酷应用

Colab 免费提供 Tesla T4 GPU，是时候薅羊毛了

百家作者：机器之心 2019-04-25 06:29:12

机器之心报道

机器之心编辑部

近日，Colab 全面将 K80 替换为 Tesla T4，新一代图灵架构、16GB 显存，免费 GPU 也能这么强。

想要获取免费算力？可能最常见的方法就是薅谷歌的羊毛，不论是 Colab 和 Kaggle Kernel，它们都提供免费的 K80 GPU 算力。不过虽然 K80 这种古董级的 GPU 也能提供可观的算力，但我们发现用于试验模型越来越不够用了。尤其最近的 Transformer 或 GPT-2 等复杂模型，不是训练迭代时间长，就是被警告显存已满。

最近，Colab 在 Twitter 官方账户上表示，现在已经可以免费用 T4 GPU 了，它不仅能够提供更多的计算力，同时还提供更大的显存：

看到这条信息，小编也是挺激动的，终于有了更强大的免费算力，我们马上在 Colab 上查看 GPU 的使用情况。如下我们看到 Colab 现在确实使用的是 Tesla T4 GPU，而且显存也达到了 16 GB，比以前 K80 12GB 的显存又要大了一圈。

图灵架构下的 Tesla T4

T4 GPU 适用于许多机器学习、可视化和其它 GPU 加速工作负载。每个 T4 GPU 具有 16GB 的内存，它还提供最广泛的精度支持（FP32、FP16、INT8 和 INT4），以及英伟达 Tensor Core 和 RTX 实时可视化技术，能够执行高达 260 TOPS 的计算性能。

Tesla T4 采用全新的图灵（Turing）架构，相比过去的架构 Pascal，它在 Shader Compute 的基础上增加了具备 AI 训练和推理能力的 Tensor Core 和支持光线跟踪的 RT Core。

机器学习推理能力

在众多 GPU 中，T4 是运行推理工作的很好选择，尽管我们在 Colab 中大多都用于训练。T4 在 FP16、INT8 和 INT4 的高性能特性让你能实现灵活的准确率/性能权衡，并运行大规模模型推理过程，而这些在其它 GPU 上很难做到的。T4 的 16GB 显存支持大型机器学习模型，在图像生成或机器翻译等耗显存的任务中，Colab 能运行地更流畅了。

谷歌计算引擎上的机器学习推理性能高达 4267 张图像/秒，而延迟低至 1.1 毫秒。但考虑到 T4 的价格、性能、全球可用性和高速的谷歌网络，在计算引擎上用 T4 GPU 运行产品工作负载也是一个很好的解决方案。

机器学习训练能力

V100 GPU 凭借其高性能计算、Tensor Core 技术和 16GB 大显存，能支持较大的机器学习模型，已成为在云端训练机器学习模型的主要 GPU。而 T4 以更低的成本支持所有这些，这使得它成为扩展分布式训练或低功率试验的绝佳选择。T4 拥有 2560 个 CUDA 核心，对于我们在 Colab 试验模型已经足够了。

T4 GPU 可以很好地补充 V100 GPU，它虽然没有那么 V100 剽悍，但相比 K80 已经有很多进步了。而且由于 T4 非常节能，替换掉 K80 在能耗上也能降低不少。

如下展示了 T4 和 V100 之间的差别，T4 支持多精度加速，确实非常适合做推理，以后将预训练模型放在 Colab 上也是极好的。

T4 与 V100 之间的算力对比，其中 T4 在谷歌云每小时大概需要 0.95 美元，不过目前已经面向 Colab 免费提供了。

K80 与 T4 到底有什么不同

2014 年发布的 K80 采用的是 Kepler 架构，而 2018 年发布的 T4 采用的是 Turing 架构，从时间上来说中间还差着 Volta、Pascal、Maxwell 三大架构。

K80 主要具有以下特性：

带有双 GPU 设计的 4992 个 NVIDIA CUDA 内核，可显著加速应用程序性能
通过 NVIDIA GPU 加速提升双精度浮点性能至 2.91 Teraflops
通过 NVIDIA GPU 加速提升单精度浮点性能至 8.73 Teraflops

T4 提供革命性的多精度推理性能，以加速现代人工智能的各种应用。T4 封装在节能的小型 70 瓦 PCIe 中，而 K80 当时的能耗达到了 300W，所以 T4 的效率高了很多。

T4 的性能规格如下：

一路走来的 Colaboratory

现在，快来试试 Colab 吧，这种免费算力不用岂不可惜？其实自从一年多前谷歌发布 Colab，它就已经吸引了非常多研究者与开发者的目光。刚开始虽然提供免费算力，但并不能称得上好用，我们总会感觉有一些「反人类」的设计，例如 cd 命令不太能 work、文件管理系统不健全、难以与谷歌云端硬盘交互、不能使用 TensorBoard 等等。

但造成这些的原因其实是我们不太了解 Colab 的特性。很多时候甚至不看文档与教程，感觉和 Jupyter Notebook 一样简单，因此就直接上手了。但是随着该项目的不断发展，很多问题都解决了，很多新特性都完善了，至少现在我们用起来真的很爽。

现在我们看看 Colab 近来的新特性吧～

2018 年 10，Colab 加了一个文档浏览器。这非常便利，我们只需点击一下就可以上传和下载文件。