Pinapayagan ka ng Google Colab na magpatakbo ng mga notebook ng Python sa browser na may zero setup, libreng GPU sa entry tier, at madaling pagbabahagi. Kung bago ka sa mga notebook, mga limitasyon ng session, o pagdadala ng iyong sariling data, ang gabay na ito ay nagbibigay sa iyo ng isang malinis, paulit-ulit na pag-setup na gumagana sa parehong mga plano ng libre at pro. Isang up-hanggang-date chromium-based browser o safari. Matatag na internet; Tumatakbo ang Colab sa mga remote na VM na maaaring mag-disconnect kung idle. Opsyonal: Isang maliit na dataset sa drive (CSV/parquet/mga imahe) upang magsanay. Opsyonal: Budget para sa Pro/Pro+ kung nais mo ng mas mabilis na mga GPU, mas mahabang sesyon, at mas mataas na priority compute.
1) Lumikha ng iyong unang notebook
Pumunta sa Colab, i-click ang Bagong Notebook. Makakakita ka ng isang cell cell at isang text cell (markdown). I-click ang Code Cell at pindutin ang Shift+Ipasok upang patakbuhin ito. Magdagdag ng isang text cell para sa mga tala na may ctrl+m pagkatapos b (mac: cmd+m, pagkatapos b). Ang mga libreng gumagamit ay nakakakuha ng variable na kakayahang magamit; Nag-aalok ang mga pro tier ng mas mataas na priyoridad. Pagkatapos lumipat, ang kapaligiran ay nag-restart. Para sa TPU, gumamit ng TensorFlow o Jax na nagtatayo na sumusuporta dito. Ang mga cell cells ay tumatakbo sa tuktok-hanggang sa kabuuan at ibahagi ang parehong estado ng Python Kernel. Gumamit ng Shift+Enter upang magpatakbo ng isang cell at ilipat, o i-click ang icon ng pag-play. I-restart ang runtime anumang oras sa pamamagitan ng runtime → I-restart ang session upang i-clear ang memorya at variable. Gumamit ng isang nangungunang punto ng exclaim upang tawagan ang mga utos ng shell mula sa mga cell: I-save ang iyong mga kinakailangan.txt upang magmaneho at muling mag-install sa tuktok ng notebook para sa mga maaaring muling tumakbo. Gumamit ng File → I-save ang isang kopya sa drive upang doble, o mag-file → I-save ang isang kopya sa GitHub upang mai-back up sa isang repo. I-export gamit ang File → I-download upang makakuha ng.ipynb,.py, o.html. Para sa drive, tumakbo: Kaya maaaring patakbuhin ng mga kasamahan sa koponan ang iyong notebook nang walang pag-edit.
7) Panatilihing maayos ang mga file ng proyekto I-save ang mga modelo at artifact na malinaw na magmaneho upang magpapatuloy sila matapos na ibagsak ang VM.
8) Panoorin ang iyong RAM, disk, at oras
Ang mga libreng tier session ay oras-limitado at maaaring idiskonekta kung idle o mapagkukunan-napipilitan. Ang mga pro tier ay nagpapalawak ng haba ng runtime at pagbutihin ang katatagan, ngunit ang mga mahahabang trabaho ay dapat pa ring mag-checkpoint output upang magmaneho nang madalas. Ang mga komento ay gumagana tulad ng mga doc. Para sa mas ligtas na pakikipagtulungan, gumawa ng isang”pagpapatupad”na kopya sa bawat kapareha upang maiwasan ang pag-clobbering ng estado ng bawat isa. Magdagdag ng isang linya tulad ng#@param {type:”slider”, min: 1, max: 128, hakbang: 1} sa itaas ng isang variable upang ilantad ang isang kontrol. Makakatulong ito sa mga hindi pangkaraniwang mga kasamahan sa koponan na nagbabago ng mga input nang hindi nakakaantig ng code. Para sa mga pampublikong datasets, i-download kasama ang mga kahilingan sa wget o python. Laging isulat ang pangwakas na kopya upang magmaneho, hindi lamang ang VM. Pagkatapos ay i-export ang iyong notebook bilang.ipynb para sa pag-edit sa hinaharap at isang.html snapshot para sa pagbabahagi. Hindi makakakuha ng isang GPU: Ang mga file ay nawala pagkatapos ng muling pagkonekta: anumang bagay sa labas ng drive ay ephemeral. Laging sumulat sa/nilalaman/drive/…. mabagal na pag-install bawat pagtakbo:
Mga Tip
pro tip: Gumamit ng%pip at%condo magic kung saan magagamit upang mapanatili ang pag-install na nakatali sa kernel. pro tip: para sa muling paggawa, mga bersyon ng pin: pandas==2.2.3. seguridad: Patakbuhin lamang ang mga notebook na pinagkakatiwalaan mo; Ang mga cell cells ay maaaring magsagawa ng mga utos ng shell. bilis: ilipat ang mabibigat na preprocessing sa GPU/TPU o vectorize na may numpy/polars upang mabawasan ang mga python loops. Organisasyon: mga notebook ng pangalan tulad ng yyyy-mm-dd_topic.ipynb kaya awtomatikong magmaneho ang mga ito.
faqs
libre ba ang colab? Ang mga bayad na tier ay unahin ang mas mabilis na hardware at mas matagal na runtimes.
gaano katagal ang mga session? Asahan ang mga awtomatikong pagkakakonekta pagkatapos ng mga idle na panahon o napakatagal na pagtakbo. Ang checkpoint upang magmaneho nang madalas.
Maaari ba akong gumamit ng R o iba pang mga wika? Maaari kang tumawag sa mga tool ng system sa pamamagitan ng!, At ang ilang mga kernels ng komunidad ay sumusuporta sa R, ngunit ang suporta ay pangunahing python-nakatuon.
Maaari ba akong magpatakbo ng mga trabaho sa background? Tumigil ang VM kapag natapos ang session. Gumamit ng drive upang makatipid ng mga output at isaalang-alang ang paglipat ng mga workload ng produksyon sa isang pinamamahalaang serbisyo kapag pinalaki mo ang colab.
ano ang pagkakaiba sa pagitan ng GPU at TPU? TPU Target TensorFlow/Jax na may napakalaking matrix matematika throughput para sa ilang mga modelo. Piliin ang CPU/GPU/TPU sa ilalim ng runtime. I-install ang mga kinakailangang pakete sa tuktok. Mag-mount drive at i-load ang iyong mga datasets. Ayusin ang mga output sa drive folder. Subaybayan ang RAM/disk; I-restart kung kinakailangan. Ibahagi ang ligtas at gumamit ng mga form para sa mga parameter. I-export sa.ipynb,.py, at.html para magamit muli at pagbabahagi.
Konklusyon
Magsimula sa browser, piliin ang tamang accelerator, mount drive, at i-pin ang iyong mga bersyon ng package. Gamit ang base na iyon, maaari kang magsanay ng mga modelo, pag-aralan ang data, at magbahagi ng mga resulta nang walang lokal na pag-setup. Asahan ang paminsan-minsang pag-restart; Ang iyong daloy ng trabaho ay mananatiling ligtas kung palagi kang sumulat ng data at artifact upang magmaneho. Kapag kailangan mo ng steadier compute o advanced na mga GPU, mag-upgrade sa isang bayad na tier o lumipat ng mga mature na workload sa isang nakalaang serbisyo.
