顯卡不是你學習 Deep Learning 的借口
很多人在學習深度學習的時候會以自己沒有 RTX N 卡的理由不動手實操，只滿足于看看“娛樂”視頻，聽幾節基礎知識，當然，如果只是想要淺顯地了解一下深度學習，或者是為了在茶余飯后多一些談資的話，這種做法也是無可厚非的，
本著互聯網的白嫖精神，我在學習 DL(Deep Learning) 的時候其實走了很多彎路，像大家熟知的 Colab、Kaggle、PaddlePaddle 等這種免費 GPU/TPU 都去蹭過，可結果是什么呢？
我花了更多的時間在想方設法白嫖算力、適應各種平臺和框架上，而這些時間本可以練手、看論文、寫代碼的，（一上午花 3 小時白嫖，然后 20 分鐘真正寫了下代碼就去玩的經歷真的很恥辱）加上現在各大平臺收緊，那些“可憐”的算力只能用來跑一下“玩具”專案，配臺電腦既沒地方也沒那么多時間用，但不配又不能真正了解 DL，
這種糾結一直持續了很久，直到李沐大神在 B 站上開課我才了解到可以用云來跑，于是我便花了一上午的時間嘗試了各大云服務器平臺，結論如下
暫時不用也可以先注冊著，萬一過年的時候來個老用戶發代金券豈不美滋滋，
網址：https://featurize.cn?s=186305ad43bc40dabfff73fed16fa7c9（文末給出了注冊和操作截圖）
featurize No.1！
featurize No.1！
featurize No.1！
為什么這樣說呢？
- 便宜，featurize 是全網能找到的最便宜的一家了，2080Ti 2RMB/h，比各種云服務都便宜（智星云、MnistGPU、矩池云、AWS、阿里、騰訊）
- 預裝了 PyTorch、CUDA、TensorFlow 的最新版本（AWS 等租用實體安裝這些東西還得扣錢就很心疼，這些都好幾個 G 的??）
- 開發票很容易（這也是為什么選擇這家，畢竟能報銷的為什么不呢？）
- 反饋比較快，有問題可以直接添加管理員的微信，
下面是注冊和使用操作步驟截圖
首先點擊網址進入（點這個網址首充有 10 元代金券，可以用來練手，畢竟也能用 5 小時）：https://featurize.cn?s=186305ad43bc40dabfff73fed16fa7c9
點擊開始使用，之后會跳轉到實體頁面，你可以看到各種可供租用的用例
點擊右上角的登錄/注冊，我比較懶，直接微信掃碼注冊的
之后就是租用實體開始訓練模型了，使用檔案在這里，人說的好像比我詳細多了??
網址：https://docs.featurize.cn/docs/about
注意
-
訓練完后記得退還機器，不然會持續計費
-
先在筆記本/自己的電腦上寫好代碼，用筆記本那“可憐”的獨顯/核顯跑幾個樣本看看代碼有沒有問題，沒問題再遷移到云上跑
我的是 MX250，想到之前自己浪費很多時間去白嫖算力的行為真是 250 行徑，
最后也是一點忠告：處在 20~30 的發展階段，躺在床上刷劇 or 漫無目的“撿羊毛”的我們很難感受到時間的價值，或許只有期末考試前幾天才會感慨時間在恍惚之間轉瞬即逝，大家都是互聯網的原住民，白嫖的精神或許早已根深蒂固，這沒什么問題，只是多思考多權衡下，究竟是白嫖的快樂還是其他什么對我們做這件事情更重要，
或許有人會抱怨我把這些東西說出來了，讓更多的人可以進入 DL，從而讓這個領域更卷，隨他們去吧，我希望的是計算機領域越來越多人，計算機領域發展越來越好，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/386474.html
標籤：其他
下一篇：【論文筆記】Leveraging Post-click Feedback for Content Recommendations