国内免费GPU资源哪里找,让我告诉你最新的薅羊毛“秘籍”
生活随笔
收集整理的這篇文章主要介紹了
国内免费GPU资源哪里找,让我告诉你最新的薅羊毛“秘籍”
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
之前我在知乎介紹了兩款練習人工智能算法的應用,都是谷歌的,當時就有網友在評論區提到了國內有百度的 AI Studio,于是產生了興趣,恰好在那評論出現后幾個星期,又看到了 AI Studio 推出了算力卡計劃的新聞,供學習者免費申請使用。這樣的機會怎么能錯過,于是我趕緊寫了一篇薅百度 GPU 的文章,沒想到被各大賬號轉載。
最近我準備在小長假跑一個 GAN 項目,GAN 比較難訓練,正好利用小長假期間跑一跑。今天登陸 AI Studio 收到了一個站內通知,發現這個平臺十月份在做一個深度學習開放月的活動,原先每天登陸送 12 小時的算力竟然變成了每天送 24 小時算力,活動持續一個月。這豈不是白送一個月的 V100 GPU 嗎?按照我的一貫作風,這種好事兒肯定得讓有需求的開發者都知道 (*^▽^*)。
1
AI Studio和飛槳(PaddlePaddle)
1.1 AI Studio 和飛槳算是后起之秀,包括我在內的很多人還不是很熟悉這一整套方案,在開薅之前,所以先簡單介紹一下。
AI Studio 是百度提供的一個針對 AI 學習者的在線一體化開發實訓平臺(https://aistudio.baidu.com/?fr=pw)。平臺集合了 AI 教程,深度學習樣例工程,各領域的經典數據集,云端的運算及存儲資源,以及比賽平臺和社區。[1] 你可以把 AI Studio 看成國產版的 Kaggle。和 Kaggle 類似,AI Studio 也提供了 GPU 支持,但百度 AI Studio 有一個很明顯的優勢:它的 GPU 型號是 Tesla V100。Kaggle 的是 Tesla K80-下表對比兩款單精度浮點運算性能,就能看出 v100 的優勢了。
明顯在單精度浮點運算上,AI Studio 提供的運行環境在計算性能上還是很有優勢的。理論上訓練速度可以提高近 3 倍左右。?
雖然性能上好很多,但目前還是可以免費薅到,AI Studio 提供了免費申請和運行項目獎勵這兩種獲得算力卡的方式,最后一章我會帶領大家去薅。?
即使算力卡用完了(目前送得太多,根本用不完),AI Studio 的 CPU 也是很有競爭力的。親自用腳本測試過,AI Studio 的 CPU 是 Intel(R) Xeon(R) Gold 6148 CPU,可以說在配置上,AI Studio 是很有競爭力的。?
1.2 飛槳
根據官網介紹,飛槳是百度推出的「源于產業實踐的開源深度學習平臺」,致力于讓深度學習技術的創新與應用更簡單。
Paddle 直譯就是槳, 其實是 Parallel Distributed Deep LEarning 的縮寫。和 TensorFlow,Pytorch 等框架一樣,飛槳給開發者提供了很多常用的模型,也可以直接在包里直接加載常用的數據庫,對于學習者來說,還是很方便的。?
飛槳(PaddlePaddle)還是有點國產的意思,去 Github 可以搜到 PaddlePaddle 的項目,除了英文文檔,還提供了中文文檔,有時候還是挺方便的。雖然現在 star 比起 TensorFlow 的還是差不少,但是感覺進展得如火如荼。?
1.3 AI Studio 與飛槳的生態?
下圖是飛槳的全景圖:
飛槳生態其實設計得很好,可能 TensorFlow 先發得太早吧,感覺飛槳追趕得很吃力。但從百度最近推廣飛槳的力度來看,我猜飛槳很有可能兩三年左右進入主流深度學習框架之列。
2
2.1 AI Studio GPU 和 CPU 性能對比?
為了測試 AI Studio 的性能,我用最經典的 MNIST 數據集,在 LeNet 5 模型上進行運損,對比在 GPU 和 CPU 下在 AI Studio 的的性能,飛槳用的 MNIST 數據集是 60000 個訓練數據,10000 個測試數據。?
