Google Colab - คู่มือฉบับย่อ

Google ค่อนข้างก้าวร้าวในการวิจัย AI หลายปีที่ผ่านมา Google ได้พัฒนา AI framework ที่เรียกว่าTensorFlow และเครื่องมือพัฒนาที่เรียกว่า Colaboratory. ปัจจุบัน TensorFlow เป็นแบบโอเพ่นซอร์สและตั้งแต่ปี 2017 Google ได้ทำให้ Colaboratory ฟรีสำหรับการใช้งานสาธารณะ Colaboratory ปัจจุบันเรียกว่า Google Colab หรือเรียกง่ายๆColab.

คุณสมบัติที่น่าสนใจอีกอย่างที่ Google มอบให้กับนักพัฒนาคือการใช้ GPU Colab รองรับ GPU และเป็นบริการฟรี เหตุผลในการเปิดให้ใช้งานฟรีสำหรับสาธารณะอาจทำให้ซอฟต์แวร์เป็นมาตรฐานในด้านวิชาการสำหรับการสอนแมชชีนเลิร์นนิงและวิทยาศาสตร์ข้อมูล นอกจากนี้ยังอาจมีมุมมองในระยะยาวในการสร้างฐานลูกค้าสำหรับ Google Cloud API ซึ่งขายตามการใช้งาน

ไม่ว่าจะด้วยเหตุผลใดก็ตามการเปิดตัว Colab ทำให้การเรียนรู้และการพัฒนาแอปพลิเคชันแมชชีนเลิร์นนิงง่ายขึ้น

ดังนั้นให้เราเริ่มต้นกับ Colab

หากคุณเคยใช้ Jupyterก่อนหน้านี้คุณจะเรียนรู้การใช้ Google Colab ได้อย่างรวดเร็ว เพื่อความแม่นยำ Colab คือสภาพแวดล้อมสมุดบันทึก Jupyter ฟรีที่ทำงานในระบบคลาวด์ทั้งหมด ที่สำคัญที่สุดคือไม่ต้องใช้การตั้งค่าและสมุดบันทึกที่คุณสร้างขึ้นสามารถแก้ไขได้พร้อมกันโดยสมาชิกในทีมของคุณเช่นเดียวกับวิธีที่คุณแก้ไขเอกสารใน Google เอกสาร Colab รองรับไลบรารีการเรียนรู้ของเครื่องยอดนิยมมากมายซึ่งสามารถโหลดลงในโน้ตบุ๊กของคุณได้อย่างง่ายดาย

Colab เสนออะไรให้คุณ?

ในฐานะโปรแกรมเมอร์คุณสามารถดำเนินการดังต่อไปนี้โดยใช้ Google Colab

เขียนและรันโค้ดใน Python
บันทึกรหัสของคุณที่รองรับสมการทางคณิตศาสตร์
สร้าง / อัปโหลด / แชร์สมุดบันทึก
นำเข้า / บันทึกสมุดบันทึกจาก / ไปยัง Google Drive
นำเข้า / เผยแพร่สมุดบันทึกจาก GitHub
นำเข้าชุดข้อมูลภายนอกเช่นจาก Kaggle
รวม PyTorch, TensorFlow, Keras, OpenCV
บริการคลาวด์ฟรีพร้อม GPU ฟรี

ในบทนี้คุณจะสร้างและเรียกใช้งานสมุดบันทึกเรื่องไม่สำคัญเครื่องแรกของคุณ ทำตามขั้นตอนที่ได้รับทุกที่ที่จำเป็น

Note - เนื่องจาก Colab ใช้ Google Drive ในการจัดเก็บโน้ตบุ๊กของคุณโดยปริยายโปรดตรวจสอบให้แน่ใจว่าคุณได้ลงชื่อเข้าใช้บัญชี Google Drive ของคุณก่อนดำเนินการต่อ

Step 1 - เปิด URL ต่อไปนี้ในเบราว์เซอร์ของคุณ - https://colab.research.google.com เบราว์เซอร์ของคุณจะแสดงหน้าจอต่อไปนี้ (สมมติว่าคุณลงชื่อเข้าใช้ Google Drive ของคุณ) -

Step 2 - คลิกที่ไฟล์ NEW PYTHON 3 NOTEBOOKที่ด้านล่างของหน้าจอ สมุดบันทึกใหม่จะเปิดขึ้นตามที่แสดงในหน้าจอด้านล่าง

อย่างที่คุณสังเกตเห็นว่าอินเทอร์เฟซของโน้ตบุ๊กนั้นค่อนข้างคล้ายกับอินเทอร์เฟซของ Jupyter มีหน้าต่างรหัสที่คุณจะต้องป้อนรหัส Python ของคุณ

การตั้งชื่อสมุดบันทึก

ตามค่าเริ่มต้นสมุดบันทึกจะใช้หลักการตั้งชื่อ UntitledXX.ipynb ในการเปลี่ยนชื่อสมุดบันทึกให้คลิกที่ชื่อนี้และพิมพ์ชื่อที่ต้องการในช่องแก้ไขดังที่แสดงไว้ที่นี่ -

เราจะเรียกสมุดบันทึกนี้ว่า MyFirstColabNotebook. พิมพ์ชื่อนี้ในช่องแก้ไขแล้วกด ENTER สมุดบันทึกจะได้รับชื่อที่คุณให้ไว้ตอนนี้

การป้อนรหัส

ตอนนี้คุณจะป้อนรหัส Python เล็กน้อยในหน้าต่างรหัสและดำเนินการ

ป้อนคำสั่ง Python สองคำสั่งต่อไปนี้ในหน้าต่างรหัส -

import time
print(time.ctime())

ดำเนินการรหัส

ในการรันโค้ดให้คลิกที่ลูกศรทางด้านซ้ายของหน้าต่างโค้ด

หลังจากนั้นสักครู่คุณจะเห็นผลลัพธ์ที่อยู่ใต้หน้าต่างรหัสดังที่แสดงไว้ที่นี่ -

Mon Jun 17 05:58:40 2019

คุณสามารถล้างผลลัพธ์ได้ตลอดเวลาโดยคลิกที่ไอคอนทางด้านซ้ายของจอแสดงผลเอาต์พุต

การเพิ่มเซลล์รหัส

หากต้องการเพิ่มรหัสลงในสมุดบันทึกของคุณให้เลือกดังต่อไปนี้ menu ตัวเลือก -

Insert / Code Cell

หรืออีกวิธีหนึ่งเพียงวางเมาส์ที่ตรงกลางด้านล่างของเซลล์โค้ด เมื่อCODE และ TEXTปรากฏขึ้นให้คลิกที่ CODE เพื่อเพิ่มเซลล์ใหม่ สิ่งนี้แสดงในภาพหน้าจอด้านล่าง -

