显卡不是你学习 Deep Learning 的借口

很多人在学习深度学习的时候会以自己没有 RTX N 卡的理由不动手实操,只满足于看看“娱乐”视频,听几节基础知识。当然,如果只是想要浅显地了解一下深度学习,或者是为了在茶余饭后多一些谈资的话,这种做法也是无可厚非的。

本着互联网的白嫖精神,我在学习 DL(Deep Learning) 的时候其实走了很多弯路,像大家熟知的 Colab、Kaggle、PaddlePaddle 等这种免费 GPU/TPU 都去蹭过,可结果是什么呢?

我花了更多的时间在想方设法白嫖算力、适应各种平台和框架上,而这些时间本可以练手、看论文、写代码的。(一上午花 3 小时白嫖,然后 20 分钟真正写了下代码就去玩的经历真的很耻辱)加上现在各大平台收紧,那些“可怜”的算力只能用来跑一下“玩具”项目。配台电脑既没地方也没那么多时间用,但不配又不能真正了解 DL。

这种纠结一直持续了很久,直到李沐大神在 B 站上开课我才了解到可以用云来跑,于是我便花了一上午的时间尝试了各大云服务器平台。结论如下

暂时不用也可以先注册着,万一过年的时候来个老用户发代金券岂不美滋滋。

网址:https://featurize.cn?s=186305ad43bc40dabfff73fed16fa7c9(文末给出了注册和操作截图)

featurize No.1!

featurize No.1!

featurize No.1!

为什么这样说呢?

  1. 便宜,featurize 是全网能找到的最便宜的一家了,2080Ti 2RMB/h,比各种云服务都便宜(智星云、MnistGPU、矩池云、AWS、阿里、腾讯)
  2. 预装了 PyTorch、CUDA、TensorFlow 的最新版本(AWS 等租用实例安装这些东西还得扣钱就很心疼,这些都好几个 G 的)
  3. 开发票很容易(这也是为什么选择这家,毕竟能报销的为什么不呢?)
  4. 反馈比较快,有问题可以直接添加管理员的微信。

下面是注册和使用操作步骤截图

首先点击网址进入(点这个网址首充有 10 元代金券,可以用来练手,毕竟也能用 5 小时):https://featurize.cn?s=186305ad43bc40dabfff73fed16fa7c9

点击开始使用,之后会跳转到实例页面,你可以看到各种可供租用的用例

点击右上角的登录/注册,我比较懒,直接微信扫码注册的

之后就是租用实例开始训练模型了,使用文档在这里,人说的好像比我详细多了

网址:https://docs.featurize.cn/docs/about

注意

  1. 训练完后记得退还机器,不然会持续计费

  2. 先在笔记本/自己的电脑上写好代码,用笔记本那“可怜”的独显/核显跑几个样本看看代码有没有问题,没问题再迁移到云上跑

    我的是 MX250,想到之前自己浪费很多时间去白嫖算力的行为真是 250 行径。

最后也是一点忠告:处在 20~30 的发展阶段,躺在床上刷剧 or 漫无目的“捡羊毛”的我们很难感受到时间的价值。或许只有期末考试前几天才会感慨时间在恍惚之间转瞬即逝。大家都是互联网的原住民,白嫖的精神或许早已根深蒂固,这没什么问题,只是多思考多权衡下,究竟是白嫖的快乐还是其他什么对我们做这件事情更重要。

或许有人会抱怨我把这些东西说出来了,让更多的人可以进入 DL,从而让这个领域更卷。随他们去吧,我希望的是计算机领域越来越多人,计算机领域发展越来越好。

显卡不是你学习 Deep Learning 的借口的更多相关文章

  1. 【深度学习Deep Learning】资料大全

    最近在学深度学习相关的东西,在网上搜集到了一些不错的资料,现在汇总一下: Free Online Books  by Yoshua Bengio, Ian Goodfellow and Aaron C ...

  2. 机器学习(Machine Learning)&深度学习(Deep Learning)资料【转】

    转自:机器学习(Machine Learning)&深度学习(Deep Learning)资料 <Brief History of Machine Learning> 介绍:这是一 ...