項目地址在此:
以下是 AI Studio 的 CPU 和 GPU 測試性能對比:
GPU 提升效果為 11 倍,因為訓練過程有驗證測試,而且 CPU 配置也太高了,所以并未達到理論上的 47x 的加速,但這速度還不錯,況且 AI Studio 本來 CPU 是至強金牌處理器,就很高配了,所以理論上 47x 的加速可能還得打個折。?
2.2 AI Studio 和 Kaggle 對比測試?
測試環境:?
1. Kaggle Kernel?
測試 kernel:
Batch_size=50,訓練 5000 輪,使用框架 TensorFlow,CNN 架構是 LeNet-5。?
2. AI Studio?
測試項目:
Batch_size=64,訓練 5000 輪,使用框架飛槳,CNN 架構是 LeNet-5。
AI Studio 的測試結果在 2.1 展示了,就不再贅述了,以下是 Kaggle 的性能測試對比。
GPU 相比 CPU 來說提升效果為 8 倍,因為訓練過程有驗證測試,所以并未達到理論上的 12.5x 的加速。?
由于架構的超參不一樣,直接對比運行時間不太嚴謹,但從 GPU 提升速度的倍數上來說,AI Studio 略勝一籌。?
2.3 AWS?
也在 AWS 開了個 instance 來測試,選的是這一款配置里的 p2.xlarge。
直接把 2.2 里用到的 kaggle 的內核導進去了,測試結果如下:
性能上比前兩者都差一點。?
順便一提,這個測試做得我腦殼痛,前期開 instance,配置環境的就花了一個多小時。對于 AWS 新手來說,可能折騰一天,薅了十幾美刀,還是沒能把代碼跑通。真的強烈不推薦在 AWS 來練習自己 deep learning 技能。?
2.4. 測試總結?
下表總結在不同環境下的測試效果及成本:
在使用體驗上,和 Kaggle Kernel 或者 Jupyter Notebook 很接近,雖然外觀稍有不同,但快捷鍵基本一樣,沒有太大的不適應。除此之外,AI Studio 由于在國內,頁面響應比 Kaggle 更快,比 Kaggle 網絡更穩定,斷線重連幾率要更低,畢竟斷線重連要重跑還是挺蛋疼的。?
不過需要提醒的是,AI Studio 目前還是按運行環境啟動時間來計費,是在無 GPU 環境下把代碼寫好,再開啟 GPU 去跑。雖然 AI Studio 的算力卡也是送的,但也要趕緊薅起來,囤點算力資源,萬一哪天百度沒錢了,不送了呢?
3
現在的算力卡還是很好拿的,沒什么門檻,自己申請一下就拿到了,而且每天運行一次項目,就送 24 個小時算力,連續運行 5 天再加送 48 小時。值得注意的是,申請的算力卡到手就是 48 小時,裂變之后能湊 120 小時,而且有效期比日常運行獲取的 24 小時這種要長很多。這豈不是白送嘛,我尋思每天免費讓你 24 小時 NVIDIA V100 GPU 這種事情,真的是天上掉餡餅吧。此外,AI Studio 官方也有比賽,有獎金,如果你的實力在 Kaggle 里離拿獎金只是一步之遙,那么趁 AI Studio 還沒火起來之前,去 AI Studio 比賽應該是很好拿獎的。?
3.1 自己申請
點擊「閱讀原文」或訪問以下鏈接:https://aistudio.baidu.com/aistudio/questionnaire?activityid=674
接著填寫個人信息:
提交后,會出現下圖:
然后就靜候佳音。通過運營人員核驗后,用戶的郵箱將收到運營人員發送的算力邀請碼:一串 32 位數字。?