เซลล์โค้ดใหม่จะถูกเพิ่มเข้าไปข้างใต้เซลล์ปัจจุบัน เพิ่มสองคำสั่งต่อไปนี้ในหน้าต่างรหัสที่สร้างขึ้นใหม่ -

time.sleep(5)
print (time.ctime())

ตอนนี้ถ้าคุณเรียกใช้เซลล์นี้คุณจะเห็นผลลัพธ์ต่อไปนี้ -

Mon Jun 17 04:50:27 2019

แน่นอนความแตกต่างของเวลาระหว่างสตริงเวลาทั้งสองไม่ใช่ 5 วินาที สิ่งนี้ชัดเจนเนื่องจากคุณใช้เวลาพอสมควรในการแทรกรหัสใหม่ Colab ช่วยให้คุณสามารถรันโค้ดทั้งหมดภายในโน้ตบุ๊กของคุณได้โดยไม่มีการหยุดชะงัก

เรียกใช้ทั้งหมด

ในการรันโค้ดทั้งหมดในโน้ตบุ๊กของคุณโดยไม่หยุดชะงักให้ดำเนินการตามตัวเลือกเมนูต่อไปนี้ -

Runtime / Reset and run all…

จะให้ผลลัพธ์ดังที่แสดงด้านล่าง -

โปรดทราบว่าความแตกต่างของเวลาระหว่างเอาต์พุตทั้งสองขณะนี้เท่ากับ 5 วินาที

การดำเนินการข้างต้นสามารถเริ่มต้นได้โดยดำเนินการสองตัวเลือกเมนูต่อไปนี้ -

Runtime / Restart runtime…

หรือ

Runtime / Restart all runtimes…

ติดตามโดย

Runtime / Run all

ศึกษาตัวเลือกเมนูต่างๆภายใต้ Runtime เมนูเพื่อทำความคุ้นเคยกับตัวเลือกต่างๆที่มีให้สำหรับการใช้งานโน้ตบุ๊ก

การเปลี่ยนลำดับเซลล์

เมื่อสมุดบันทึกของคุณมีเซลล์รหัสจำนวนมากคุณอาจเจอสถานการณ์ที่คุณต้องการเปลี่ยนลำดับการทำงานของเซลล์เหล่านี้ คุณสามารถทำได้โดยเลือกเซลล์ที่คุณต้องการย้ายแล้วคลิกUP CELL หรือ DOWN CELL ปุ่มที่แสดงในภาพหน้าจอต่อไปนี้ -

คุณสามารถคลิกปุ่มหลาย ๆ ครั้งเพื่อย้ายเซลล์มากกว่าตำแหน่งเดียว

กำลังลบเซลล์

ในระหว่างการพัฒนาโปรเจ็กต์ของคุณคุณอาจมีเซลล์ที่ไม่ต้องการอยู่ในสมุดบันทึกของคุณ คุณสามารถลบเซลล์ดังกล่าวออกจากโครงการของคุณได้อย่างง่ายดายเพียงคลิกเดียว คลิกที่ไอคอนจุดแนวตั้งที่มุมบนขวาของเซลล์โค้ดของคุณ

คลิกที่ Delete cell ตัวเลือกและเซลล์ปัจจุบันจะถูกลบ

ในขณะที่คุณได้เรียนรู้วิธีใช้งานโน้ตบุ๊กเล็กน้อยแล้วให้เราสำรวจความสามารถอื่น ๆ ของ Colab

เนื่องจากเซลล์โค้ดรองรับไวยากรณ์ Python เต็มรูปแบบคุณอาจใช้ Python commentsในหน้าต่างรหัสเพื่ออธิบายรหัสของคุณ อย่างไรก็ตามมีหลายครั้งที่คุณต้องการมากกว่าความคิดเห็นแบบข้อความธรรมดาเพื่อแสดงอัลกอริทึม ML ML ใช้คณิตศาสตร์อย่างหนักและเพื่ออธิบายคำศัพท์และสมการเหล่านั้นให้กับผู้อ่านของคุณคุณต้องมีตัวแก้ไขที่รองรับ LaTex ซึ่งเป็นภาษาสำหรับการแสดงทางคณิตศาสตร์ Colab ให้Text Cells เพื่อจุดประสงค์นี้.

เซลล์ข้อความที่มีสมการทางคณิตศาสตร์ที่มักใช้ใน ML แสดงอยู่ในภาพหน้าจอด้านล่าง -

เมื่อเราก้าวไปข้างหน้าในบทนี้เราจะเห็นรหัสสำหรับสร้างผลลัพธ์ข้างต้น

เซลล์ข้อความถูกจัดรูปแบบโดยใช้ markdown- ภาษามาร์กอัปง่ายๆ ตอนนี้ให้เราดูวิธีเพิ่มเซลล์ข้อความลงในสมุดบันทึกของคุณและเพิ่มข้อความที่มีสมการทางคณิตศาสตร์

ตัวอย่าง Markdown

ให้เราดูตัวอย่างของไวยากรณ์ภาษามาร์กอัปเพื่อแสดงความสามารถของมัน

พิมพ์ข้อความต่อไปนี้ในเซลล์ข้อความ

This is **bold**.
This is *italic*.
This is ~strikethrough~.

ผลลัพธ์ของคำสั่งข้างต้นจะแสดงที่ด้านขวามือของเซลล์ดังที่แสดงไว้ที่นี่

สมการทางคณิตศาสตร์

เพิ่ม Text Cell ลงในสมุดบันทึกของคุณและป้อนไวยากรณ์ markdown ต่อไปนี้ในหน้าต่างข้อความ -

$\sqrt{3x-1}+(1+x)^2$

คุณจะเห็นการแสดงผลโค้ด markdown ทันทีในแผงด้านขวามือของเซลล์ข้อความ สิ่งนี้แสดงในภาพหน้าจอด้านล่าง -

ตี Enter และรหัส markdown จะหายไปจากเซลล์ข้อความและแสดงเฉพาะเอาต์พุตที่แสดงผลเท่านั้น

ให้เราลองสมการที่ซับซ้อนขึ้นอีกดังที่แสดงไว้ที่นี่ -

$e^x = \sum_{i = 0}^\infty \frac{1}{i!}x^i$

ผลลัพธ์ที่แสดงจะแสดงที่นี่สำหรับการอ้างอิงอย่างรวดเร็วของคุณ

รหัสสำหรับสมการตัวอย่าง

นี่คือรหัสสำหรับสมการตัวอย่างที่แสดงในภาพหน้าจอก่อนหน้านี้ -

Constraints are
   - $3x_1 + 6x_2 + x_3 =< 28$
   - $7x_1 + 3x_2 + 2x_3 =< 37$
   - $4x_1 + 5x_2 + 2x_3 =< 19$
   - $x_1,x_2,x_3 >=0 $

