在Kaggle免费使用GPU训练自己的神经网络

短命女 2024-04-19 11:56 74阅读 0赞

# Kaggle上有免费（每周30小时）供大家使用的GPU计算资源，本文教你如何使用它来训练自己的神经网络。 #

![0.png][]

# Kaggle是什么 #

`Kaggle`是一个数据建模和数据分析竞赛平台。企业和研究者可在其上发布数据，统计学者和数据挖掘专家可在其上进行竞赛以产生最好的模型。

在`Kaggle`，你可以：

1.  参加竞赛赢取奖金。`Kaggle`上会发布一些赛题，做的好会赢得奖金。
2.  下载数据集。`Kaggle`上包含了众多的数据集供大家免费下载，常见的数据集都可以在上面找到。
3.  学习别人的代码。类似`GitHub`，你可以在`Kaggle`上学习冠军的代码来强化数据科学技能。
4.  免费使用计算资源。`Kaggle`的`Kernels`功能允许你在浏览器编程、并通过服务器的`GPU`来加速你的计算。
5.  讨论交流学习。`Kaggle`上有论坛交流功能，允许你与相同的爱好者一起交流学习。
6.  学习`Python`、`ML`、`Pandas`、`DL`等技能。`Kaggle`上提供了免费的微课给大家学习，供初学者快速入门学习。

本篇文章侧重点是第`4`条，教你如何将自己的代码丢到`Kaggle`上训练。

注意，`Kaggle`目前只支持`Python`和`R`两种编程语言。

# Kernel硬件配置 #

`GPU`：Nvidia Tesla P100-PCIE-16GB 1.3285GHz

`GPU连续使用时间`：6h

`CPU Frequency`： 2.3GHz

`RAM`：14GB

`Disk`：5.2GB

# 使用教程 #

## 基本介绍 ##

1.  登陆`Kaggle`[官网][Link 1]，注册账号并登陆。在`Kaggle`注册账号是免费的。
2.  点击导航栏的`Kernels`

![2.png][]

1.  点击页面上部的`New Kernel`来创建一个新的`Kernel`。粗略地说`Kernel`就是一个代码的工程项目。

![3.png][]

1.  点击左边的`Script`来创建一个脚本。这个脚本就是你项目运行的主要文件。

![4.png][]

1.  顶部的标题栏的功能。

![5.png][]

1.  侧边状态栏的主要功能。`Sessions`显示资源占用状态，`Versions`显示版本管理，`Draft Environment`显示你上传数据（注意：上传后该区域只读，不能写），`Settings`显示设置（如`GPU`开关、包的管理）

![6.png][]

1.  底部状态栏功能。

![7.png][]

用完`Kernel`建议点击类似电源键的按钮关闭`Kernel`哦（关闭后所有输出文件将会丢失）

1.  代码输入窗口。它已预先帮你输入一些示例代码，可以删掉重写。

![8.png][]

## 使用示例 ##

我们以`Tensorflow`平台的`YoloV3-Tiny`模型在数据集`VOC2007`的训练为例，介绍如何使用`Kaggle`训练我们的模型，并保存结果，将模型下载到本地。

提示：`Kaggle`已经为我们准备好常用的环境了，无需我们从头搭建开发环境。一般直接用就好了。

### 文件准备 ###

首先我们要在本地弄好相关文件，再上传到`Kaggle`上去。

本地的准备参考这篇：[【AI实战】动手训练自己的目标检测模型（YOLO篇）][AI_YOLO]

有关`YOLO`参考这篇：[用YOLO实现目标检测][YOLO]

然后按照实际情况修改`train.py`的相关参数，例如将`batch_size`改成`128`，`epochs`改小一点等等。

注意训练时间不能超过`6`个小时，否则`Kaggle`会自动关闭你的`Kernel`。

并且`Keras`版的`YOLO`的标签文件与`Darknet`版的不同，标签文件要重新生成。然后执行：

复制

<table> 
 <tbody> 
  <tr> 
   <td> <pre><span>1<br></span></pre> </td> 
   <td> <pre><span>cat <span>2007_train<span>.txt <span>2007_val<span>.txt &gt; train.txt<br></span></span></span></span></span></pre> </td> 
  </tr> 
 </tbody> 
</table>

即我们使用验证集和训练集混合起来一起训练，最后替换下路径前缀。

但有以下几点要注意下：

1.  上传后不能在线修改你上传的东西，只能删除该压缩包（删除方法见第三节：再次训练）后重新上传（如果数据量巨大，重新上传十分费时）。所以最好需要确保第一次上传的东西就没有问题，否则更改会比较繁琐。
2.  上传时，建议是分别上传几样东西（分别压缩打包上传）：
    
     *  模型的配置文件
     *  训练的数据文件
     *  模型`.h5`文件

上传方式：点击右侧白色的侧边状态栏中的`+ Add Data`按钮，在弹出的窗口中，点击右上角的`Upload`，然后选择文件去上传（只能上传单个文件，这就是为什么叫你打包压缩的原因）。

