только при необходимости.
Поскольку на эти ресурсы действуют ограничения, сохраните использование графического процессора на тот момент, когда оно вам действительно понадобится. Однако, если вам нужно работать с Colab без ограничений бесплатной версии, вы можете проверить профессиональную версию.
Я надеюсь, что эти советы и рекомендации Colab для TensorFlow будут вам полезны.
Чтобы узнать больше о других новостях TensorFlow, появившихся на Саммите разработчиков, ознакомьтесь с отчетом о мероприятии Лоуренса Морони здесь:
И обзор Остина Кодры всего нового в TensorFlow Lite:
Примечание редактора: Heartbeat - это онлайн-публикация и сообщество, созданное авторами и посвященное предоставлению первоклассных образовательных ресурсов для специалистов по науке о данных, машинному обучению и глубокому обучению. Мы стремимся поддерживать и вдохновлять разработчиков и инженеров из всех слоев общества.
Независимая редакция, Heartbeat спонсируется и публикуется Comet, платформой MLOps, которая позволяет специалистам по обработке данных и группам машинного обучения отслеживать, сравнивать, объяснять и оптимизировать свои эксперименты. Мы платим участникам и не продаем рекламу.
Если вы хотите внести свой вклад, отправляйтесь на наш призыв к участникам. Вы также можете подписаться на наши еженедельные информационные бюллетени (Deep Learning Weekly и Comet Newsletter), присоединиться к нам в » «Slack и подписаться на Comet в Twitter и LinkedIn для получения ресурсов, событий и гораздо больше, что поможет вам быстрее и лучше строить модели машинного обучения.