The trial vector is calculated as follows:
- $u_i(t) = x_i(t) + \beta(\hat{x}(t) − x_i(t)) + \beta \sum_{k = 1}^{n_v}(x_{i1,k}(t) − x_{i2,k}(t))$
$f(x_1, x_2) = 20 + e - 20exp(-0.2 \sqrt {\frac {1}{n} (x_1^2 + x_2^2)}) - exp (\frac {1}{n}(cos(2\pi x_1) + cos(2\pi x_2))$

$x ∈ [-5, 5]$
>$A_{m,n} =
   \begin{pmatrix}
   a_{1,1} > a_{1,2} > \cdots > a_{1,n} \\
   a_{2,1} > a_{2,2} > \cdots > a_{2,n} \\
   \vdots > \vdots > \ddots > \vdots \\
   a_{m,1} > a_{m,2} > \cdots > a_{m,n}
   \end{pmatrix}$

การอธิบายไวยากรณ์มาร์กอัปแบบเต็มอยู่นอกเหนือขอบเขตของบทช่วยสอนนี้ ในบทต่อไปเราจะดูวิธีบันทึกงานของคุณ

Colab ช่วยให้คุณสามารถบันทึกงานของคุณไปยัง Google Drive หรือแม้แต่โดยตรงไปยังที่เก็บ GitHub ของคุณ

บันทึกลงใน Google Drive

Colab ช่วยให้คุณบันทึกงานลงใน Google Drive ในการบันทึกสมุดบันทึกของคุณให้เลือกตัวเลือกเมนูต่อไปนี้ -

File / Save a copy in Drive…

คุณจะเห็นหน้าจอต่อไปนี้ -

การดำเนินการจะสร้างสำเนาของสมุดบันทึกของคุณและบันทึกลงในไดรฟ์ของคุณ ในภายหลังคุณสามารถเปลี่ยนชื่อสำเนาเป็นชื่อที่คุณเลือกได้

บันทึกไปที่ GitHub

คุณสามารถบันทึกงานของคุณลงในที่เก็บ GitHub ของคุณได้โดยเลือกตัวเลือกเมนูต่อไปนี้ -

File / Save a copy in GitHub...

การเลือกเมนูจะแสดงในภาพหน้าจอต่อไปนี้สำหรับการอ้างอิงอย่างรวดเร็วของคุณ -

คุณจะต้องรอจนกว่าคุณจะเห็นหน้าจอเข้าสู่ระบบ GitHub

ตอนนี้ป้อนข้อมูลรับรองของคุณ หากคุณไม่มีที่เก็บให้สร้างใหม่และบันทึกโครงการของคุณตามที่แสดงในภาพหน้าจอด้านล่าง -

ในบทถัดไปเราจะเรียนรู้วิธีแบ่งปันงานของคุณกับผู้อื่น

ในการแชร์สมุดบันทึกที่คุณสร้างกับนักพัฒนาร่วมคนอื่น ๆ คุณสามารถแชร์สำเนาที่คุณทำไว้ใน Google ไดรฟ์ของคุณ

ในการเผยแพร่สมุดบันทึกไปยังผู้ชมทั่วไปคุณสามารถแบ่งปันได้จากที่เก็บ GitHub ของคุณ

มีอีกวิธีหนึ่งในการแบ่งปันงานของคุณนั่นคือการคลิกที่ไฟล์ SHAREที่มุมขวาบนของสมุดบันทึก Colab ของคุณ เพื่อเปิดกล่องแบ่งปันดังที่แสดงไว้ที่นี่ -

คุณสามารถป้อนรหัสอีเมลของบุคคลที่คุณต้องการแบ่งปันเอกสารปัจจุบันด้วย คุณสามารถกำหนดประเภทการเข้าถึงได้โดยเลือกจากสามตัวเลือกที่แสดงในหน้าจอด้านบน

คลิกที่ Get shareable linkตัวเลือกในการรับ URL ของสมุดบันทึกของคุณ คุณจะพบตัวเลือกสำหรับผู้ที่จะแบ่งปันดังต่อไปนี้ -

กลุ่มคนที่ระบุ
เพื่อนร่วมงานในองค์กรของคุณ
ทุกคนที่มีลิงก์
สาธารณะทั้งหมดบนเว็บ

ตอนนี้. คุณรู้วิธีสร้าง / ดำเนินการ / บันทึก / แชร์สมุดบันทึก ในเซลล์ Code เราใช้ Python จนถึงตอนนี้ เซลล์โค้ดยังสามารถใช้เพื่อเรียกใช้คำสั่งระบบ นี้จะอธิบายต่อไป

Jupyter มีทางลัดสำหรับการทำงานของระบบทั่วไปจำนวนมาก เซลล์ Colab Code รองรับคุณสมบัตินี้

คำสั่งง่ายๆ

ป้อนรหัสต่อไปนี้ในเซลล์รหัสที่ใช้ echo คำสั่งระบบ

message = 'A Great Tutorial on Colab by Tutorialspoint!'
greeting = !echo -e '$message\n$message'
greeting

ตอนนี้ถ้าคุณเรียกใช้เซลล์คุณจะเห็นผลลัพธ์ต่อไปนี้ -

['A Great Tutorial on Colab by Tutorialspoint!', 'A Great Tutorial on Colab by Tutorialspoint!']

การรับข้อมูลระยะไกล

ให้เราดูตัวอย่างอื่นที่โหลดชุดข้อมูลจากเซิร์ฟเวอร์ระยะไกล พิมพ์คำสั่งต่อไปนี้ในเซลล์โค้ดของคุณ -

!wget http://mlr.cs.umass.edu/ml/machine-learning-databases/adult/adult.data -P "/content/drive/My Drive/app"

หากคุณรันโค้ดคุณจะเห็นผลลัพธ์ต่อไปนี้ -

--2019-06-20 10:09:53-- http://mlr.cs.umass.edu/ml/machine-learning-databases/adult/adult.data
Resolving mlr.cs.umass.edu (mlr.cs.umass.edu)... 128.119.246.96
Connecting to mlr.cs.umass.edu (mlr.cs.umass.edu)|128.119.246.96|:80... connected. 
HTTP request sent, awaiting response... 200 OK 
Length: 3974305 (3.8M) [text/plain] 
Saving to: ‘/content/drive/My Drive/app/adult.data.1’

adult.data.1 100%[===================>] 3.79M 1.74MB/s in 2.2s

2019-06-20 10:09:56 (1.74 MB/s) - ‘/content/drive/My Drive/app/adult.data.1’ saved [3974305/3974305]