上传后，`Kaggle`会自动帮你解压缩，点击右边的文件树，点选其中的一个文件，会在左侧弹出白色的文件管理弹窗，弹窗的上端会显示该文件的路径：

![9.png][]

点击中间的那个蓝色的按钮你可以复制路径到剪切板中。

当你上传了多个压缩包或文件时，路径的命名规则一般是这样的：

*  对于上传了文件：`../input/数据集的名字/上传的文件名字`
 *  对于上传了压缩包：`../input/数据集的名字/压缩包的名字/压缩包底下的路径`

1.  其中上述的 `图片路径的`.txt`文件` 不能单纯按照[【AI实战】动手训练自己的目标检测模型（YOLO篇）][AI_YOLO]来做，你要将路径替换成上述第二点描述的那样。因为你执行的主脚本文件并不是在你上传的东西里面，你需要使用类似`../input/XXX/XXX`的格式来调用你上传的东西。
2.  对于脚本中的文件路径也是如此，类似于上述的第三点来做。否则会提示会找不到你上传的文件。实际上有关路径的一切东西都要按照上述的路径规则来做，否则就找不到文件。
3.  如果提示`import`时找不到文件，这是因为你上传的包没有加入系统变量，那么你需要：
    
    复制
    
    <table> 
     <tbody> 
      <tr> 
       <td> <pre><span>1<br><span>2<br><span>3<br></span></span></span></pre> </td> 
       <td> <pre><span><span>import sys<br><span>kaggle_path_prefix = <span>"../input/keras-yolov3tiny-voc2007/keras-yolo3/"<br><span>sys.path.append(kaggle_path_prefix)<br></span></span></span></span></span></pre> </td> 
      </tr> 
     </tbody> 
    </table>

这里请根据你的实际情况修改上述`kaggle_path_prefix`的值。

这里`kaggle_path_prefix`目录下需要包含那个你刚刚上传的压缩包里名叫`yolo3`的`Python`包的文件夹。

1.  保存文件的路径请直接填写文件名，像这样：

复制

<table> 
 <tbody> 
  <tr> 
   <td> <pre><span>1<br></span></pre> </td> 
   <td> <pre><span>model.save_weights(<span>'trained_weights_final.h5')<br></span></span></pre> </td> 
  </tr> 
 </tbody> 
</table>

这是因为`input`文件夹是只读的，且保存到其他地方去无法输出下载，你也找不到输出的文件。况且当`Kernel`关闭后你的一切东西就会丢失。

### 运行并提交 ###

点击顶部标题栏亮起的蓝色`Commit`按钮，以运行全部代码并保存结果，最后它会保存你输出的文件。

如果允许的窗口不慎点没了，可以右侧的`Versions`中，点击：

![10.png][]

重新弹出运行的窗口（除非你点了`Cancel commit`）。

![1.png][]

运行完毕后，点击：

![11.png][]

来打开`Kernel`页面。

如果你有输出文件，在左侧的：

![12.png][]

点击`Output`就可以切换到输出的文件列表，然后就可以下载你输出的文件啦，选中你想要的模型下载即可。

如果运行出错，请点击上图所示的`Log`查看错误日志（有必要时点击`Download Log`按钮下载日志到本地），按照错误提示修复错误即可。

### 再次训练 ###

只需将原本的模型文件数据集删除，然后再添加上传上去，再次`Commit`就好了。

删除数据集的步骤：

1.  点击数据集旁边的那个红色的叉叉，将数据集从当前`Kernel`移除
2.  点击自己的头像，进入`My Profile`页面，然后点击`Datasets`

![13.png][]

1.  然后点击`Settings`

![14.png][]

1.  最后点击`Delete Dataset`并确认即可

![15.png][]

[0.png]: https://karbo.online/dl/kaggle-gpu/0.png
[Link 1]: https://www.kaggle.com/
[2.png]: https://karbo.online/dl/kaggle-gpu/2.png
[3.png]: https://karbo.online/dl/kaggle-gpu/3.png
[4.png]: https://karbo.online/dl/kaggle-gpu/4.png
[5.png]: https://karbo.online/dl/kaggle-gpu/5.png
[6.png]: https://karbo.online/dl/kaggle-gpu/6.png
[7.png]: https://karbo.online/dl/kaggle-gpu/7.png
[8.png]: https://karbo.online/dl/kaggle-gpu/8.png
[AI_YOLO]: https://my.oschina.net/u/876354/blog/1927881
[YOLO]: https://karbo.online/dl/yolo_starter/#more
[9.png]: https://karbo.online/dl/kaggle-gpu/9.png
[10.png]: https://karbo.online/dl/kaggle-gpu/10.png
[1.png]: https://karbo.online/dl/kaggle-gpu/1.png
[11.png]: https://karbo.online/dl/kaggle-gpu/11.png
[12.png]: https://karbo.online/dl/kaggle-gpu/12.png
[13.png]: https://karbo.online/dl/kaggle-gpu/13.png
[14.png]: https://karbo.online/dl/kaggle-gpu/14.png
[15.png]: https://karbo.online/dl/kaggle-gpu/15.png