写在前面
google colab是google推出的无需任何配置、免费使用GPU，可以在浏览器中编写和执行Python代码的环境。使用完全类似于jupyter notebook。现对colab的使用做一个大概的梳理，colab的基本使用其自身的教程或其他网络教程。
基本使用命令
开启一个notebook后需要先挂载谷歌硬盘
硬盘挂载命令
#如果运行时环境断开需要重新挂载
from google.colab import drive
drive.mount('/content/drive')
查看资源（GPU）使用情况
因为是linux环境，所以需要在命令前加一个感叹号 !
#查看GPU使用情况
!nvidia-smi
#查看CPU信息
!cat /proc/cpuinfo
安装所需的包
!pip install ****
压缩与解压
因为google drive（谷歌云盘）是支持上传文件夹的，但是速度慢，所以上传数据集最好还是将压缩包上传，再用命令进行解压操作，一下zip命令我试过，rar的没试过，看别人写的。
#解压zip文件
!unzip -uq "拓展名为zip的文件" -d "解压到的目录"
#解压rar文件
!pip install pyunpack
!pip install patool
from pyunpack import Archive
Archive('/content/drive/My Drive/test.rar').extractall('/content/test')
进入到文件所在目录
import os
path="/content/drive/My Drive/untitled"
os.chdir(path) #跳转目录
os.listdir(path)
colab防断机制
colab理论上可以连续工作不超过12个小时，但是一般半个小时内不操作可能就就断开了，因此需要做一个防断处理
F12打开网页开发者调试工作，找到console控制台输入以下代码
function ConnectButton(){
console.log("Connect pushed");
document.querySelector("#top-toolbar > colab-connect-button").shadowRoot.querySelector("#connect").click()
}
setInterval(ConnectButton,60000);
意思是每隔60s自动push一次与colab进行交互
训练速度
使用AlexNet进行一个粗浅的测试，5个类别，3306张训练集数据，364张验证集数据我分配到的是Tesla T4
进行4轮训练，可以看到第一轮速度巨慢，二三四轮速度应该比较正常。原因： colab从google drive中加载数据导致数据加载速度跟不上GPU处理速度解决方案一： 把数据放到colab中（colab路径是/content，而google drive路径为/content/drive/Mydrive）调整后，实验结果对比，第一轮速度慢的问题解决了
速度对比GeForce Titan X
本地Titan X速度如下，单轮训练17s，验证11s
colab上Tesla T4速度如下，单轮训练14s，验证1s
后面还测试了1080ti的速度，Tesla T4的速度是比1080ti慢一些。
因为没有控制所有使用的环境一致，所以本次实验可能存在各种环境版本不同所带来的误差
总结
感觉colab从学习的角度上来说，还是可以用的，只不过有些地方会稍显麻烦或者说不适应，并且免费的colab没有terminal，需要升级colab pro或者colab pro+。后续可能会更新关于colab使用的别的内容，欢迎大家互相交流学习。