ตามที่ข้อความระบุไว้ว่า adult.data.1เพิ่มไฟล์ลงในไดรฟ์ของคุณแล้ว คุณสามารถตรวจสอบได้โดยการตรวจสอบเนื้อหาโฟลเดอร์ของไดรฟ์ของคุณ หรือพิมพ์รหัสต่อไปนี้ในเซลล์รหัสใหม่ -

import pandas as pd
data = pd.read_csv("/content/drive/My Drive/app/adult.data.1")
data.head(5)

เรียกใช้โค้ดทันทีและคุณจะเห็นผลลัพธ์ต่อไปนี้ -

ในทำนองเดียวกันคำสั่งระบบส่วนใหญ่สามารถเรียกใช้ในเซลล์โค้ดของคุณได้โดยการเติมคำสั่งล่วงหน้าด้วยเครื่องหมายตกใจ (!) ให้เราดูตัวอย่างอื่นก่อนที่จะให้รายการคำสั่งทั้งหมดที่คุณสามารถเรียกใช้

การโคลนที่เก็บ Git

คุณสามารถโคลนที่เก็บ GitHub ทั้งหมดลงใน Colab โดยใช้ไฟล์ gitคำสั่ง ตัวอย่างเช่นในการโคลนการสอน Keras ให้พิมพ์คำสั่งต่อไปนี้ในเซลล์รหัส -

!git clone https://github.com/wxs/keras-mnist-tutorial.git

หลังจากรันคำสั่งสำเร็จคุณจะเห็นผลลัพธ์ต่อไปนี้ -

Cloning into 'keras-mnist-tutorial'...
remote: Enumerating objects: 26, done.
remote: Total 26 (delta 0), reused 0 (delta 0), pack-reused 26
Unpacking objects: 100% (26/26), done.

เมื่อทำการโคลน repo แล้วให้ค้นหาโครงการ Jupyter (เช่น MINST ใน keras.ipyab) ในนั้นคลิกขวาที่ชื่อไฟล์และเลือก Open With / Colaboratory ตัวเลือกเมนูเพื่อเปิดโครงการใน Colab

นามแฝงของระบบ

ในการรับรายการทางลัดสำหรับการดำเนินการทั่วไปให้ดำเนินการคำสั่งต่อไปนี้ -

!ls /bin

คุณจะเห็นรายการในหน้าต่างผลลัพธ์ดังที่แสดงด้านล่าง -

bash*             journalctl*       sync*
bunzip2*          kill*             systemctl*
bzcat*            kmod*             systemd@
bzcmp@            less*             systemd-ask-password*
bzdiff*           lessecho*         systemd-escape*
bzegrep@          lessfile@         systemd-hwdb*
bzexe*            lesskey*          systemd-inhibit*
bzfgrep@          lesspipe*         systemd-machine-id-setup*
bzgrep*           ln*               systemd-notify*
bzip2*            login*            systemd-sysusers*
bzip2recover*     loginctl*         systemd-tmpfiles*
bzless@           ls*               systemd-tty-ask-password-agent*
bzmore*           lsblk*            tar*
cat*              lsmod@            tempfile*
chgrp*            mkdir*            touch*
chmod*            mknod*            true*
chown*            mktemp*           udevadm*
cp*               more*             ulockmgr_server*
dash*             mount*            umount*
date*             mountpoint*       uname*
dd*               mv*               uncompress*
df*               networkctl*       vdir*
dir*              nisdomainname@    wdctl*
dmesg*            pidof@            which*
dnsdomainname@    ps*               ypdomainname@
domainname@       pwd*              zcat*
echo*             rbash@            zcmp*
egrep*            readlink*         zdiff*
false*            rm*               zegrep*
fgrep*            rmdir*            zfgrep*
findmnt*          run-parts*        zforce*
fusermount*       sed*              zgrep*
grep*             sh@               zless*
gunzip*           sh.distrib@       zmore*
gzexe*            sleep*            znew*
gzip*             stty*
hostname*         su*

ดำเนินการคำสั่งใด ๆ เหล่านี้ตามที่เราได้ทำไว้ echo และ wget. ในบทถัดไปเราจะดูวิธีเรียกใช้งานโค้ด Python ที่คุณสร้างไว้ก่อนหน้านี้

สมมติว่าคุณมีโค้ด Python ที่พัฒนาแล้วซึ่งเก็บไว้ใน Google Drive ของคุณ ตอนนี้คุณต้องการโหลดโค้ดนี้ใน Colab เพื่อทำการแก้ไขเพิ่มเติม ในบทนี้เราจะดูวิธีโหลดและเรียกใช้โค้ดที่เก็บไว้ใน Google Drive ของคุณ

การติดตั้งไดรฟ์

Tools / Command palette

คุณจะเห็นรายการคำสั่งดังที่แสดงในภาพหน้าจอนี้ -

พิมพ์ตัวอักษรสองสามตัวเช่น“ m” ในช่องค้นหาเพื่อค้นหาคำสั่ง mount เลือกMount Driveคำสั่งจากรายการ รหัสต่อไปนี้จะถูกแทรกในเซลล์รหัสของคุณ

# Run this cell to mount your Google Drive.
from google.colab import drive
drive.mount('/content/drive')

หากคุณเรียกใช้รหัสนี้ระบบจะขอให้คุณป้อนรหัสรับรองความถูกต้อง หน้าจอที่เกี่ยวข้องมีลักษณะดังที่แสดงด้านล่าง -

เปิด URL ด้านบนในเบราว์เซอร์ของคุณ คุณจะถูกขอให้ลงชื่อเข้าใช้บัญชี Google ของคุณ ตอนนี้คุณจะเห็นหน้าจอต่อไปนี้ -

หากคุณให้สิทธิ์คุณจะได้รับรหัสของคุณดังนี้ -

ตัด - วางรหัสนี้ในเซลล์รหัสแล้วกด ENTER หลังจากนั้นสักครู่ไดรฟ์จะถูกติดตั้งตามที่เห็นในภาพหน้าจอด้านล่าง -

ตอนนี้คุณพร้อมที่จะใช้เนื้อหาของไดรฟ์ของคุณใน Colab แล้ว

รายการเนื้อหาของไดรฟ์

คุณสามารถแสดงรายการเนื้อหาของไดรฟ์โดยใช้คำสั่ง ls ดังนี้ -

!ls "/content/drive/My Drive/Colab Notebooks"

คำสั่งนี้จะแสดงรายการเนื้อหาของโฟลเดอร์ Colab Notebooks ของคุณ ตัวอย่างผลลัพธ์ของเนื้อหาไดรฟ์ของฉันแสดงที่นี่ -

Greeting.ipynb hello.py LogisticRegressionCensusData.ipynb LogisticRegressionDigitalOcean.ipynb MyFirstColabNotebook.ipynb SamplePlot.ipynb

กำลังรันโค้ด Python

ตอนนี้ให้เราบอกว่าคุณต้องการเรียกใช้ไฟล์ Python ชื่อ hello.py ที่เก็บไว้ใน Google Drive ของคุณ พิมพ์คำสั่งต่อไปนี้ในเซลล์รหัส -

!python3 "/content/drive/My Drive/Colab Notebooks/hello.py"

เนื้อหาของ hello.py มีให้ที่นี่สำหรับการอ้างอิงของคุณ -

print("Welcome to TutorialsPoint!")