  3. (转) 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-01-FAQ

    特别棒的一篇文章,仍不住转一下,留着以后需要时阅读 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-01-FAQ

  4. 机器学习——深度学习(Deep Learning)

    Deep Learning是机器学习中一个非常接近AI的领域,其动机在于建立.模拟人脑进行分析学习的神经网络,近期研究了机器学习中一些深度学习的相关知识,本文给出一些非常实用的资料和心得. Key W ...

  5. 机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2)

    ##机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 2)---#####注:机器学习资料[篇目一](https://github.co ...

  6. 【重磅干货整理】机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总

    [重磅干货整理]机器学习(Machine Learning)与深度学习(Deep Learning)资料汇总 .

  7. 转【面向代码】学习 Deep Learning(二)Deep Belief Nets(DBNs)

    [面向代码]学习 Deep Learning(二)Deep Belief Nets(DBNs) http://blog.csdn.net/dark_scope/article/details/9447 ...

  8. 转:浅谈深度学习(Deep Learning)的基本思想和方法

    浅谈深度学习(Deep Learning)的基本思想和方法  参考:http://blog.csdn.net/xianlingmao/article/details/8478562 深度学习(Deep ...

  9. (转)深度学习(Deep Learning, DL)的相关资料总结

    from:http://blog.sciencenet.cn/blog-830496-679604.html 深度学习(Deep Learning,DL)的相关资料总结 有人认为DL是人工智能的一场革 ...

随机推荐

  1. [loj3302]信号传递

    由于n较大,可以将n个数中的关系对数量记录在$m*m$的矩阵中,记作$a[i][j]$ 考虑朴素的状压dp枚举排列,即$f[i]$表示以i中的数的一种排列为整个序列的前缀的最小代价,然后转移枚举下一个 ...

  2. 从零开始学Kotlin第三课

    kotlin函数和函数式表达式的简化写法: fun main(args:Array<String>) { var result=add(2,5) println(result) ///简化 ...

  3. 未能加载文件或程序集“Microsoft.CodeDom.Providers.DotNetCompilerPlatform

    "/"应用程序中的服务器错误. 未能加载文件或程序集"Microsoft.CodeDom.Providers.DotNetCompilerPlatform, Versio ...

  4. [SDOI2012] Longge 的问题

    题意 求\(\sum_{i}^{n} gcd(i,n)\) 想法 套路题 \(\sum_{i}^{n} gcd(i,n)\) \(=\) \(\sum_{i,i | n} i * phi(n/i)\) ...

  5. [CCC​2019] Tourism题解

    我们先考虑一下拿部分分: subtask1 考虑因为 \(n < 2k\) ,那么我们的划分一定是从中间某个地方裁开,且满足 \(k\) 的条件的,我们发现当划分点在 \([n\ mod\ k, ...

  6. 洛谷 P4707 - 重返现世(扩展 Min-Max 容斥+背包)

    题面传送门 首先看到这种求形如 \(E(\max(T))\) 的期望题,可以套路地想到 Min-Max 容斥 \(\max(S)=\sum\limits_{T\subseteq S}(-1)^{|T| ...

  7. NOIP2021 游记

    不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分不要挂分释迦牟尼脚绽莲花菩提达摩你真伟大天上天下唯我独尊如来佛祖太上老君耶稣耶稣 ...

  8. Excel-统计各分数段人数 frequency()

    FREQUENCY函数 函数名称:FREQUENCY 主要功能:以一列垂直数组返回某个区域中数据的频率分布. 使用格式:FREQUENCY(data_array,bins_array) 参数说明:Da ...

  9. n组字母和最大

    字母A-J,用0-9对应字母使得n组数据和最大,输入字符串前面保证非0 如输入组数据: 2 ABC BCA 输出: 1875 思路:其实就是求和,对应字符乘以相应的量级,按系数排序 如上MAX(101 ...

  10. 一劳永逸,使用 PicGo + GitHub 搭建个人图床工具

    原文链接: 一劳永逸,使用 PicGo + GitHub 搭建个人图床工具 经常写博客的同学都知道,有一个稳定又好用的图床是多么重要.我之前用过七牛云 + Mpic 和微博图床,但总感觉配置起来比较麻 ...