最近一直在为深度学习模型训练而苦恼，NVIDIA GTX 960、2G显存，即使是跑迁移学习的模型，也慢的要死，训练过程中电脑还基本上动不了。曾考虑升级显卡，但当时买的是品牌机，可扩展性很差，必须要买一台新的主机。到京东上瞧了一下，RTX 2080 TI显卡的游戏主机，差不多需要两万，更别说那些支持多路显卡的深度学习主机。无奈之下，只好尝试一下谷歌的GPU云计算平台。谷歌的GPU云计算平台并不是新鲜事物，我在去年就写过关于它的两篇文章：
这意味着我们自行安装的库，比如Keras，在虚拟机重启之后，就会被复原。为了能够持久保存数据，我们可以借助Google Drive。还记得我们之前为了挂载Google Drive所做的操作吗？这也同样意味着重启之后，要使用Google Drive，又要把上面的步骤执行一遍。更糟糕的是，不仅仅是虚拟机重启会这样，在Google Colab的会话断掉之后也会这样，而Google Colab的会线小时。
在Google Colab上安装软件特别快，毕竟主机运行在国外，所以不管是pip安装python软件包，还是用apt安装ubuntu安装包，都是飞快。只要我们把软件安装的命令保存下来，下次再运行就是点点鼠标的事情。
Google提供了非常简单的脚本来挂载Google Drive，虽然仍然需要授权过程，但过程简化了许多。而且经过这几天的试用，即使重启runtime，也不需要重新挂载。
Google Colab的硬件经过大幅升级，加上我们最多的是进行迁移学习的模型训练，这个训练量比起从头训练要小的多，也就是说我们通常并不需要在Google Colab上训练超过12小时。
下面我就以识狗君这个小应用 (请参考：说说如何在Google Colab上进行深度学习模型的训练。在这篇文章中你将学会：
在顶部的菜单选择代码执行程序⇨更改运行时类型，在笔记本设置⇨硬件加速器，选择GPU。这里还有一个TPU的选项，但是尝试后，发现并没有什么效果，后续再研究。
运行后会出现一个链接，点击链接，进行授权，可以得到授权码，粘帖到框框中，然后回车，就可以完成挂载，是不是很方便？
挂载之后，Google云端硬盘的内容就位于/content/gdrive/My Drive/下，我在Colab Notebooks下建立了一个AIDog的目录作为项目文件夹，将当前目录切换到该文件夹，方便后续的操作。
图片文件按照类别分目录组织，我们可以手动将数据集划分为训练数据集和验证数据集，因为图片数量比较多，我们可以选择10%作为验证数据集：
我们可以在inception v3的基础上进行迁移学习，保留除输出层之外所有层的结构，然后增加一个softmax层：
接下来喂入dataset，进行训练，需要注意的是，Google的官方文档上的示例对ds做了一个shuffle的操作，但在实际运行中，这个操作特别占用内存，其实在前面的代码中，我们已经对Images文件的加载做了shuffle处理，所以这里其实不用额外做一次shuffle：
在Google Colab上训练，一个epoch只需要一分多钟，经过实验，差不多10个epoch，验证数据集的精度就可以趋于稳定，所以整个过程大约十几分钟，远远低于系统限制的十二个小时。
至此，整个过程完毕，训练出的模型保存于model_path，我们可以下载下来，用于狗狗识别。
。通过Jupyter Notebook，我们可以交互式的运行python脚本，然而对于复杂的python脚本，我们通常会编写python文件，甚至编写python模块，组合成应用。本篇我们将演示如何在Google Colab上执行python文件，克隆github项目，进行深度学习......
实验内容： 通过对具体的文件存储空间的管理、文件的物理结构、目录结构和文件操作的实现，加深对文件系统内部功能和实现过程的理解。 要求： 1.在内存中开辟一个虚拟磁盘空间作为文件存储器，在其上实现一个简
