提示：此文章帮助新手快速理解和上手Colab

---

一、Colab是上什么？

Colab 全称 Google Colaboratory，是谷歌免费提供的云端交互式编程环境，核心为开发者（尤其深度学习领域）提供 “开箱即用” 的 GPU 算力和 Jupyter Notebook 编辑功能，无需本地配置硬件或环境。

二、Colab和云服务器的区别？

 Colab并非传统意义上的云服务器，而是依托云服务器的云端交互式编程环境；它和云服务器的核心作用有重叠（都提供 GPU 算力支持深度学习），但定位、功能和使用场景差异显著。Colab免费提供 Tesla T4/K80 等 GPU，单会话有 12 小时左右的使用限制，资源会被动态分配和回收。具体如下图所示：

维度	谷歌 Colab	云服务器
核心定位	免费的云端 Jupyter Notebook 编程环境	专注 AI 领域的GPU 云服务器租赁平台
资源与付费	免费为主，Pro 版付费；GPU 型号固定且资源有限	按需付费，可选 RTX 3090/A100 等高端 GPU，算力灵活
使用灵活性	仅支持 Notebook 界面，无法远程登录服务器	支持 SSH 登录、Jupyter Lab、自定义环境配置
资源持续性	会话超时后数据丢失，无持久化存储（需挂载 Google Drive）	支持实例克隆、镜像保存，数据可持久化
网络与访问	国内访问需特殊工具，网络速度受限	国内平台，访问流畅，支持网盘加速传输数据
适用场景	入门学习、小型模型实验、短时任务	大型模型训练、长期项目开发、企业级研究

简单来说，Colab 适合零基础入门、快速验证小实验的用户，而 AutoDL 更适合需要稳定算力、复杂环境配置和大规模模型训练的开发者或团队。

三、Colab 的优势

Colab 的优势在于零成本、零配置，预装了 PyTorch、TensorFlow 等框架，打开浏览器就能用，非常适合学生和初学者。

四、云服务器的优势

云服务器的优势是算力定制化，支持按小时计费、切换无卡模式节省成本，且能应对工业级的深度学习任务，是国内开发者的主流选择。

五、Colab使用流程

1.科学上网

2.进入官网

​​​​​​Colab官网

3.右上角登录谷歌账号

登陆后，界面如下：

4.新建编译文件and验证cuda

5.查看cuda

输入代码

import torch
print(torch.__version__) #查看当前环境中已安装的 PyTorch 框架版本号
print(torch.cuda.is_available()) #检查当前环境中 PyTorch 是否能使用 GPU

发现输出为False，这时候我们需要修改一下设置

再次运行

5.运行深度学习代码

import torch
import torchvision
from torch.utils.tensorboard import SummaryWriter

# from model import *
# 准备数据集
from torch import nn
from torch.utils.data import DataLoader

if torch.cuda.is_available():
    print('ok')

train_data = torchvision.datasets.CIFAR10(root="./dataset", train=True, transform=torchvision.transforms.ToTensor(),
                                          download=True)
test_data = torchvision.datasets.CIFAR10(root="./dataset", train=False, transform=torchvision.transforms.ToTensor(),
                                         download=True)

# length 长度
train_data_size = len(train_data)
test_data_size = len(test_data)
# 如果train_data_size=10, 训练数据集的长度为：10
print("训练数据集的长度为：{}".format(train_data_size))
print("测试数据集的长度为：{}".format(test_data_size))


# 利用 DataLoader 来加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)

# 创建网络模型
class Tudui(nn.Module):
    def __init__(self):
        super(Tudui, self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(3, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 32, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Conv2d(32, 64, 5, 1, 2),
            nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(64*4*4, 64),
            nn.Linear(64, 10)
        )

    def forward(self, x):
        x = self.model(x)
        return x
tudui = Tudui()
if torch.cuda.is_available():
    tudui = tudui.cuda()

# 损失函数
loss_fn = nn.CrossEntropyLoss()
if torch.cuda.is_available():
    loss_fn = loss_fn.cuda()
# 优化器
# learning_rate = 0.01
# 1e-2=1 x (10)^(-2) = 1 /100 = 0.01
learning_rate = 1e-2
optimizer = torch.optim.SGD(tudui.parameters(), lr=learning_rate)

# 设置训练网络的一些参数
# 记录训练的次数
total_train_step = 0
# 记录测试的次数
total_test_step = 0
# 训练的轮数
epoch = 10

# 添加tensorboard
writer = SummaryWriter("../logs_train")

for i in range(epoch):
    print("-------第 {} 轮训练开始-------".format(i+1))

    # 训练步骤开始
    tudui.train()
    for data in train_dataloader:
        imgs, targets = data
        if torch.cuda.is_available():
            imgs = imgs.cuda()
            targets = targets.cuda()
        outputs = tudui(imgs)
        loss = loss_fn(outputs, targets)

        # 优化器优化模型
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_train_step = total_train_step + 1
        if total_train_step % 100 == 0:
            print("训练次数：{}, Loss: {}".format(total_train_step, loss.item()))
            writer.add_scalar("train_loss", loss.item(), total_train_step)

    # 测试步骤开始
    tudui.eval()
    total_test_loss = 0
    total_accuracy = 0
    with torch.no_grad():
        for data in test_dataloader:
            imgs, targets = data
            if torch.cuda.is_available():
                imgs = imgs.cuda()
                targets = targets.cuda()
            outputs = tudui(imgs)
            loss = loss_fn(outputs, targets)
            total_test_loss = total_test_loss + loss.item()
            accuracy = (outputs.argmax(1) == targets).sum()
            total_accuracy = total_accuracy + accuracy

    print("整体测试集上的Loss: {}".format(total_test_loss))
    print("整体测试集上的正确率: {}".format(total_accuracy/test_data_size))
    writer.add_scalar("test_loss", total_test_loss, total_test_step)
    writer.add_scalar("test_accuracy", total_accuracy/test_data_size, total_test_step)
    total_test_step = total_test_step + 1

    torch.save(tudui, "tudui_{}.pth".format(i))
    print("模型已保存")

writer.close()

正常运行！

6.运行命令（terminal）指令

在命令前加上“!”

例如：

7.在Colab中查看tensorboard

新建一个代码框，输入

%load_ext tensorboard
%tensorboard --logdir=/content/logs_train --port=6006

即可查看

---

总结

如果你觉得还不错的话，就点个赞吧！