Google Colab 本身是免費的Python語系雲端GPU平台,免費的版本可以調用大約10GB的顯示卡記憶體,對於我最近想要做A.I.自動繪圖,RTX 3080顯卡10GB的很明顯不夠,只能跑出400*400左右的圖,因此就考慮試用Google Colab。
實際使用狀況
Google Colab就像Python的Jupyter Notebook一樣,然後結合我的Google Workspace的硬碟空間,只要加一兩行的程式碼就可以讓雲端空間如同硬碟一樣讓程式輸入或者輸出檔案。
也不用煩惱在本機很討厭的一個版本相容性問題,比如Python 3.9支不支援 Pytorch GPU運算的哪個版本這樣的問題,在Google Colab只要用!pip install ….後面把版本指定好,不用在本機用Pychram建立一堆Python環境(這大概只有Python使用者聽得懂),簡單來說就是「版本相容性很容易解決」。
但CPU的運算功能實在有夠慢,因為Google Colab主打是GPU,因此CPU的效能大概只有我寫程式電腦12核心的1~2個核心速度。
免費使用的話記憶體是10.xGB,這樣其實和我自己機器跑沒差多少。
Google Colab Pro
所以想了一下就花了10.5美金/月(原價9.99美金要加5%稅金)刷了Pro的版本,Pro+的版本要49.9未稅價格一個月,想說先試用看看Pro到底差在哪裡,再考慮要實作的時候是節省時間成本還是節省金錢成本(時間也是成本之一)。
目前使用Pro的話,平均可以分配到的顯示卡記憶體在15~16GB之間,其實還沒到RTX 3090的記憶體大小,如果當初知道要跑這個我應該會直接在顯卡剛出的時候就搶一張RTX 3090。(現在加密貨幣挖礦的關係顯卡價格還是居高不下)
運算速度在跑A.I.自動繪圖的時候,我讓程式重複修正圖片500次,平均是「1.9次/秒」,而同樣的程式碼在RTX 3080跑是「4.8/秒」,速度是差很多。
但接下來要說一下為何我還是決定要用Google Colab Pro甚至跑一陣子要升級到 Pro +。
使用的初步結論
由於Google Colab 想也知道是在一台或是多台很棒的GPU伺服器或者GPU伺服器陣列裡面運作,然後按照狀況分給我們資源,因此只要不要違反規定如用他們的GPU來挖礦,都是以機器學習的性質,Pro開著瀏覽器可以連續跑12小時,Pro+在關閉瀏覽器後可以跑24小時不中斷。
我即使有一台Macbook Pro、一台iMac和一台Windows PC,因為能跑Pytorch機器學習的只有Windows PC,因此寫程式也得在上面。我iMac和Macbook Pro是用來做音樂和寫網站的。那如果我讓Windows PC的GPU跑12個小時,等於我12個小時都不用做事了。
而相對的我只要挑一台電腦,開著瀏覽器12小時(Macbook Pro或者iMac我幾乎是24小時全年開機的),這樣我就可以用另外兩台,甚至開著瀏覽器的電腦做別的事情,時間成本的部分等我受不了速度慢再升級Pro+看看有沒有改善。
還有一點很重要的是硬體折舊與冷卻問題,我如果讓我的RTX 3080跑12小時,一定平均溫度是在攝氏60度以上,因為只有風扇散熱,我沒有做訂製的顯示卡水冷系統(當時組電腦並沒有這種東西是套裝的),我主機只有CPU有套裝水冷。
那這樣我顯卡一定很快就要送修了吧!再者一小時大約就要耗掉2元的電費(冬天電費一度電2.5元),顯卡跑全效能大概要花掉750瓦以上,24小時等於18度電要元45一天。半個月就超過訂閱Pro的錢了。
硬體全速跑的話,就算沒有燒壞,也會有折舊問題,因為這種東西越使用壽命會越短,全速進行中的硬體其實是要將保固算到折舊裡面。我的顯卡三年保固,也就是折舊也很高,相對的Google管理自己的顯示卡,折舊Google的事,燒壞Google的事。
其實這篇文章一點都沒有想推銷,只是想寫寫最近用的心得,建議一般人沒什麼特別用途就直接用免費的就好了,Pro或Pro+開放的國家似乎不支援台灣,我是用美國公司身份申請,雖然刷的是台灣國泰世華的世界卡(不知道世界卡會不會有差)。
總之大概今天就提供這些資訊給大家,我想要趕緊把我的A.I.自動繪圖程式的改到最滿意的階段,然後下一個階段是做主題畫冊在網路書城上出版。