GPU服务器之Colab配置及使用教程

在进行深度学习过程中，不可避免需要进行炼丹的操作，而博主的电脑本身性能就很拉跨，一旦再运行其他的应用便是寸步难行，最好的办法便是再买一台，哈哈哈，当然也可以使用一些云服务器来进行，博主这里选择的是Colab，接下来便是配置环境过程。

首先科学上网打开Google Drive。Google Drive类似百度网盘，我们通过Colab跑代码时，code和dataset都可以放在Google Drive里直接调用。最方便的一点是，在复现其他研究者的工作时，如果dataset通过Google Drive链接分享，我们可以将一键转存到我们的Google Drive中，避免长时间的大文件下载和上传。下面是打开Google Drive的界面：

右键新建Google Colaboratory

• 其实就是一个jupyter笔记本，可以直接在这里面编写和运行代码

关于jupyter笔记本的使用，大家可以参考博主这篇博文：
​深度学习之环境配置 jupyter notebook​​

连接GPU与导入Google Drive

• 修改-笔记本设置-硬件加速器

单击右上方“连接”，就可以自动连接到GPU(实际上在运行代码时也会自动连接)。

连接后，输入下面命令并点击代码块左侧按钮运行下面的代码，查看GPU情况：

! /opt/bin/nvidia-smi

可以看到其分配了一个Tesla T4的服务器

• 接着分别运行这两波代码，将你google drive里面的数据导入进来用于深度学习或者其它操作。

import glob
# Importing drive method from colab for accessing google drive
from google.colab import drive

# Mounting drive
# This will require authentication : Follow the steps as guided
drive.mount('/Data')

之后我们可以查看导入成功了吗：

!ls /Data/'My Drive'

OK了

• 然后我们将文件上传到我们的谷歌云盘

上传成功后，我们再次打开CoLab,可以看到我们上传到云盘的文件

将想要运行的项目目录复制地址：如下

切换至项目路径，添加以后并不能成功引入

import os
os.chdir('/content/drive/My Drive/项目路径/项目文件夹/')

没有报错就是成功，然后我们的.py文件是不能直接运行的，可以以下命令运行。

执行：

`%run main.py`

性能还是很不错的。

不过就是时常会出现云盘断联情况，不太稳定，且对于较大文件，上传云盘速度太慢。不过应对简单的小demo是木的问题的。

这里博主想将YOLO项目上传到服务器上来运行。这是一个十分漫长的过程，呜呜呜。

上传了一晚上，总算是完成了，大概6个小时左右，然后接下来的配置就很简单了，首先需要切换到运行目录下：

import os
os.chdir('/content/drive/MyDrive/yolov7-pytorch-master/')

然后我们需要使用voc_annotation.py生成训练测试所需的配置文件，这个过程还挺慢的，反而表现不如我的电脑，大概是该处都是使用cpu进行运算的原因。完成后我们便可以开始炼丹了。注意，Colab只能分配GPU12小时，所以需要注意中间保存。

总体而言还是蛮不错的。都让你白嫖了，还要什么自行车。

关于长时间无操作掉线问题

想必大家发现了，通过该服务器运行时时常会出现掉线情况，这是由于我们长时间无操作造成的，而炼丹是一个漫长的过程，我们无法一直盯着，那么该如何解决呢？
首先在Colab界面打开控制台（快捷键Ctrl+Shift+I），然后复制以下代码（这段代码的功能是设置每隔60000ms也就是1min自动点击一下Colab的“连接”操作，这样就不至于长时间误操作而导致自动断开连接啦，当然这只是个例子，方法不唯一，大家也可以调整下自己的间隔时间）：

function ClickConnect(){
    console.log("Working");
    document.querySelector("colab-toolbar-button#connect").click()
}
setInterval(ClickConnect, 60000)

把上面这段代码添加到下图所示的位置 ，然后敲一下回车键便可以了。