机器之心报道

编辑：陈萍、小舟

「至尊会员」的坑，看完测评再决定入不入吧......

对于没有 GPU 的小伙伴们来说，谷歌 Colab 是一个公认的「真香」神器，穷苦学生党也能免费薅羊毛。

不过，使用的人多了，难免会出现不如意的情况，几个小时就掉一次线、分配的 RAM 不足等问题随之而来。然后 Colab 开启了会员机制。

就在前几天 Colab 搞了个会员 Colab Pro+，每月 50 刀、训练 24 小时不掉线。除了这种堪称至尊会员 Pro + 外，还有每月差不多 10 美元的 Colab Pro 超级会员。

据了解，Pro + 最大的特点是「后台执行」，关了浏览器还能运行那种。此外，Pro + 版的 GPU、内存和运行时长也将全面升级。

Pro + 究竟升级了什么，谷歌在「常见问题解答」里写得非常清楚。总结一下就是：

• 免费的就只能用老古董 K80，Pro 和 Pro+ 用户可以使用 T4 和 P100 GPU，还可以优先使用 TPU；
• Colab Pro+ 订阅者能享受更高的连接稳定性，即使关闭计算机或浏览器标签页后，笔记本也能继续执行，上限是 24 小时；
• 但是，在几乎所有服务中，资源供应还是没有保证，并且依然存在用量限额。

50 刀的价格属实不菲，入手之前不如先看看别人怎么说。一位名叫 Martin Henze 的开发者最近充了 Colab Pro + 会员，我们来看看 ta 的「开箱测评」。

事情是这样的，Martin Henze 参加了 Kaggle 的比赛，用的是自己的笔记本电脑，对于小模型和小图像来说自己的电脑也够用，但要想在排行榜上打榜升级，就必须扩大模型和数据规模，这样一来，电脑完全 hold 不住了。在 GPU 不够用的情况下，Henze 决定使用 Google Colab 付费选项来解决。

Henze 表示自己以前只使用过免费版的 Colab，现在发现还有 2 个付费版：Colab Pro 和 Colab Pro+。与 Pro 相比，Pro+ 版本宣传「优先访问更快的 GPU」。这么看来 Pro + 多了一个优先级，Pro 用户接下来的使用体验可能就没那么丝滑了。因此 Henze 萌生了测试 Pro + 的想法。

Henze 写了一篇博客来介绍自己在 Colab Pro+ 中发现的功能，以及在 Kaggle 比赛中使用 Colab 的最佳方法。此外，文章最后还介绍了 Colab 的可替代方案。

Colab Pro + 的特性

• GPU 资源 ：订阅 Pro + 后，在「High-RAM」GPU 运行时设置下，Henze 可以使用 1 块 V100 GPU，一次只能运行其中一个会话。另外，「Standard」RAM 运行时选项允许用户每次使用 1 块 P100 GPU 运行 2 个并发会话；
• 「High-RAM」运行时提供了 53GB 的 RAM 和 8 个 CPU 核。在「Standard」RAM 会话中，Henze 得到了 13GB RAM 和 2 个 CPU（Henze 认为这个配置可能是免费版 Colab 就能提供的）；
• 对任意会话 运行时限制 都是 24 小时。Pro + 用户即使关闭浏览器后也能在后台运行，这种「后台执行」能力是一个非常有用的功能， 但 Henze 没有进行测试。请注意，一段时间没有任何活动（即没有单元正在运行），即使是 Pro+ 用户，也会断开连接；
• 对于大数据来说， 存储 是非常重要的，与 Pro 的 100GB 存储量相比，Pro + 提供了 150GB 的磁盘空间。事实证明，磁盘空间的提升具有重要作用，它允许 Henze 可以复制训练数据与测试数据，而且还可以安装更新一些库。

至于 Colab 的 TPU 运行时以及并发 CPU 会话的数量，Henze 还没进行测试。

一方面有优势，与免费的 Colab 和 Kaggle 资源相比，Pro + 用户能享受更高的连接稳定性，即使关闭计算机或浏览器标签页后，程序也能继续执行，上限是 24 小时。另一方面也有一些限制，例如在时间紧迫的情况下，一次只能进行 1 个会话，或者使用较慢的 P100 进行 2 个会话。

