Google 送你的一台云电脑,自带显卡

想学深度学习，显卡太贵甚至缺货。别慌，Google 早就给你备好了一块免费的 GPU，打开浏览器就能用。它叫 Colab。

Colab 是什么？

简单说：Google 送你的一台云电脑，自带显卡。

不需要买硬件，不需要装驱动，不需要配 CUDA。打开浏览器 → 写代码 → 点运行。就像用在线文档一样写 Python，但背后跑着的是一块真实的 GPU。

适合谁？

• 学深度学习的在校生（尤其显卡预算为零的那种）
• 想快速验证一个模型想法的研究者
• 需要偶尔跑小规模训练的开发者

不适合谁？

• 需要连续训练几十小时的项目（免费 GPU 有时限）
• 处理超大模型（显存不够）
• 对数据隐私要求极高的场景

三步上手：从零到跑通

第一步：打开 Colab

你需要一个 Google 账号（就是 Gmail 那个，没有的话花 3 分钟注册）。

打开浏览器，输入：colab.research.google.com

进去之后点「新建笔记本」。你会看到一个和 Jupyter Notebook 一模一样的界面——没错，Colab 本质上就是云端版的 Jupyter。

第二步：开启免费 GPU

这是最关键的一步。不操作的话，你用的只是普通 CPU。

点击菜单栏：代码执行程序 → 更改运行时类型

在弹窗里找到「硬件加速器」，下拉选 GPU（通常是 T4）。然后保存。

T4 是什么水平？大约相当于 GTX 1080 Ti，显存 16GB。跑大多数教程级别的小模型绰绰有余。

第三步：连接并测试

点击右上角的「连接」按钮，等几秒钟——看到 RAM 和磁盘的指示条亮起来，就说明环境就绪了。

现在验证一下 GPU 是不是真的到位了。新建一个代码单元格，输入：

1
2
3
import torchprint(torch.cuda.is_available())        # 应该输出 Trueprint(torch.cuda.get_device_name(0))    # 应该输出 Tesla T4

点击运行——如果看到 True 和 Tesla T4，恭喜你，白嫖成功 🎉

进阶操作：挂载 Google Drive

跑完模型，东西存在哪儿？

Colab 的运行环境是临时的——断开连接后，文件就没了。所以你需要把代码和数据存到 Google Drive 里。

挂载方式很简单，一个命令：

1
2
from google.colab import drivedrive.mount('/content/drive')

运行后会弹出一个授权链接，点开 → 登录 → 复制验证码 → 粘贴回来。之后你的 Google Drive 就会出现在 /content/drive/MyDrive/ 下。

每个 Google 账号自带 15GB 免费空间。放数据集、存模型权重、备份代码，够用很长一段时间。

一条龙实战：安装 PyTorch + 跑个 MNIST

理论讲完，直接上代码。新建一个 Colab 笔记本，按顺序跑：

1
2
# 1. 检查 GPU!nvidia-smi

1
2
# 2. 安装 PyTorch（Colab 通常已预装，以防万一）!pip install torch torchvision

1
2
3
4
5
6
7
8
9
# 3. 导入 + 下载 MNIST 数据集import torchimport torch.nn as nnimport torchvisionimport torchvision.transforms as transformstransform = transforms.ToTensor()train_set = torchvision.datasets.MNIST(root='./data', train=True, download=True, transform=transform)train_loader = torch.utils.data.DataLoader(train_set, batch_size=64, shuffle=True)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
# 4. 定义一个简单的 CNNclass SimpleCNN(nn.Module):    def __init__(self):        super().__init__()        self.conv = nn.Sequential(            nn.Conv2d(1, 16, 3),            nn.ReLU(),            nn.MaxPool2d(2),            nn.Conv2d(16, 32, 3),            nn.ReLU(),            nn.MaxPool2d(2)        )        self.fc = nn.Linear(32 * 5 * 5, 10)    def forward(self, x):        x = self.conv(x)        x = x.view(x.size(0), -1)        return self.fc(x)device = torch.device('cuda')model = SimpleCNN().to(device)criterion = nn.CrossEntropyLoss()optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

1
2
3
4
5
6
7
8
9
# 5. 训练 3 个 epochfor epoch in range(3):    for images, labels in train_loader:        images, labels = images.to(device), labels.to(device)        optimizer.zero_grad()        loss = criterion(model(images), labels)        loss.backward()        optimizer.step()    print(f'Epoch {epoch+1} done ✅')

全程不用下载任何软件，浏览器里就跑完了。

常见坑和破解方法

坑 1：跑着跑着断掉了。免费版 Colab 在闲置约 90 分钟后会自动断开，连续使用也有时限（通常几小时）。破解：经常点一点笔记本，别让它闲着；或者重要训练中途把模型权重存到 Drive。

坑 2：显存不够。T4 有 16GB，绝大多数学习场景够了。如果真的不够——要么减小 batch size，要么考虑 Colab Pro（付费升级到 V100 或 A100）。

坑 3：数据集太大，下载到 Colab 很慢。先把数据集上传到 Google Drive，然后挂载读取——Google 内部网络传输快很多。或者用 wget 从国内镜像站下载。

坑 4：装的库重启后就没了。Colab 环境每次重启都是「全新」的。解决方法：把 !pip install 命令写在笔记本第一个单元格，每次重连先跑一遍。

免费 vs 付费，怎么选？

建议：先白嫖免费版。等真的遇到瓶颈了——T4 实在跑不动了——再考虑升级。

总结

• Google Colab = 免费云 GPU，浏览器即用
• 三步上手：打开网页 → 换 GPU 运行时 → 点连接
• 挂载 Google Drive 存文件，防止断连丢数据
• 跑 PyTorch / TensorFlow 完全够用，学深度学习不用买显卡

别因为「没有显卡」就放弃学深度学习。打开 Colab，现在就可以开始。

文中的代码已实测可在 Colab 免费版上运行。遇到问题欢迎留言交流。