比Jupyter还好用的Google数据分析神器Colab

 

为什么要使用Colab

使用过Jupyter（参看《「极客时间」带来的社区价值思考》章节：社区交流的基建设施）的朋友，一定会醉心于它干净简洁的设计，以及在“摆脱Python命令行运行”上提供的优质服务。某种意义上讲，Jupyter的简洁设计，非常适合于初学编程的朋友。因为从整体看，整个Jupyter所提供的界面像是学生时代老师提供的PPT演讲大纲。而唯一不同的是，在Jupyter里面，那些作为示例文档的代码，可以被真实运行起来。对于真正从事过教学和喜欢探索的人来讲，这个优雅的小功能，有着难以言说的奇妙和舒适感。

但这远远不够。对于一般的“门外汉”来讲，或者对于那些仅仅想要随手做一个轻便小实验的研究者来讲，Jupyter还是过重了。为什么呢？因为Jupyter提供的是一套组装工具，类似于宜家售卖的拼接家具。你可以通过Jupyter提供的这套基建设施组合出一副精致的“家具”，但必须经历拼接的繁琐：例如Jupyter软件的安装、各种Machine Learning代码库的“先下载后安装”，以及最为反人性的：你必须在本地占用一个端口启动一个server，还得保持这个server的运行。

从程序角度讲，它的这套逻辑毫无问题。可从用户角度讲，这些繁琐的基础设施消耗，会大大磨灭探索者前进的欲望。还没开始真正的数据分析，就已经准备放弃了。

一个相对折中的办法，是购买一台虚拟机，在它上面开辟出一个端口来长时间运行Jupyter。但这也需要不怎么省力的一番折腾。

那有没有什么更为优质的解决方案呢？！答案是，yes。

那就是Google提供的Colab（https://colab.research.google.com 看不到的同学，请自行搭建梯子），以及Kaggle社区提供的Kernel环境。

事实上，最先让我注意到的，是Kaggle社区的Kernel。我想，这个功能的提供，必定引发了很多数据科学研究者加入Kaggle社区。但数据竞赛，又是Kaggle的一个包袱。这套Kernel，几乎是完全根植在Kaggle竞赛里的。为了使用它，你不得不拥有一个Kaggle账号（典型的Growth Hacker套路），进而再在Kaggle复杂的界面中，找到Kernels 按钮，默默新建一个工作界面。

在最初使用Kernel的惊喜之余，我直接想到的便是：Kaggle应该将这个东西单独拿出来做，而不是被数据竞赛限制住自己的脚步。

可毕竟是创业公司，资源稀少，不敢随意胡乱使用。等到Google将Kaggle收购后，这位从来喜好有趣的大老爹，便毫不留情地将这个部分给吃掉，发布了Colab。

更让人惊喜的是，这位有钱的大老爹，还提供了GPU这个让我等平民无法仰视的重要资源：免费使用 Nvidia Tesla K80 GPU ！！！

 

虽然有很多吐槽的声音认为：便宜无好货，这个鸡肋的资源在某些情形下还不如CPU跑得快。

但我想说的是，如果你知道GPU是未来，也相信摩尔定律会让你在不久的将来也能用上GPU，你难道不应该更加去在意如何快速、先人一步掌握这块技术魔法石，而不是关注它在不久后便会有重大提升的效率么？比起机器提升的效率来讲，自己的学习速率不才是瓶颈吗？

 

如何使用Colab

基于Google Drive的存储

首先，Colab的notebook是存放在你自己的Google Drive里面的。对于熟练使用Google Docs的同学来说，这是自然而然的事情。你可以自己在Google Drive里面新建一个文件夹作为notebook的存放地，也可以直接使用默认文件夹 Colab Notebooks（下图金黄色的文件夹即是）：

 

新建Colab notebook既可以在colab.research.google.com界面中，也可以直接在Google Drive里：

 

新建好了notebook，在Colab的展现出来便是这样：

 

整个notebook的运行方式，和Jupyter基本一致。一些细微的文档操作上，例如Cell上下移动，Google做了些自己的定制。

 

如何使用GPU

如何设置GPU的运行呢？依次点击 Edit > Notebook settings 或者 Runtime > Change runtime type ，选择GPU作为Hardware accelerator。

 

 

安装程序库

对想要探索Deep Learning的同学来说，Keras已经成了一个必备的工具框架。这就涉及到安装Keras，只需一行命令：

 !pip install -q keras

更一般地，为了import 不在Colab上的库，可以直接使用!pip install <package name> 或者!apt-get install <package name> 来做安装。例如，安装matplotlib：

