1.上传数据集
在 我的云端硬盘 创建一个文件夹（如deeplearning），放入要运行的数据集，比如保存在文件夹数据集里
上传数据集
2.挂载谷歌云盘
在deeplearning 目录创建一个 .ipynb 文件，以colab方式打开。
下面进行挂载云盘
from google.colab import drive drive.mount('/content/gdrive')
3.更改运行目录
查看一下当前运行目录
!pwd
可以看到这样的目录，所有的云端硬盘文件都在MyDrive里了
接下来打算在/content/gdrive/MyDrive/deeplearning目录，运行。
import os os.chdir("/content/gdrive/MyDrive/deeplearning")
确认一下运行目录
!pwd
4.上传.py执行文件
这边上传了dataset.py,eval.py,file1.py,train.py4个文件。
（虽然可以在notebook上运行，但是个人习惯在本地跑通后，直接放到colab上（可以适当增加batch size,毕竟colab的gpu显存比本地显存大），因为部分notebook的代码需要变化）
5.运行
在当前目录下执行
!python train.py
等待训练就行了。
6.其他问题
6.1换成gpu
点击 代码执行程序-更改运行时类型，硬件加速器换成gpu就行
查看显卡型号和显存
!nvidia-smi
这次分配到的是一张Tesla-T4显卡,16显存（实际上就15G这样）。
接下来重复2、3、4、5操作就行了。
6.2下载数据集
毕竟梯子还是有按照流量来算的。直接上传到云端硬盘有点废流量。
先完成 .更改运行目录,把数据集的url复制进去。运行，等待下载就行了。这样就不需要从本地上传了。(下载到当前运行目录)
import urllib.request print ("downloading with urllib") url = 'http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531872/%E5%9C%B0%E8%A1%A8%E5%BB%BA%E7%AD%91%E7%89%A9%E8%AF%86%E5%88%AB/train.zip' f = urllib.request.urlopen(url) data = f.read() with open("train.zip", "wb") as code: code.write(data)
6.3解压
用python解压到当前文件
import zipfile with zipfile.ZipFile('train.zip','r') as zzz: zzz.extractall()
或者用命令解压
!unzip train.zip
6.4包安装和更新
查看安装的所有包
!pip list
安装想要的包(比如:pillow)
!pip install pillow
更新包
!pip install pillow --upgrade
