NVIDIA GPU’ya sahip bir laptop ya da PC’ye sahip değil misiniz ve derin Öğrenme kodlarınızı hızlı bir şekilde çalıştırmak istiyor musunuz ?
Google Colab, derin öğrenme kodunu inanılmaz derecede daha hızlı çalıştırmanız için size ücretsiz GPU erişimi sağlar. Bu, güçlü bir NVIDIA GPU’ya sahip bir dizüstü bilgisayar veya PC satın almaya gücü yetmeyenler için çok değerlidir.
Bu bölümde ele alacak olduğumuz konular :
- Google Colab nedir
- Google Colab tarafından sağlanan özel özellikler
- Bir Colab notebook nasıl oluşturulur
- GPU tespiti yapalım
- Colab donanım bilgisi
- Iki 10.000 x 10.000 matrisi (2 boyutlu tensörler) çarparak CPU ve GPU performansını karşılaştırmak
- Colab’da donanım kaynakları kullanımını monitör etmek
Google Colab nedir ?
Basit bir ifadeyle, Google Colab (Collaboratory) tamamiyle bulutta çalışır ve ücretsiz Jupyter notebook ortamı sağlar. web tarayıcısı aracılığıyla Python kod çalıştırmayı ve yazmaya izin verir. Jupyter notebook ile haşır neşirseniz, Colab bile kod çalıştırma deneyimi farklı değildir.
Google Colab aşağıdaki sebeplerde dolayı kullanıcılar arasında çok popülerdir.
- Donanım satın alma gerektirmez
- Herhangi bir yazılım yükleme işlemi gerektirmez
- Basit bir şekilde web tarayıcı üzerinde çalışır
- GPU’lara ücretsiz erişim ve diğer kullanışlı özellikler
- Çalışmalar Google Drive’a kayıt edilir
- Notebook paylaşımının kolay olması
Google Colab kullanabilmek için tek ihtiyaç duyulan, internet bağlantısıdır.
Google Colab’a erişim nasıl olur ?
Google’a erişim elde etmek için , Google’a üye olup google hesabı ile oturum açmanız gerekmektedir.
Hesabınız varsa, Yeni bir notebook oluşturup çalışmaya başlayabilirsiniz. https://colab.research.google.com/#create=true
Notebook ekranını açtıysanız, menüden “Runtime” -> “Change runtime type” işlemini takip edin.
Hardware accelerator (donanım hızlandırıcısı) olarak None,GPU,TPU seçilebilir. Gpu seçimini yapıyoruz ve kaydediyoruz.
GPu aktif edildikten sonra, derin Öğrenme kodları otomatik olarak GPU üzerinde çalışacak.
Notebook GPU üzerinde çalışıp çalışmadığını kontrol edelim.
GPU kullanımını doğrulamak için Colab not defterinizde aşağıdaki komutu çalıştırın.
| import tensorflow as tf tf.test.gpu_device_name() |
Eğer Colab notebook’unuz GPU’yu tespit ettiyse, aşağıdaki çıktıyı alırsınız.
| /device:GPU:0 |
Colab donanım bilgisinin kontrolü :
Cloud’da notebook çalıştırmak için, Colab storage, RAM,CPU ve GPU sağlamalıdır. Donanım özelliklerini kontrol edelim. GPU ‘yu aktif etmeden önce CPU bilgisi alabilmek için :
| from tensorflow.python.client import device_lib device_lib.list_local_devices() |
RAM bilgisini kontrol etmek için :
Yaklaşık 16GB RAM.
GPU’yu aktifleştirdikten sonra:
CPU ve GPU bilgisini kontrol etmek için:
| from tensorflow.python.client import device_lib device_lib.list_local_devices() |
CPU vs GPU performans kıyaslaması :
CPU vs GPU performans kıyaslaması için, 2 tane 10.000 x 10.000 matrisi (2 boyutlu tensör) çarpacağız ve CPU ile GPU üzerindeki çalışma sürelerini ayrı ayrı ölçeceğiz.
CPU üzerinde çalıştırma :
GPU aktifse, GPU’yu devre dışı bırakın ve CPU ile aşağıdaki kod bloğunu çalıştırın.
CPU üzerinde koşarken sistem kaynakları durumu
| import tensorflow as tf tf.debugging.set_log_device_placement(True) import time start = time.time() # 2D tensör oluşturalım a = tf.random.uniform(shape=[10000,10000], minval=0, seed=42, maxval=100, dtype=tf.dtypes.float32) b = tf.random.uniform(shape=[10000,10000], minval=0, seed=0, maxval=100, dtype=tf.dtypes.float32) c = tf.matmul(a, b) end = time.time() print(‘————————————————-‘) print(‘\nCalculation time on CPU (in Seconds):’, (end – start)) |
Aynı kodları GPU üzerinde çalıştıralım.
GPU’yu aktif etmek gereklidir.
0.01 saniye gibi çok kısa süre içinde bu işlemi gerçekleştirdi.Kaynak kullanımına bakacak olursak :
CPU üzerinde 23 saniyede işlemi tamamlanan kod, GPU üzerinde 0.01 saniye gibi bir sürede tamamlandı.
Çok ciddi bir fark değil mi ?