ตอนนี้คุณจะเห็นผลลัพธ์ต่อไปนี้ -

Welcome to TutorialsPoint!

นอกจากเอาต์พุตข้อความแล้ว Colab ยังรองรับเอาต์พุตกราฟิก เราจะเห็นสิ่งนี้ในบทต่อไป

Colab ยังรองรับเอาต์พุตที่หลากหลายเช่นแผนภูมิ พิมพ์รหัสต่อไปนี้ในเซลล์รหัส

import numpy as np
from matplotlib import pyplot as plt

y = np.random.randn(100)
x = [x for x in range(len(y))]

plt.plot(x, y, '-')
plt.fill_between(x, y, 200, where = (y > 195), facecolor='g', alpha=0.6)

plt.title("Sample Plot")
plt.show()

ตอนนี้ถ้าคุณรันโค้ดคุณจะเห็นผลลัพธ์ต่อไปนี้ -

โปรดสังเกตว่าเอาต์พุตกราฟิกจะแสดงในส่วนเอาต์พุตของเซลล์โค้ด ในทำนองเดียวกันคุณจะสามารถสร้างและแสดงแผนภูมิหลายประเภทตลอดทั้งรหัสโปรแกรมของคุณ

เมื่อคุณคุ้นเคยกับพื้นฐานของ Colab แล้วให้เราไปยังคุณสมบัติใน Colab ที่ทำให้การพัฒนาโค้ด Python ของคุณง่ายขึ้น

นักพัฒนาในปัจจุบันต้องพึ่งพาความช่วยเหลือตามบริบทเป็นอย่างมากสำหรับไวยากรณ์ของภาษาและไลบรารี นั่นคือเหตุผลที่ IDE ใช้กันอย่างแพร่หลาย ตัวแก้ไขสมุดบันทึก Colab มีสิ่งอำนวยความสะดวกนี้

ในบทนี้ให้เราดูวิธีขอความช่วยเหลือตามบริบทขณะเขียนโค้ด Python ใน Colab ทำตามขั้นตอนที่ได้รับทุกที่ที่จำเป็น

รายการฟังก์ชัน

Step 1 - เปิดสมุดบันทึกใหม่และพิมพ์รหัสต่อไปนี้ในเซลล์รหัส -

import torch

Step 2- เรียกใช้รหัสโดยคลิกที่ไอคอนเรียกใช้ในแผงด้านซ้ายของเซลล์รหัส เพิ่มเซลล์รหัสอื่นและพิมพ์รหัสต่อไปนี้ -

Tensor = torch.

ณ จุดนี้สมมติว่าคุณลืมว่ามีฟังก์ชั่นต่างๆที่มีอยู่ในอะไรบ้าง torchโมดูล. คุณสามารถขอความช่วยเหลือตามบริบทเกี่ยวกับชื่อฟังก์ชันได้โดยกดปุ่มTABสำคัญ. สังเกตการมีอยู่ของไฟล์DOT หลังจาก torchคำสำคัญ. หากไม่มี DOT นี้คุณจะไม่เห็นความช่วยเหลือด้านบริบท หน้าจอของคุณจะมีลักษณะดังที่แสดงในภาพหน้าจอที่นี่ -

ตอนนี้เลือกฟังก์ชั่นที่ต้องการจากรายการและดำเนินการเข้ารหัสของคุณ

เอกสารประกอบการทำงาน

Colab ให้เอกสารเกี่ยวกับไฟล์ function หรือ class เป็นความช่วยเหลือที่คำนึงถึงบริบท

พิมพ์รหัสต่อไปนี้ในหน้าต่างรหัสของคุณ -

Tensor = torch.cos(

ตอนนี้ตี TAB และคุณจะเห็นเอกสารประกอบ cosในหน้าต่างป๊อปอัปดังที่แสดงในภาพหน้าจอที่นี่ โปรดทราบว่าคุณต้องพิมพ์open parenthesis ก่อนที่จะกด TAB

ในบทต่อไปเราจะเห็น Magics ใน Colab ที่ให้เราทำสิ่งที่มีประสิทธิภาพมากกว่าที่เราทำกับนามแฝงของระบบ

Magics เป็นชุดคำสั่งระบบที่มีภาษาคำสั่งขนาดเล็ก

เวทมนตร์มีสองประเภท -

สายเวทย์
เวทมนตร์ของเซลล์

สายเวทตามชื่อระบุว่าประกอบด้วยคำสั่งบรรทัดเดียวในขณะที่เวทมนตร์ของเซลล์ครอบคลุมเนื้อหาทั้งหมดของเซลล์โค้ด

ในกรณีของเวทย์มนตร์บรรทัดคำสั่งจะอยู่ข้างหน้าด้วยอักขระ% เดียวและในกรณีของเวทย์มนตร์ของเซลล์คำสั่งนั้นจะนำหน้าด้วยอักขระ% สองตัว (%%)

ให้เราดูตัวอย่างของทั้งสองเพื่อแสดงสิ่งเหล่านี้

Line Magics

พิมพ์รหัสต่อไปนี้ในเซลล์รหัสของคุณ -

%ldir

คุณจะเห็นเนื้อหาของไดเร็กทอรีในเครื่องของคุณเช่นนี้ -

drwxr-xr-x 3 root 4096 Jun 20 10:05 drive/
drwxr-xr-x 1 root 4096 May 31 16:17 sample_data/

ลองคำสั่งต่อไปนี้ -

%history

สิ่งนี้แสดงประวัติทั้งหมดของคำสั่งที่คุณได้ดำเนินการก่อนหน้านี้

เวทมนตร์ของเซลล์

พิมพ์รหัสต่อไปนี้ในเซลล์รหัสของคุณ -

%%html
<marquee style='width: 50%; color: Green;'>Welcome to Tutorialspoint!</marquee>

ตอนนี้ถ้าคุณเรียกใช้รหัสและคุณจะเห็นข้อความต้อนรับแบบเลื่อนบนหน้าจอดังที่แสดงไว้ที่นี่ -