通過上面鏈接能申請到 48 小時的算力卡(有效期 1 個月),并且可以分裂,送給別人(稍后送上我的分裂算力卡)。
使用算力卡的方法很簡單,在運行項目時選上 GPU,就會開始使用了,如下圖。
3.2 跑項目賺算力卡?
這個簡直了,你不僅可以運行自己的深度學習代碼,測試自己的項目,而且同時還會得到算力卡。原先是每天跑一次可以得到 12 小時算力卡(有效期 2 天),十月份變成跑一次送24小時算力卡,另外算力充電計劃,就是連續 5 天有使用算力卡,就會額外送 48 小時(有效期 7 天)。但預感這么高成本的事情應該不會持續太久,建議早薅。下面是我的算力卡獎勵歷史,感覺只要你用,AI Studio 就送你算力,不擔心算力不夠。
3.3 算力卡分裂?
AI Studio 的算力卡有分裂功能,你申請到算力卡會有三個邀請碼,你可以分享給你的朋友。我申請的算力卡有三個分裂,我每天會在評論區放一個算力卡,對羊毛貪得無厭,或者懶得申請又想馬上使用的,那可要盯緊評論區了。后續我再薅到新的算力卡就會評論區更新,先到先得,希望各位多多關注本文。?
3.4 比賽薅羊毛
另外額外告訴大家一個可能能行的薅羊毛的方法,需要一定的實力。AI Studio 也有一些常規比賽,相對于 Kaggle,可能競爭會小點,如果你在 Kaggle 能 top10% 以上,來 AI Studio 薅類似的比賽,就很大幾率拿得到獎金了。?
羊毛不是天天有,該出手時就出手!Reference
最近我準備在小長假跑一個 GAN 項目,GAN 比較難訓練,正好利用小長假期間跑一跑。今天登陸 AI Studio 收到了一個站內通知,發現這個平臺十月份在做一個深度學習開放月的活動,原先每天登陸送 12 小時的算力竟然變成了每天送 24 小時算力,活動持續一個月。這豈不是白送一個月的 V100 GPU 嗎?按照我的一貫作風,這種好事兒肯定得讓有需求的開發者都知道 (*^▽^*)。
1
AI Studio和飛槳(PaddlePaddle)
1.1 AI Studio 和飛槳算是后起之秀,包括我在內的很多人還不是很熟悉這一整套方案,在開薅之前,所以先簡單介紹一下。
AI Studio 是百度提供的一個針對 AI 學習者的在線一體化開發實訓平臺(https://aistudio.baidu.com/?fr=pw)。平臺集合了 AI 教程,深度學習樣例工程,各領域的經典數據集,云端的運算及存儲資源,以及比賽平臺和社區。[1] 你可以把 AI Studio 看成國產版的 Kaggle。和 Kaggle 類似,AI Studio 也提供了 GPU 支持,但百度 AI Studio 有一個很明顯的優勢:它的 GPU 型號是 Tesla V100。Kaggle 的是 Tesla K80-下表對比兩款單精度浮點運算性能,就能看出 v100 的優勢了。
明顯在單精度浮點運算上,AI Studio 提供的運行環境在計算性能上還是很有優勢的。理論上訓練速度可以提高近 3 倍左右。?
雖然性能上好很多,但目前還是可以免費薅到,AI Studio 提供了免費申請和運行項目獎勵這兩種獲得算力卡的方式,最后一章我會帶領大家去薅。?
即使算力卡用完了(目前送得太多,根本用不完),AI Studio 的 CPU 也是很有競爭力的。親自用腳本測試過,AI Studio 的 CPU 是 Intel(R) Xeon(R) Gold 6148 CPU,可以說在配置上,AI Studio 是很有競爭力的。?