另外请注意，Colab FAQ 指出：为了防止有限的资源被少数用户垄断，Colab Pro 和 Pro + 中的资源优先考虑最近使用资源较少的用户。因此，用户似乎不太可能在一个月的时间里全天候使用 V100 GPU。对于这一点，作者也打算进行更多的实验，也许会遇到这个限制。

将 Kaggle Notebook 移到 Colab 上

如果你在一周内已经超出了可以使用的（相当多的）Kaggle 资源，或者在短时间内需要更多的资源，将 Kaggle Notebook 移到 Colab 将是一个很好的选择，在 Colab 上可以继续训练和实验。但这一过程并不容易，需要面临两个挑战：获取数据、设置 notebook 环境。此外，Colab 放弃了许多标准的 Jupyter 快捷键，这种做法会增加用户的工作量。

在 数据导入 Colab 方面：目前最好和最快的方法是通过 GCS_DS_PATH 复制数据，即谷歌云存储路径。自 2017 年 Kaggle 被谷歌收购以来，其框架已被大量集成到谷歌的云环境中。Kaggle 数据集和比赛数据都有云存储地址，可以从那里将数据转移到 Colab 上。

你可以通过在 Kaggle Notebook 中运行以下代码来获得 GCS_DS_PATH。将 seti-breakthrough-listen 替换为你自己的比赛（competition）或数据集的名称：

from kaggle_datasets import KaggleDatasets
GCS_DS_PATH = KaggleDatasets().get_gcs_path("seti-breakthrough-listen")
print(GCS_DS_PATH)

在 Colab 中，你可以使用 gsutil 工具复制数据集，甚至是单个文件夹，就像这样：

!gsutil -m cp -r {GCS_DS_PATH}/"train" .
!gsutil -m cp -r {GCS_DS_PATH}/"test" .

这比从 Google Drive 复制或通过 Kaggle API 下载来检索数据的速度要快得多。当然，获取数据也受到 24 小时运行时的限制。需要注意的是，会话断开后数据就丢失了，需要在新的会话中重新设置。

在会话中创建的文件（例如经过训练的模型权重或提交文件）或用户安装的自定义库，也要受到类似的限制。Colab 安装了常用的 Python 和深度学习工具，但都是旧版本。用户可以通过 pip 进行更新：

!pip install --upgrade --force-reinstall fastai==2.4.1 -qq
!pip install --upgrade --force-reinstall timm==0.4.12 -qq
!pip install --upgrade --force-reinstall torch -qq

需要注意两件事：安装后需要重新启动才能导入新库。不用担心，重启后数据仍然存在，但你需要确保留出足够的磁盘空间来安装。

将输出保存在 Drive 上：最后要确保将实验结果（经过训练的权重、提交文件等）复制到 Google Drive 账户，以确保在运行时断开连接却不会丢失它们。当然你也可以手动下载，但自动复制相对更可靠。

可以像这样在 Colab notebook 中使用 Drive：

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

然后复制文件，例如通过 Python 中的 os.system。

可供选择的其他云 GPU

除了 Colab 及其付费版以外，还有其他的云 GPU 替代方案，或许它们可以提供更多的性能（也许能用上 A100），或许是更便宜、使用更灵活。除了大家所熟知的 GCP 和 AWS，还包括以下：

Paperspace Gradient ：G1 使用费用为每月 8 美元，并提供 GPU 和 6 小时运行时限制的免费版。除此之外，每小时花费 2.30 美元可以运行 V100。此外，G1 还能提供 200GB 的存储空间和 5 个并行运行的 notebook。

JarvisCloud ：每小时 2.4 美元可使用 A100 GPU 。此外，JarvisCloud 还提供最新的 Pytorch、FastAI、Tensorflow 作为预安装框架。存储高达 500GB，每小时最高 7 美分。

Vast.ai ：是一个出租 GPU 的平台。你可以在此访问 GCP、AWS 和 Paperspace 资源。不过价格差异很大，但有些看起来比具有相似可靠性的大公司便宜得多。

OracleCloud ：每小时支付约 3 美元可运行 V100，与 AWS 相当。此外， A100 也即将投入使用。

OHVcloud ：一家以价格优惠而闻名的法国供应商。每小时支付 1.7 美元就可以使用 1 块 V100，并提供 400GB 的存储空间。

当前市面上有很多云 GPU 选择，也许在这种良性竞争下，我们会看到价格的合理调整。