!pip install -q matplotlib-venn

或者调整TensorFlow的版本：

# To determine which version you're using:
!pip show tensorflow
# For the current version: 
!pip install --upgrade tensorflow
# For a specific version:
!pip install tensorflow==1.2
# For the latest nightly build:
!pip install tf-nightly

 

又或者，查看你的当前路径和当前路径的内容：

# Check your current directory
!pwd
# Check contents under current directory
!ls

可以推断：想在Colab中调用Linux命令，需要在命令最开始添加符号!。

 

如何连通Colab与Google Drive

虽然Colab的文件是存储在你的Google Drive上，但一个让人懊恼的问题是你在Colab的notebook中使用命令时，其发生作用的文件目录却不在Google Drive上，而是在Google提供的一个虚拟机（VM）中。如果你有其它数据或者文件需要在运行时使用，就没办法了。所以，你需要将运行的VM同你自己的Google Drive连接起来。这就涉及到Mount Google Drive，也就是把你的Google Drive当作U盘一样，挂到Google分配给你的VM上。

这里，我们通过 google-drive-ocamlfuse 去Mount自己的Google Drive。

先运行以下命令去安装必要的库，以及做相应的authorization：

!apt-get install -y -qq software-properties-common python-software-properties module-init-tools
!add-apt-repository -y ppa:alessandro-strada/ppa 2>&1 > /dev/null
!apt-get update -qq 2>&1 > /dev/null
!apt-get -y install -qq google-drive-ocamlfuse fuse
from google.colab import auth
auth.authenticate_user()
from oauth2client.client import GoogleCredentials
creds = GoogleCredentials.get_application_default()
import getpass
!google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret} < /dev/null 2>&1 | grep URL
vcode = getpass.getpass()
!echo {vcode} | google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret}

在运行过程中，会看到相应的认证框如下图：

 

点击超链接，复制超链接关联的Google账号的Auth密钥，粘贴到输入框里面，按回车，即可通过。

下一步，Mount起自己的Google Drive：在VM中新建一个目录，再用命令将它连接到Google Drive的根目录。

!mkdir -p TerenceDrive
!google-drive-ocamlfuse TerenceDrive

这里的"TerenceDrive"可修改为你想要的名称。它意味着，这个 TerenceDrive 将直接指向你的Google Drive的根目录。

把自己的Google Drive挂到运行notebook的VM后，很多事情就变得极其方便了。

 

Colab中运行.py文件

先用一段Keras上的代码示例mnist_cnn.py（http://t.cn/REe2bqF）来演示如何直接运行.py文件：

'''This is [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, 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])

 

假设这个文件mnist_cnn.py 存放在了我们的Google Drive的Colab Notebooks文件夹下，此时，它的路径便是 My Drive/Colab Notebooks/mnist_cnn.py 。

知道了TerenceDrive 直接指向Google Drive的根目录，便可以直接运行命令：

!python3 'TerenceDrive/Colab Notebooks/mnist_cnn.py'

 

Colab中下载数据到Google Drive

例如，直接从URL上下载数据到自己Google Drive的Colab Notebooks文件夹：

!wget https://raw.githubusercontent.com/vincentarelbundock/Rdatasets/master/csv/datasets/Titanic.csv -P 'TerenceDrive/Colab Notebooks'

 

立马用Pandas读取一个试试：

import pandas as pd
titanic = pd.read_csv('TerenceDrive/Colab Notebooks/Titanic.csv')
titanic.head(5)

简直丝滑清爽无比！

 

Colab中使用GitHub Repo

再来看看经常会用到的git版本控制，特别是如何使用在GitHub上现成的project。直接clone 一个项目到自己的Colab Notebooks文件夹：

!git clone https://github.com/wxs/keras-mnist-tutorial.git 'TerenceDrive/Colab Notebooks/keras-mnist-tutorial'

 

从Google Drive中打开notebook：

 

选择以Colaboratory的方式打开：

便可以将这个notebook运行了。

 

 

 

最后提一句，Colab自带的notebook Welcome to Colaboratory! 是一个很好的学习Colab的起点。

Enjoy your Colab journey.

 

 

 

近期回顾

《2018年02月写字总结》
《极端开放的头脑 | 《原则》》
《系统的演化》

 

如果你喜欢我的文章或分享，请长按下面的二维码关注我的微信公众号，谢谢！

   

更多信息交流和观点分享，可加入知识星球：

 

VIP赞赏专区