รหัสต่อไปนี้จะเพิ่ม SVG ลงในเอกสารของคุณ

%%html
<svg xmlns="https://www.w3.org/2000/svg" viewBox="0 0 600 400" width="400" height="400">
   <rect x="10" y="00" width="300" height="100" rx="0" style="fill:orange; stroke:black; fill-opacity:1.0" />
   <rect x="10" y="100" width="300" height="100" rx="0" style="fill:white; stroke:black; fill-opacity:1.0;" />
   <rect x="10" y="200" width="300" height="100" rx="0" style="fill:green; stroke:black; fill-opacity:1.0;" />
</svg>

หากคุณรันโค้ดคุณจะเห็นผลลัพธ์ต่อไปนี้ -

รายการเวทมนตร์

หากต้องการรับรายการเวทมนตร์ที่รองรับทั้งหมดให้ดำเนินการคำสั่งต่อไปนี้ -

%lsmagic

คุณจะเห็นผลลัพธ์ต่อไปนี้ -

Available line magics:
%alias %alias_magic %autocall %automagic %autosave %bookmark %cat %cd %clear
%colors %config %connect_info %cp %debug %dhist %dirs %doctest_mode %ed %edit
%env %gui %hist %history %killbgscripts %ldir %less %lf %lk %ll %load %load_ext
%loadpy %logoff %logon %logstart %logstate %logstop %ls %lsmagic %lx %macro
%magic %man %matplotlib %mkdir %more %mv %notebook %page %pastebin %pdb %pdef
%pdoc %pfile %pinfo %pinfo2 %pip %popd %pprint %precision %profile %prun
%psearch %psource %pushd %pwd %pycat %pylab %qtconsole %quickref %recall
%rehashx %reload_ext %rep %rerun %reset %reset_selective %rm %rmdir %run %save
%sc %set_env %shell %store %sx %system %tb %tensorflow_version %time %timeit
%unalias %unload_ext %who %who_ls %whos %xdel %xmode

Available cell magics:
%%! %%HTML %%SVG %%bash %%bigquery %%capture %%debug %%file %%html %%javascript
%%js %%latex %%perl %%prun %%pypy %%python %%python2 %%python3 %%ruby %%script
%%sh %%shell %%svg %%sx %%system %%time %%timeit %%writefile

Automagic is ON, % prefix IS NOT needed for line magics.

จากนั้นคุณจะได้เรียนรู้คุณสมบัติที่มีประสิทธิภาพอีกอย่างใน Colab เพื่อตั้งค่าตัวแปรของโปรแกรมที่รันไทม์

Colab มียูทิลิตี้ที่มีประโยชน์มากที่เรียกว่า Forms ที่ช่วยให้คุณยอมรับอินพุตจากผู้ใช้ในขณะรันไทม์ ตอนนี้ให้เราไปดูวิธีเพิ่มแบบฟอร์มลงในสมุดบันทึกของคุณ

การเพิ่มแบบฟอร์ม

ในบทเรียนก่อนหน้านี้คุณใช้รหัสต่อไปนี้เพื่อสร้างการหน่วงเวลา -

import time
print(time.ctime())
time.sleep(5)
print (time.ctime())

สมมติว่าคุณต้องการให้ผู้ใช้ตั้งค่าหน่วงเวลาแทนการหน่วงเวลาคงที่ 5 วินาที สำหรับสิ่งนี้คุณสามารถเพิ่มแบบฟอร์มลงในเซลล์รหัสเพื่อยอมรับเวลาสลีปได้

เปิดสมุดบันทึกใหม่ คลิกที่Options(จุดในแนวตั้ง) เมนูป๊อปอัพจะปรากฏขึ้นตามที่เห็นในภาพหน้าจอด้านล่าง -

ตอนนี้เลือก Add a formตัวเลือก มันจะเพิ่มแบบฟอร์มลงในเซลล์โค้ดของคุณด้วยชื่อเริ่มต้นตามที่เห็นในภาพหน้าจอที่นี่ -

หากต้องการเปลี่ยนชื่อของแบบฟอร์มให้คลิกที่ไฟล์ Settingsปุ่ม (ไอคอนดินสอทางด้านขวา) จะปรากฏหน้าจอการตั้งค่าดังที่แสดงไว้ที่นี่:

เปลี่ยนชื่อแบบฟอร์มเป็น “Form”และบันทึกแบบฟอร์ม คุณอาจใช้ชื่ออื่นที่คุณเลือก สังเกตว่ามันเพิ่มไฟล์@title ไปยังเซลล์รหัสของคุณ

คุณสามารถสำรวจตัวเลือกอื่น ๆ บนหน้าจอด้านบนได้ในภายหลัง ในส่วนถัดไปเราจะเรียนรู้วิธีเพิ่มช่องป้อนข้อมูลลงในแบบฟอร์ม

การเพิ่มฟิลด์แบบฟอร์ม

ในการเพิ่มฟิลด์ฟอร์มให้คลิกไฟล์ Options ในเซลล์รหัสคลิกที่ Formเพื่อเปิดเผยเมนูย่อย หน้าจอจะมีลักษณะดังภาพด้านล่าง -

เลือก Add a form fieldตัวเลือกเมนู กล่องโต้ตอบจะปรากฏขึ้นตามที่เห็นที่นี่ -

ออกจาก Form field type ถึง input. เปลี่ยน Variable name ถึง sleeptime และตั้งค่า Variable type ถึง integer. บันทึกการเปลี่ยนแปลงโดยคลิกที่ไฟล์Save ปุ่ม.

ตอนนี้หน้าจอของคุณจะมีลักษณะดังต่อไปนี้พร้อมกับไฟล์ sleeptime ตัวแปรที่เพิ่มเข้าไปในโค้ด

ต่อไปให้เราดูวิธีทดสอบแบบฟอร์มโดยการเพิ่มโค้ดที่ใช้ sleeptime ตัวแปร.

แบบฟอร์มการทดสอบ

เพิ่มเซลล์รหัสใหม่ใต้เซลล์แบบฟอร์ม ใช้รหัสที่ระบุด้านล่าง -

import time
print(time.ctime())
time.sleep(sleeptime)
print (time.ctime())

คุณได้ใช้รหัสนี้ในบทเรียนก่อนหน้านี้ มันพิมพ์เวลาปัจจุบันรอระยะเวลาหนึ่งแล้วพิมพ์การประทับเวลาใหม่ ระยะเวลาที่โปรแกรมรอถูกกำหนดไว้ในตัวแปรที่เรียกsleeptime.

