近日，Reddit 上有开发者发现，他的 Colab 环境在执行训练任务时不太一样了。在训练任务中，Colab 显示正在使用的设备是英伟达的特斯拉 P100 GPU，版本是 PCIE 16G 内存版。
该网友在 Reddit 上发帖询问后，Colab 可使用免费 P100 GPU 的消息得到了确认。
之前，机器之心曾介绍过如何使用 Colab 上的算力资源。在今年 4 月份，Colab 将 GPU 从古董级别的 K80 升级到了 Tesla T4，这一种图灵架构的新 GPU 非常适合做低精度的推断，训练也比 K80 快了很多。如今，Colab 再一次开放 P100，今年已经是两次硬件升级了。
机器之心也立即验证了一下，当我们选择采用 GPU 加速后，打印出来的确实是 Tesla P100 GPU。
P100 到底有多强
T4 在深度学习计算中能够很好地平衡训练和推理之间的需求，成本相比 V100 也低很多。但是本次 Colab 将算力升级到 P100，可以说是相当顶尖的 GPU 了。
更何况，这些都是免费的。现在，如果要正常使用这些算力，恐怕也不是一个小数目。如上所示，机器之心从谷歌云官网上查到了现在 GPU 算力的价格。表中，T4 需要的每小时 1.03 美元/训练单元。而 P100 则高达 1.6 美元每小时/训练单元。
看起来没省多少钱？要知道，用一个 P100 GPU 在 ImageNet 上训练一个 ResNet-50 就要差不多一天多的时间（参考 DAWNBench）。如果不中断的话，这也需要 40 多美元，在 Colab 上，这笔钱就可以省掉了。
P100 的算力究竟有多强？可以说，这是目前深度学习领域相当有性价比的一款 GPU 了。从 2017 年发布以来，P100 已经成为了很多科研机构和企业进行模型训练的标配。相比于 K80 等 GPU，P100 在性能上有明显优势。
英伟达官网上 K80 和 P100 的性能对比。
P100 的相关参数。
尽管 T4 相比 K80 是个不小的进步，但是 P100 依然比前两者都要强很多，这足以说明 Colab 本次的福利相当值了。
Colab，远比你想象中的要强
很多开发者在使用 Colab 时，总会抱怨时不时的终止，抱怨每一次结束后所有包和文件都会删除。但实际上，除了科学上网，其它很多问题都能解决，谷歌的 Colab 远比我们想象的要强。首先不说它对各种框架的支持，它在 TPU 和 GPU 等各种硬件上也提供了很多免费资源，更不用说与 Google Drive 联动而保存各种数据了。
首先最大一个问题是 Colab 会断，但小编用过很多次，差不多每次只要保证页面不关闭，连续运行十多个小时是没问题的。按照我们的经验，最好是在北京时间上午 9 点多开始运行，因为这个时候北美刚过凌晨 12 点，连续运行时间更长一些。像 T4 或 P100 这样的 GPU，连续运行 10 多个小时已经是很划算了，即使复杂的模型也能得到初步训练。
那么如果断了呢？这就要考虑加载 Google Drive 了。Colab 非常好的一点是能与谷歌云硬盘互动，也就是说等训练一些 Epoch 后，可以将模型保存在云端硬盘，这样就能做到持久化训练。每当 Colab 断了时，我们可以从云端硬盘读取保存的模型，并继续训练。
如上两行代码可以将谷歌云硬盘加载到远程实例的「content/drive」目录下，后面各种模型操作与数据集操作都可以在这个目录下完成，即使 Colab 断了连接，所有操作的内容也会保存在谷歌云盘。
只要搞定上面两个小技巧，Colab 的实用性就很强了。当然，如果读者发现分配的 GPU 是 K80，你可以重新启动几次 Colab，即释放内存和本地文件的重新启动，每一次重启都会重新分配 GPU 硬件，你可以「等到」P100。
除了最主要的框架和算力支持，Colab 还有很多更有意思的功能。比如说用个魔术符号「%」调用 TensorBoard、黑暗系代码主题、文件浏览和操作系统，以及最近才更新的 Pandas DataFrame 可视化操作。
Colab 的表格数据扩展，它允许对 Pandas 的 DataFrame 进行可视化的排序和过滤等操作。
随着 Colab 支持越来越强大的计算力、提供越来越多的功能和组件，对于很难获得足够算力的初学者与学生，它将会是非常好的一个开放性工具。
