colab

1.首先需要一个谷歌账号

• 注册的时候可能会遇到号码无法进行验证的情况
  
• 因为Google现在不怎么支持中文，所以我们需要把谷歌的英文上移，同时使用英文并且删除中文，只保留英文语言。

2.查看基本配置

• 查看pytorch的版本、cuda是否可用
• 查看需要的工具版本

  import torch
  print(torch.__version__)

  print(torch.cuda.is_available)

3.挂载

因为colab只是一个远程的、可以无偿给我们提供GPU支持的主机，而不是本地的存储支持。所以我们需要把我们要运行的代码（谷歌云盘）挂载到远程主机上。

• 挂载远程主机

  from google.colab import drive
  drive.mount("/content/drive)

• 这一步我们需要登录谷歌账号复制链接
  
• 更改运行目录
• 因为程序的运行需要在相同的目录下才能相互使用和运行，所以需要把要运行的程序放到同一个目录下。在这一步最好都运行一次，有时候看着是在一个目录下，但事实上在不同的地方。
  

  4.同级文件调用

  当我们在运行一个程序时，有时候需要调用模型模块儿来进行训练，我们只在谷歌云盘上更改后缀，单纯地把.ipynb文件更改成.py文件，从表面上看确实已经成为python文件了。但是事实上colab只能更改.ipynb文件的内容，所以更改后的文件仍然是.ipynb文件。

  要想把.ipynb文件真正变成.py文件，可以先把文件下载到本地，在本地上更改后缀，然后在挂到谷歌云盘当中，这样就可以调用了。

  5.将kaggle的数据集下载到colab上使用

  kaggle上有很多竞赛数据集，但是kaggle的GPU使用时间是有限的，但是colab没有时间限制。如果从本地上传就很慢，所以我们可以把kaggle上的数据集传到（下载）到colab上去使用。

• 首先需要一个kaggle账号
• 下载并更新kaggle

  !pip install kaggle

  !pip install --upgrade --force-reinstall --no-deps kaggle

• 进入kaggle，进入你的账号信息
• 往下拖，在API的位置有个Create New API Token，点击后会自动下载一个json文件，打开会出现username和key信息。
  
  
• 输入以下代码,把对应的username和key填入即可

  import json
  token = {"username":"xxxxx","key":"xxxxx"}
  with open('/content/kaggle.json', 'w') as file:
    json.dump(token, file)

  *然后再依次输入一下代码

  !mkdir -p ~/.kaggle

  !cp /content/kaggle.json ~/.kaggle/

  !chmod 600 ~/.kaggle/kaggle.json

  !kaggle config set -n path -v /content

• 最后从kaggle上找出自己的数据集,点击Copy API command后进入colab下载即可。
  
• 我这里找了个比较小的数据集，下载速度还可以。我还测试过一个大的数据集，下载速度差不多可以达到90MB/s
  

  6.模型测试【resnet101】+【CIFAR10】

• 使用GPU
  
  

  import os
  os.environ['CUDA_VISIBLE_DEVICES'] = '0'

• 模型测试