本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

Facebook在PyTorch开发者大会上正式推出了PyTorch 1.3，并宣布了对谷歌云TPU的全面支持，而且还可以在Colab中调用云TPU。

之前机器学习开发者虽然也能在Colab中使用PyTorch，但是支持云TPU还是第一次，这也意味着你不需要购买昂贵的GPU，可以在云端训练自己的模型。

而且如果你是谷歌云平台（Google Cloud Platform）的新注册用户，还能获得300美元的免费额度。

现在PyTorch官方已经在Github上给出示例代码，教你如何免费使用谷歌云TPU训练模型，然后在Colab中进行推理。

训练ResNet-50

PyTorch先介绍了在云TPU设备上训练ResNet-50模型的案例。如果你要用云TPU训练其他的图像分类模型，操作方式也是类似的。

在训练之前，我们先要转到控制台创建一个新的虚拟机实例，指定虚拟机的名称和区域。

如果要对Resnet50在真实数据上进行训练，需要选择具有最多CPU数量的机器类型。为了获得最佳效果，请选择n1-highmem-96机器类型。

然后选择Debian GNU/Linux 9 Stretch + PyTorch/XLA启动盘。如果打算用ImageNet真实数据训练，需要至少300GB的磁盘大小。如果使用假数据训练，默认磁盘大小只要20GB。

创建TPU

官方建议初次运行时使用假数据进行训练，因为fake_data会自动安装在虚拟机中，并且只需更少的时间和资源。你可以使用conda或Docker进行训练。

在fake_data上测试成功后，可以开始尝试用在ImageNet的这样实际数据上进行训练。

用conda训练：

用Docker训练：

在n1-highmem-96的虚拟机上选用完整v3-8 TPU进行训练，第一个epoch通常需要约20分钟，而随后的epoch通常需要约11分钟。该模型在90个epoch后达到约76％的top-1准确率。

为了避免谷歌云后续进行计费，在训练完成后请记得删除虚拟机和TPU。

性能比GPU提升4倍

训练完成后，我们就可以在Colab中导入自己的模型了。

打开notebook文件，在菜单栏的Runtime中选择Change runtime type，将硬件加速器的类型改成TPU。

先运行下面的代码单元格，确保可以访问Colab上的TPU：

然后在Colab中安装兼容PyTorch/TPU组件：

接下来就可以导入你要训练好的模型和需要进行推理的图片了。

在PyTorch上使用TPU对性能的提升到底有多明显呢？官方选用了v2-8的一个核心，即1/8 TPU的情形，与使用英伟达Tesla K80 GPU进行对比，实测显示推理时间大大缩短，性能约有4倍左右的提升。

GitHub地址：

https://github.com/pytorch/xla/tree/master/contrib/colab

【责任编辑：张燕妮 TEL：（010）68476606】