1.2 飛槳
根據官網介紹,飛槳是百度推出的「源于產業實踐的開源深度學習平臺」,致力于讓深度學習技術的創新與應用更簡單。
Paddle 直譯就是槳, 其實是 Parallel Distributed Deep LEarning 的縮寫。和 TensorFlow,Pytorch 等框架一樣,飛槳給開發者提供了很多常用的模型,也可以直接在包里直接加載常用的數據庫,對于學習者來說,還是很方便的。?
飛槳(PaddlePaddle)還是有點國產的意思,去 Github 可以搜到 PaddlePaddle 的項目,除了英文文檔,還提供了中文文檔,有時候還是挺方便的。雖然現在 star 比起 TensorFlow 的還是差不少,但是感覺進展得如火如荼。?
1.3 AI Studio 與飛槳的生態?
下圖是飛槳的全景圖:
飛槳生態其實設計得很好,可能 TensorFlow 先發得太早吧,感覺飛槳追趕得很吃力。但從百度最近推廣飛槳的力度來看,我猜飛槳很有可能兩三年左右進入主流深度學習框架之列。
2
AI Studio 實例測評:以數字識別項目為例
2.1 AI Studio GPU 和 CPU 性能對比?
為了測試 AI Studio 的性能,我用最經典的 MNIST 數據集,在 LeNet 5 模型上進行運損,對比在 GPU 和 CPU 下在 AI Studio 的的性能,飛槳用的 MNIST 數據集是 60000 個訓練數據,10000 個測試數據。?
項目地址在此:
https://aistudio.baidu.com/aistudio/projectdetail/45293?
以下是 AI Studio 的 CPU 和 GPU 測試性能對比:
GPU 提升效果為 11 倍,因為訓練過程有驗證測試,而且 CPU 配置也太高了,所以并未達到理論上的 47x 的加速,但這速度還不錯,況且 AI Studio 本來 CPU 是至強金牌處理器,就很高配了,所以理論上 47x 的加速可能還得打個折。?
2.2 AI Studio 和 Kaggle 對比測試?
測試環境:?
1. Kaggle Kernel?
測試 kernel:
https://www.kaggle.com/orange90/mnist-with-lenet-5-test-run-time
Batch_size=50,訓練 5000 輪,使用框架 TensorFlow,CNN 架構是 LeNet-5。?
2. AI Studio?
測試項目:
https://aistudio.baidu.com/aistudio/projectdetail/45293?
Batch_size=64,訓練 5000 輪,使用框架飛槳,CNN 架構是 LeNet-5。
AI Studio 的測試結果在 2.1 展示了,就不再贅述了,以下是 Kaggle 的性能測試對比。
GPU 相比 CPU 來說提升效果為 8 倍,因為訓練過程有驗證測試,所以并未達到理論上的 12.5x 的加速。?
由于架構的超參不一樣,直接對比運行時間不太嚴謹,但從 GPU 提升速度的倍數上來說,AI Studio 略勝一籌。?
2.3 AWS?
也在 AWS 開了個 instance 來測試,選的是這一款配置里的 p2.xlarge。
直接把 2.2 里用到的 kaggle 的內核導進去了,測試結果如下:
性能上比前兩者都差一點。?
順便一提,這個測試做得我腦殼痛,前期開 instance,配置環境的就花了一個多小時。對于 AWS 新手來說,可能折騰一天,薅了十幾美刀,還是沒能把代碼跑通。真的強烈不推薦在 AWS 來練習自己 deep learning 技能。?
2.4. 測試總結?
下表總結在不同環境下的測試效果及成本:
在使用體驗上,和 Kaggle Kernel 或者 Jupyter Notebook 很接近,雖然外觀稍有不同,但快捷鍵基本一樣,沒有太大的不適應。除此之外,AI Studio 由于在國內,頁面響應比 Kaggle 更快,比 Kaggle 網絡更穩定,斷線重連幾率要更低,畢竟斷線重連要重跑還是挺蛋疼的。?
