模型训练中的免费GPU获取指南

训练模型需要越来越强的算力。GPU 对各个领域而言也变得愈发不可或缺。但无论是直接购买 GPU，还是订阅 GPU 服务，价格都不便宜。像我这样的学生，以及你或其他没有条件拥有 GPU 的人，都需要寻找替代方案，以便继续使用和学习。我不了解你的电脑配置，但我的笔记本电脑性能很普通，无法承受太大的计算量，因此有一个替代方案会非常有帮助。

在下面介绍的各个选项中，我都会附上自己创建的 notebook 作为运行示例。这些 notebook 没有特定目标，只是用于配合本文内容，也方便你亲自测试。

亲爱的读者，如果你愿意点赞并分享，我会非常感激。这样我就能了解自己的文章传播到了哪里，并继续为你带来新内容。

Google Colab

我已经使用 Google Colab 好几年了。它简单易用，你可以通过 Notebook 开展工作，并且能够免费使用 CPU、GPU 和 TPU。当然，免费资源存在额度限制，所以请适度使用。

Google Colab 可以与我们的 Google 账号配合使用，直接访问 Google Drive 中共享的文件。如果你有非常大的图像文件，只需简单操作就能将其导入，这一点非常实用。此外，你还可以将 notebook 保存到自己的账号中。

它的界面很简洁，提供 terminal、代码片段、键盘快捷键和多种主题，还有一些现成的 notebook，可以帮助你从示例开始上手。

• 与 Google 账号集成
• 功能丰富
• 订阅方案和 credit 购买方案的选择较少
• Terminal 仅对 PRO 账号开放
• 无法从零创建环境，环境中的 Python 和 packages 已经预先确定
• 保存 notebook 时不支持与 GitLab 集成，仅支持 GitHub

Kaggle

Kaggle 是我的最爱。我不知道你是否也喜欢，但我很享受学习，而在 Kaggle 中，我可以结合许多资源进行学习。

首先是社区，你可以在其中搜索新内容、发起讨论以及参与其他辩论。平台提供了庞大的 notebook、dataset 和 model 资源库，供你直接使用。使用方式也很简单：只需创建一个 notebook，再通过名称添加你想使用的 dataset 或 model，整个过程非常灵活。

除此之外，平台还提供短期课程，帮助你学习 machine learning 和 deep learning 相关主题。你可以使用 CPU、GPU 和 TPU，当然同样存在额度限制。最令人惊喜的是，Kaggle 还为团队和个人用户举办竞赛，帮助参与者提升技能。

• notebook 环境中提供了大量可用资源
• Dataset 和 Model 均可一键使用
• 对小屏幕的响应式适配不够理想。我使用的是笔记本电脑，但当我需要分屏，在 notebook 旁边阅读其他内容时，操作起来会很不舒服
• 启动机器需要等待一段时间
• 无法购买更多 credit 来使用 GPU
• Kaggle notebook 不支持某些键盘命令
• 保存 notebook 时不支持与 GitLab 集成，仅支持 GitHub

Kaggle

Kaggle Datasets

Kaggle Models

Amazon SageMaker Studio Lab

我觉得 SageMaker Studio Lab 使用起来比较复杂。首先，注册后需要等待审核通过。我是在创建账号时遇到这种情况的，不确定现在是否已经有所改变。

当你想学习一款新软件并运行一些 notebook 时，却因为审核而无法继续；之后还必须检查手机，这又会带来额外的等待。你还需要确认它是否能够正常工作。亲爱的读者，希望你使用时一切顺利。

撇开这些问题不谈，平台提供 CPU 和 GPU 两种选择，可以用于运行 notebook。此外，它还有一个包含大量示例的 repository，帮助你学习 Generative Deep Learning、Computer Vision 和 NLP。

• 界面简单直接
• 提供用于训练的示例 notebook
• 创建和验证账号的流程十分繁琐
• Dashboard 和用户资料页面提供的功能较少

Amazon SageMaker Studio Lab Notebooks

PaperSpace

亲爱的读者，关于 PaperSpace，我也要先说声抱歉：我没能成功运行 notebook，甚至只能截一张图作为展示。

它确实提供免费机器，但在实例化机器时，会弹出一个新窗口，要求添加银行卡。即使我在图片中选择的是免费机器，它也始终显示不可用。最终，我没能创建任何 notebook，希望你可以成功。

不过，不要因此放弃了解它。除了提供 CPU 和 GPU 之外，你还可以使用不同类型的机器创建 notebook，包括空白 notebook，以及已经预先配置好 libraries 的 notebook。你也可以在同一个平台中处理 deployment、data 和 model，所有功能都集中在一处。

• 功能丰富
• 机器类型选择多样
• 提供可直接用于开发的环境
• 套餐种类丰富
• 由于资源不足，免费机器很难成功创建
• 不提供 credit 套餐，只能按使用量付费
• 数据存储容量的选择非常有限。例如，扩容选项只有 50GB。对于图像和视频 dataset 非常庞大的场景，我认为这可能是一个缺点，也许平台存在其他替代方案。我会进一步研究，如果确实如此，我将更新本文

再介绍一下我自己……

我毕业于信息系统学士专业，在大学期间接触过多种不同的技术。在这个过程中，我修读了 Artificial Intelligence 课程，并第一次接触到 machine learning 和 Python。从那以后，学习这个领域便成了我的热情所在。

如今，我从事 machine learning 和 deep learning 相关工作，负责开发通信软件。在学习和工作的过程中，我创建了一个博客，用来发布自己正在研究的主题，并通过分享这些内容来帮助其他用户。

我目前正在学习 TensorFlow 和 Computer Vision。

趣事：我非常喜欢咖啡。

为什么要在软件开发中使用 Obsidian？

我在 2024 年作为软件开发者拥有的超能力

教程：Docker——在容器之间进行通信

如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。