Colab
    全名Colaboratory，是由谷歌提供的免费的云平台，使用方便，无需在本地安装TensorFlow，keras等框架就可以进行深度学习

配置
Google Drive账号授权
关联你的Google Drive，完成授权后，你可以想象登录了一台服务器，并可以在这台服务器上执行Linux指令。与Jupyter类似，以文档的形式展现，可以运行和共享代码。每一个ipynb文件都存储在Google Drive文件夹下，写完的文件可以上传或共享至github上，github上的数据或者py文件也可以导入，是一个非常方便的平台。

改变背景风格

可以在菜单栏点击工具-偏好设置对文档背景进行设置，可以将主题背景设置为dark暗色调护眼，柯基犬模式是在菜单栏出现跑步的柯基，非常有意思。

使用GPU/TPU

使用GPU/TPU能够提升训练网络的速度，在菜单栏点击修改-笔记本设置即可改变硬件配置，一般选择GPU模式。

基础指令

colab与linux环境指令类似，仅需要在指令前添加“！”即可，本节提供一些入门的

查看显卡硬件信息
在主界面新建代码块输入如下指令便可查询显卡信息

!nvidia-smi1

从下图可以看出显卡已经从K80更新为Tesla T4

导入数据
再colab环境下导入数据一般有三种办法：
    1.直接上传文件
    2.上传Google Drive并挂载导入
    3.从github仓库下载导入
对于第一种方法不推荐，因为分配的云服务器是暂时的，断开连接后空间释放，数据文件直接消失，下次连接的新服务器不会保留数据文件。因此建议使用第二种方法，将数据文件上传到Google Drive中，使用如下代码挂载Google Drive读取数据，这样不会存在数据丢失的情况。
from google.colab import drive
drive.mount('/content/drive')
!ls
代码运行后在下方会出现链接，点击链接登录会出现验证码，复制粘贴到方框内便能在文件目录下挂载Google Drive文件夹，读取数据。

返回你Google Drive主目录下的所有文件夹

!ls "/content/drive/My Drive/"

第三种办法

    上传数据集到git上面之后，就可以在Colab中使用下面这一行代码将我们的数据导入到Colab的虚拟机中（虚拟的Linux文件系统）。下面的这个https://gitlab.com/liangyihuai/cats_and_dogs_small.git是点击上图中蓝色的Clone按钮之后获取的。
! git clone https://gitlab.com/liangyihuai/cats_and_dogs_small.git

使用下面命令查看我们所导入的数据

! ls

查看系统已安装包
使用如下代码变可查看已经安装的python包
!pip list

安装新包
使用如下代码变可安装新python包（假设matplotlib未安装）
!pip install matplotlib

安装keras
!pip install -q keras

配置工作目录
假设你在HW2文件夹内，创建一个新的deep_learning_HM.ipynb文件
Colab不会把你的路径设为你创建文件时所在的路径，而是使用默认路径"/content’，当你想加载dataset.csv.npy文件时，会报错

因此你需要主动设置工作路径
import os
os.chdir("/content/drive/My Drive/HW2")

运行.py文件
安装必要库

运行后，会出现以下提示

先点开相应的链接，选择自己的谷歌账号，并允许，最后会得到相应的代码，输入相应的框中即可

挂载云端硬盘

同上，输入下面命令，执行即可

!mkdir -p drive!google-drive-ocamlfuse drive  -o nonempty

Hello Mnist！

将代码粘入jupyter笔记本中，运行，即可开始奇妙的Google Colab之旅

代码摘自：https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py

'''Trains a simple convnet on the MNIST dataset.
Gets to 99.25% test accuracy after 12 epochs
(there is still a lot of margin for parameter tuning).
16 seconds per epoch on a GRID K520 GPU.
'''
from __future__ import print_function
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K

batch_size = 128
num_classes = 10
epochs = 12

# input image dimensions
img_rows, img_cols = 28, 28

# the data, shuffled and split between train and test sets
(x_train, y_train), (x_test, y_test) = mnist.load_data()

if K.image_data_format() == 'channels_first':
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
    input_shape = (1, img_rows, img_cols)
else:
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
    input_shape = (img_rows, img_cols, 1)

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255
print('x_train shape:', x_train.shape)
print(x_train.shape[0], 'train samples')
print(x_test.shape[0], 'test samples')

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
                 activation='relu',
                 input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])

model.fit(x_train, y_train,
          batch_size=batch_size,
          epochs=epochs,
          verbose=1,
          validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

总结
在使用Colab时，每一个ipynb文件都先执行以下代码
from google.colab import drive
drive.mount('/content/drive/')
import os
os.chdir("/content/drive/My Drive/YourWorkPath")