ตอนนี้กลับไปที่ไฟล์ Form เซลล์และพิมพ์ค่า 2 สำหรับไฟล์ sleeptime. เลือกเมนูต่อไปนี้ -

Runtime / Run all

ซึ่งจะเรียกใช้สมุดบันทึกทั้งหมด คุณสามารถดูหน้าจอแสดงผลดังที่แสดงด้านล่าง

สังเกตว่ามันใช้ค่าอินพุตของคุณเป็น 2 สำหรับไฟล์

เวลานอน

. ลองเปลี่ยนค่านี้เป็นค่าอื่นและ Run all เพื่อดูผลของมัน

การป้อนข้อความ

ในการยอมรับการป้อนข้อความในแบบฟอร์มของคุณให้ป้อนรหัสต่อไปนี้ในเซลล์รหัสใหม่

name = 'Tutorialspoint' #@param {type:"string"}
print(name)

ตอนนี้ถ้าคุณเรียกใช้เซลล์ Code ชื่อที่คุณตั้งไว้ในแบบฟอร์มจะถูกพิมพ์บนหน้าจอ ตามค่าเริ่มต้นผลลัพธ์ต่อไปนี้จะปรากฏบนหน้าจอ

Tutorialspoint

โปรดทราบว่าคุณสามารถใช้ตัวเลือกเมนูดังที่แสดงสำหรับอินพุตจำนวนเต็มเพื่อสร้างไฟล์ Text ช่องป้อนข้อมูล

รายการแบบหล่นลง

หากต้องการเพิ่มรายการแบบเลื่อนลงในแบบฟอร์มของคุณให้ใช้รหัสต่อไปนี้ -

color = 'green' #@param ["red", "green", "blue"]
print(color)

สิ่งนี้จะสร้างรายการแบบเลื่อนลงที่มีค่าสามค่า ได้แก่ แดงเขียวและน้ำเงิน การเลือกเริ่มต้นคือสีเขียว

รายการแบบเลื่อนลงแสดงในภาพหน้าจอด้านล่าง -

ป้อนวันที่

แบบฟอร์ม Colab อนุญาตให้คุณยอมรับวันที่ในรหัสของคุณด้วยการตรวจสอบความถูกต้อง ใช้รหัสต่อไปนี้เพื่อป้อนวันที่ในรหัสของคุณ

#@title Date fields
date_input = '2019-06-03' #@param {type:"date"}
print(date_input)

หน้าจอแบบฟอร์มมีลักษณะดังต่อไปนี้

ลองป้อนค่าวันที่ผิดและสังเกตการตรวจสอบความถูกต้อง

จนถึงตอนนี้คุณได้เรียนรู้วิธีใช้ Colab ในการสร้างและเรียกใช้สมุดบันทึก Jupyter ด้วยรหัส Python ของคุณ ในบทถัดไปเราจะดูวิธีติดตั้งไลบรารี ML ยอดนิยมในโน้ตบุ๊กของคุณเพื่อให้คุณสามารถใช้สิ่งเหล่านี้ในโค้ด Python ของคุณได้

Colab รองรับไลบรารี Machine Learning ส่วนใหญ่ที่มีอยู่ในตลาด ในบทนี้ให้เราดูภาพรวมโดยย่อเกี่ยวกับวิธีการติดตั้งไลบรารีเหล่านี้ในสมุดบันทึก Colab ของคุณ

ในการติดตั้งไลบรารีคุณสามารถใช้ตัวเลือกเหล่านี้ -

!pip install

หรือ

!apt-get install

Keras

Keras ที่เขียนด้วย Python ทำงานบน TensorFlow, CNTK หรือ Theano ช่วยให้สามารถสร้างต้นแบบแอปพลิเคชันเครือข่ายประสาทเทียมได้ง่ายและรวดเร็ว รองรับทั้งเครือข่าย Convolutional (CNN) และเครือข่ายที่เกิดซ้ำและรวมถึงการรวมกัน รองรับ GPU ได้อย่างราบรื่น

ในการติดตั้ง Keras ให้ใช้คำสั่งต่อไปนี้ -

!pip install -q keras

PyTorch

PyTorch เหมาะอย่างยิ่งสำหรับการพัฒนาแอปพลิเคชันการเรียนรู้เชิงลึก เป็นไลบรารีเทนเซอร์ที่ปรับให้เหมาะสมและเปิดใช้งาน GPU ในการติดตั้ง PyTorch ให้ใช้คำสั่งต่อไปนี้ -

!pip3 install torch torchvision

MxNet

Apache MxNet เป็นอีกหนึ่งไลบรารีที่ยืดหยุ่นและมีประสิทธิภาพสำหรับการเรียนรู้เชิงลึก ในการติดตั้ง MxNet ให้ดำเนินการคำสั่งต่อไปนี้ -

!apt install libnvrtc8.0
!pip install mxnet-cu80

OpenCV

OpenCV เป็นไลบรารีวิชันคอมพิวเตอร์แบบโอเพนซอร์สสำหรับการพัฒนาแอปพลิเคชันการเรียนรู้ของเครื่อง มีอัลกอริทึมที่ได้รับการปรับให้เหมาะสมมากกว่า 2500 รายการซึ่งรองรับแอปพลิเคชันต่างๆเช่นการจดจำใบหน้าการระบุวัตถุการติดตามวัตถุที่เคลื่อนไหวการเย็บภาพและอื่น ๆ ยักษ์ใหญ่เช่น Google, Yahoo, Microsoft, Intel, IBM, Sony, Honda, Toyota ใช้ไลบรารีนี้ เหมาะอย่างยิ่งสำหรับการพัฒนาแอปพลิเคชันการมองเห็นแบบเรียลไทม์

ในการติดตั้ง OpenCV ให้ใช้คำสั่งต่อไปนี้ -

!apt-get -qq install -y libsm6 libxext6 && pip install -q -U opencv-python

XGBoost

XGBoost เป็นไลบรารีการเพิ่มการไล่ระดับสีแบบกระจายที่ทำงานบนสภาพแวดล้อมแบบกระจายที่สำคัญเช่น Hadoop มีประสิทธิภาพสูงยืดหยุ่นและพกพาได้ มันใช้อัลกอริทึม ML ภายใต้กรอบการไล่ระดับสี

ในการติดตั้ง XGBoost ให้ใช้คำสั่งต่อไปนี้ -

!pip install -q xgboost==0.4a30

GraphViz

Graphviz เป็นซอฟต์แวร์โอเพ่นซอร์สสำหรับการแสดงภาพกราฟ ใช้สำหรับการแสดงภาพในระบบเครือข่ายชีวสารสนเทศศาสตร์การออกแบบฐานข้อมูลและสำหรับเรื่องนั้นในหลายโดเมนที่ต้องการอินเทอร์เฟซภาพของข้อมูล

