Kaggle GPU使用 及 各种有用的功能

目录

• 地址：https://www.kaggle.com/
• 创建 notebook
• 导入kaggle数据集
• 读取导入的数据集
• 使用GPU加速训练
• 离线跑模型

地址：https://www.kaggle.com/

创建 notebook

1. 进入主页，在左侧选择 code
   
2. 选择新建
   
3. 剩下的操作步骤就跟 jupyter notebook一样了
   

导入kaggle数据集

1. 进入notebook，选择右侧的Add Data
   
2. 输入想要的数据集，这里以 d2l-Classify-Leaves 李沐老师的竞赛为例。先右上角search，再add即可
   
3. 导入效果如下
   

读取导入的数据集

1. 以读取test.csv为例，先点击 开关 的按钮，连接内核
   
2. 连接内核后可点击，查看资源的使用情况
   
3. 在cell里编写代码, 这里csv的路径可以通过：右侧的Data框选择数据集，然后点击复制即可
   

import pandas as pd
df = pd.read_csv("../input/d2lclassifyleaves/test.csv")
df

output：

使用GPU加速训练

1. 点击右上角的更多->加速器->GPU or TPU
   
2. 会提示，每周最多使用38小时
   
3. 效果如下
   
4. 查看分配的GPU情况，在cell里输入

! nvidia-smi

可以看到分配的是P100

离线跑模型

有时候跑模型需要半天甚至更久，那么就需要在后台跑模型了

1. 先在notebook编写好代码，然后选择右上角的Save
   
2. 勾选保存
   
3. 在Advanced中选择 gpu加速
   
4. 选择Save，在右下角会出现活动
   
5. 注意：在后台运行过程中，是看不到执行步骤和输出的，只有整个代码跑完才行，成功后显示如下
   
6. 点击该活动可以看到