不過需要提醒的是,AI Studio 目前還是按運行環境啟動時間來計費,是在無 GPU 環境下把代碼寫好,再開啟 GPU 去跑。雖然 AI Studio 的算力卡也是送的,但也要趕緊薅起來,囤點算力資源,萬一哪天百度沒錢了,不送了呢?
3
羊毛來了,薅起來
現在的算力卡還是很好拿的,沒什么門檻,自己申請一下就拿到了,而且每天運行一次項目,就送 24 個小時算力,連續運行 5 天再加送 48 小時。值得注意的是,申請的算力卡到手就是 48 小時,裂變之后能湊 120 小時,而且有效期比日常運行獲取的 24 小時這種要長很多。這豈不是白送嘛,我尋思每天免費讓你 24 小時 NVIDIA V100 GPU 這種事情,真的是天上掉餡餅吧。此外,AI Studio 官方也有比賽,有獎金,如果你的實力在 Kaggle 里離拿獎金只是一步之遙,那么趁 AI Studio 還沒火起來之前,去 AI Studio 比賽應該是很好拿獎的。?
3.1 自己申請
點擊「閱讀原文」或訪問以下鏈接:https://aistudio.baidu.com/aistudio/questionnaire?activityid=674
接著填寫個人信息:
提交后,會出現下圖:
然后就靜候佳音。通過運營人員核驗后,用戶的郵箱將收到運營人員發送的算力邀請碼:一串 32 位數字。?
通過上面鏈接能申請到 48 小時的算力卡(有效期 1 個月),并且可以分裂,送給別人(稍后送上我的分裂算力卡)。
使用算力卡的方法很簡單,在運行項目時選上 GPU,就會開始使用了,如下圖。
3.2 跑項目賺算力卡?
這個簡直了,你不僅可以運行自己的深度學習代碼,測試自己的項目,而且同時還會得到算力卡。原先是每天跑一次可以得到 12 小時算力卡(有效期 2 天),十月份變成跑一次送24小時算力卡,另外算力充電計劃,就是連續 5 天有使用算力卡,就會額外送 48 小時(有效期 7 天)。但預感這么高成本的事情應該不會持續太久,建議早薅。下面是我的算力卡獎勵歷史,感覺只要你用,AI Studio 就送你算力,不擔心算力不夠。
3.3 算力卡分裂?
AI Studio 的算力卡有分裂功能,你申請到算力卡會有三個邀請碼,你可以分享給你的朋友。我申請的算力卡有三個分裂,我每天會在評論區放一個算力卡,對羊毛貪得無厭,或者懶得申請又想馬上使用的,那可要盯緊評論區了。后續我再薅到新的算力卡就會評論區更新,先到先得,希望各位多多關注本文。?
3.4 比賽薅羊毛
另外額外告訴大家一個可能能行的薅羊毛的方法,需要一定的實力。AI Studio 也有一些常規比賽,相對于 Kaggle,可能競爭會小點,如果你在 Kaggle 能 top10% 以上,來 AI Studio 薅類似的比賽,就很大幾率拿得到獎金了。?
羊毛不是天天有,該出手時就出手!Reference
[1] https://ai.baidu.com/docs#/AIStudio_Tutorial/top?fr=pw
[2] http://www.PaddlePaddle.org/?fr=pw
[3] https://ai.baidu.com/forum/topic/show/943419/?fr=pw
?
現在,在「知乎」也能找到我們了
進入知乎首頁搜索「PaperWeekly」
點擊「關注」訂閱我們的專欄吧
關于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域,歡迎在公眾號后臺點擊「交流群」,小助手將把你帶入 PaperWeekly 的交流群里。
▽ 點擊 |?閱讀原文?| 獲取免費GPU
總結
以上是生活随笔為你收集整理的国内免费GPU资源哪里找,让我告诉你最新的薅羊毛“秘籍”的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: NeurIPS 2019 | 用于弱监督
- 下一篇: 电脑黑屏怎么开机进去u盘启动不了怎么回事