ในการติดตั้ง GraphViz ให้ใช้คำสั่งต่อไปนี้ -

!apt-get -qq install -y graphviz && pip install -q pydot

ในตอนนี้คุณได้เรียนรู้การสร้างสมุดบันทึก Jupyter ที่มีไลบรารีการเรียนรู้ของเครื่องยอดนิยม ตอนนี้คุณพร้อมที่จะพัฒนาโมเดลการเรียนรู้ของเครื่องแล้ว สิ่งนี้ต้องใช้พลังในการประมวลผลสูง Colab ให้ GPU ฟรีสำหรับโน้ตบุ๊กของคุณ

ในบทถัดไปเราจะเรียนรู้วิธีการเปิดใช้งาน GPU สำหรับโน้ตบุ๊กของคุณ

Google ให้การใช้ GPU ฟรีสำหรับโน้ตบุ๊ก Colab ของคุณ

การเปิดใช้งาน GPU

ในการเปิดใช้งาน GPU ในโน้ตบุ๊กของคุณให้เลือกตัวเลือกเมนูต่อไปนี้ -

Runtime / Change runtime type

คุณจะเห็นหน้าจอต่อไปนี้เป็นผลลัพธ์ -

เลือก GPUและโน้ตบุ๊กของคุณจะใช้ GPU ฟรีที่มีให้ในระบบคลาวด์ระหว่างการประมวลผล หากต้องการรับความรู้สึกของการประมวลผล GPU ให้ลองเรียกใช้แอปพลิเคชันตัวอย่างจากMNIST แบบฝึกหัดที่คุณโคลนไว้ก่อนหน้านี้

!python3 "/content/drive/My Drive/app/mnist_cnn.py"

ลองเรียกใช้ไฟล์ Python เดียวกันโดยไม่เปิดใช้งาน GPU คุณสังเกตเห็นความแตกต่างของความเร็วในการดำเนินการหรือไม่?

การทดสอบ GPU

คุณสามารถตรวจสอบได้อย่างง่ายดายว่า GPU เปิดใช้งานหรือไม่โดยเรียกใช้รหัสต่อไปนี้ -

import tensorflow as tf
tf.test.gpu_device_name()

หากเปิดใช้งาน GPU จะให้ผลลัพธ์ดังต่อไปนี้ -

'/device:GPU:0'

รายชื่ออุปกรณ์

หากคุณอยากรู้ว่าอุปกรณ์ที่ใช้ระหว่างการเรียกใช้โน้ตบุ๊กของคุณในระบบคลาวด์ให้ลองใช้รหัสต่อไปนี้ -

from tensorflow.python.client import device_lib
device_lib.list_local_devices()

คุณจะเห็นผลลัพธ์ดังนี้ -

[name: "/device:CPU:0"
   device_type: "CPU"
   memory_limit: 268435456
   locality { }
   incarnation: 1734904979049303143, name: "/device:XLA_CPU:0"
   device_type: "XLA_CPU" memory_limit: 17179869184
   locality { } 
   incarnation: 16069148927281628039
   physical_device_desc: "device: XLA_CPU device", name: "/device:XLA_GPU:0"
   device_type: "XLA_GPU"
   memory_limit: 17179869184
   locality { }
   incarnation: 16623465188569787091
   physical_device_desc: "device: XLA_GPU device", name: "/device:GPU:0"
   device_type: "GPU"
   memory_limit: 14062547764
   locality {
      bus_id: 1
      links { } 
   }
   incarnation: 6674128802944374158
physical_device_desc: "device: 0, name: Tesla T4, pci bus id: 0000:00:04.0, compute capability: 7.5"]

กำลังตรวจสอบ RAM

หากต้องการดูทรัพยากรหน่วยความจำที่พร้อมใช้งานสำหรับกระบวนการของคุณให้พิมพ์คำสั่งต่อไปนี้ -

!cat /proc/meminfo

คุณจะเห็นผลลัพธ์ต่อไปนี้ -

MemTotal: 13335276 kB
MemFree: 7322964 kB
MemAvailable: 10519168 kB
Buffers: 95732 kB
Cached: 2787632 kB
SwapCached: 0 kB
Active: 2433984 kB
Inactive: 3060124 kB
Active(anon): 2101704 kB
Inactive(anon): 22880 kB
Active(file): 332280 kB
Inactive(file): 3037244 kB
Unevictable: 0 kB
Mlocked: 0 kB
SwapTotal: 0 kB
SwapFree: 0 kB
Dirty: 412 kB
Writeback: 0 kB
AnonPages: 2610780 kB
Mapped: 838200 kB
Shmem: 23436 kB
Slab: 183240 kB
SReclaimable: 135324 kB
SUnreclaim: 47916
kBKernelStack: 4992 kB
PageTables: 13600 kB
NFS_Unstable: 0 kB
Bounce: 0 kB
WritebackTmp: 0 kB
CommitLimit: 6667636 kB
Committed_AS: 4801380 kB
VmallocTotal: 34359738367 kB
VmallocUsed: 0 kB
VmallocChunk: 0 kB
AnonHugePages: 0 kB
ShmemHugePages: 0 kB
ShmemPmdMapped: 0 kB
HugePages_Total: 0
HugePages_Free: 0
HugePages_Rsvd: 0
HugePages_Surp: 0
Hugepagesize: 2048 kB
DirectMap4k: 303092 kB
DirectMap2M: 5988352 kB
DirectMap1G: 9437184 kB

ตอนนี้คุณพร้อมสำหรับการพัฒนาโมเดลแมชชีนเลิร์นนิงใน Python โดยใช้ Google Colab

Google Colab เป็นแพลตฟอร์มที่มีประสิทธิภาพสำหรับการเรียนรู้และการพัฒนาโมเดลแมชชีนเลิร์นนิงอย่างรวดเร็วใน Python มันขึ้นอยู่กับสมุดบันทึก Jupyter และสนับสนุนการพัฒนาร่วมกัน สมาชิกในทีมสามารถแชร์และแก้ไขสมุดบันทึกพร้อมกันได้แม้จากระยะไกล นอกจากนี้ยังสามารถเผยแพร่สมุดบันทึกบน GitHub และแบ่งปันกับบุคคลทั่วไปได้ Colab รองรับไลบรารี ML ยอดนิยมมากมายเช่น PyTorch, TensorFlow, Keras และ OpenCV ข้อ จำกัด ณ วันนี้คือยังไม่รองรับ R หรือ Scala นอกจากนี้ยังมีข้อ จำกัด เรื่องเซสชันและขนาด เมื่อพิจารณาถึงผลประโยชน์สิ่งเหล่านี้คือการเสียสละเล็กน้อยที่ต้องทำ