免费GPU计算资源哪里有？带你薅薅国内GPU羊毛

编者按：

没有什么比薅GPU羊毛更喜闻乐见。

之前有专门教程介绍谷歌资源，需要科学上网。但最近知乎上又有一套国产GPU资源的薅羊毛分享，价值上亿的高性能算力，对科研学习者完全免费。

这就是百度的AI Studio。现在，我们将这篇测评及使用分享转载如下，祝薅羊毛开心顺利。

AI Studio和飞桨算是后起之秀，包括我在内的很多人还不是很熟悉这一整套方案，在开薅之前，所以先简单介绍下。

AI Studio是百度提供的一个针对AI学习者的在线一体化开发实训平台（https://aistudio.baidu.com/?fr=liangziwei）。

平台集合了AI教程, 深度学习样例工程, 各领域的经典数据集, 云端的运算及存储资源, 以及比赛平台和社区。[1]你可以把AI Studio看成国产版的Kaggle。

和Kaggle类似，AI Studio也提供了GPU支持，但百度AI Studio在GPU上有一个很明显的优势。Kaggle采用的是Tesla K80的GPU, AI Studio采用的是Tesla V100的GPU，那么下表对比两款单精度浮点运算性能，就能感觉v100的优势了。

明显在单精度浮点运算上，AI Studio提供的运行环境在计算性能上还是很有优势的。理论上训练速度可以提高近3倍左右。

虽然性能上好很多，但目前还是可以免费薅到，目前AI Studio提供了免费申请和运行项目奖励这两种获得算力卡的方式，最后一章我会带领大家去薅。

即使算力卡用完了（目前送得太多，根本用不完），AI Studio的CPU也是很有竞争力的。亲自用脚本测试过，AI Studio的CPU是Intel(R) Xeon(R) Gold 6148 CPU，可以说在配置上，AI Studio也是很有竞争力的。

根据官网介绍，飞桨是百度推出的 “源于产业实践的开源深度学习平台”，致力于让深度学习技术的创新与应用更简单。

Paddle是Parallel Distributed Deep Learning的缩写，翻译过来是就是桨。和TensorFlow，Pytorch等框架一样，飞桨给开发者提供了很多常用的架构，也可以直接在包里直接加载常用的数据库，对于学习者来说，还是很方便的。

飞桨（PaddlePaddle）还是有点国产的意思，去Github可以搜到PaddlePaddle的项目，除了英文文档，还提供了中文文档，这个有时候还是挺方便的。虽然现在star比起TensorFlow还是差不少，但是感觉进展得如火如荼。

下图是百度在4月首届 WAVE SUMMIT 2019 深度学习开发者峰会时首次对外公布的 飞桨全景图。

生态其实设计得很好，可能TensorFlow先发得太早吧，感觉飞桨追赶得很吃力。但从百度最近推广飞桨的力度来看，我猜飞桨很有可能两三年左右进入主流深度学习框架之列。

为了测试AI Studio的性能，我用最经典的MNIST数据集，在LeNet 5模型上跑，对比在GPU和CPU下在AI Studio的的性能。同时我进行了一个不算严谨的测试，我用最经典的MNIST数据集，飞桨用的MNIST数据集是60000个训练数据，10000个测试数据，Kaggle的训练集数据42000，测试集数据28000。https://aiStudio.baidu.com/aiStudio/projectdetail/45293

以下是AI Studio的CPU和GPU测试性能对比

GPU提升效果为11倍，因为训练过程有验证测试，而且CPU配置也太高了，所以并未达到理论上的47x的加速，但这速度还不错。

测试环境：

1. Kaggle Kernel.

测试kernel https://www.kaggle.com/orange90/mnist-with-lenet-5-test-run-time. Batch_size =50，训练5000轮，使用框架TensorFlow,CNN架构是LeNet-5

2.AI Studio.

测试项目https://aiStudio.baidu.com/aiStudio/projectdetail/45293

Batch_size = 64，训练5000轮,使用框架飞桨, CNN架构是LeNet-5

AI Studio的测试结果在2.1展示了，就不再赘述了，以下是Kaggle的性能测试对比：

GPU提升效果为8倍，因为训练过程有验证测试，所以并未达到理论上的12.5x的加速。

由于架构的超参不一样，直接对比运行时间不太严谨，但从GPU提升速度的倍数上来说，AI Studio略胜一筹，况且AI Studio本来CPU就很高配了，所以理论上47x的加速可能还得打个折。

也在AWS开了个instance来测试，选的是这一款配置里的p2.xlarge

直接把2.2里用到的kaggle的内核导进去了，测试结果如下：

性能上比前两者都差一点。

顺便一提，这个测试做得我脑壳痛，前期开instance，配置环境的就花了一个多小时。对于AWS新手来说，可能折腾一天，薅了十几美刀，还是没能把代码跑通。真的强烈不推荐在AWS来练习自己deep learning技能。

下表总结在不同环境下的测试效果及成本：

在使用体验上，和Kaggle Kernel或者Jupyter Notebook很接近，虽然外观稍有不同，但快捷键基本一样，没有太大的不适应。除此之外，AI Studio由于在国内，页面响应比Kaggle更快，比Kaggle网络更稳定，断线重连几率要更低，毕竟断线重连要重跑还是挺蛋疼的。

不过需要提醒的是，AI Studio目前还是按运行环境启动时间来计费，是在无GPU环境下把代码写好，再开启GPU去跑。虽然AI Studio的算力卡也是送的，但也要赶紧薅起来，囤点算力资源，万一哪天百度没钱了，不送了呢？

现在的算力卡还是很好拿的，没什么门槛，自己申请一下就拿到了，而且每天运行一次项目，又送12个小时算力，连续运行5天再加送48小时。

值得注意的是，申请的算力卡到手就是48小时，裂变之后能凑120小时，而且有效期比日常运行获取的12小时这种要长很多。

我寻思每天免费让你12小时NVIDIA v 100GPU这种事情，真的是天上掉馅饼吧。

此外，AI Studio官方也有比赛，有奖金，如果你的实力在kaggle里离拿奖金只是一步之遥，那么蹭AI Studio还没火起来之前，去AI Studio比赛应该是很好拿奖的。

点进https://aistudio.baidu.com/aistudio/questionnaire?activityid=539

接着填写个人信息

然后就静候佳音。通过运营人员核验后，用户的邮箱将收到运营人员发送的算力邀请码：一串32位数字。

通过上面链接能申请到48小时的算力卡（有效期1个月），并且可以分裂，送给别人（稍后送上我的分裂算力卡）

使用算力卡的方法很简单，在运行项目时选上GPU，就会开始消耗了，如下图。

这个简直了，你不仅可以运行自己的深度学习代码，测试自己的项目，而且同时还会得到算力卡。每天跑一次就可以得到12小时算力卡（有效期2天），另外算力充电计划，就是连续5天有使用算力卡，就会额外送48小时(有效期7天)。但预感这么高成本的事情应该不会持续太久，建议早薅。下面是我的算力卡奖励历史，感觉只要你用，AI Studio就送你算力，不担心算力不够。

AI Studio的算力卡有分裂功能，你申请到算力卡会有三个邀请码，你可以分享给你的朋友。我申请的算力卡有三个分裂，我每天会在评论区放一个算力卡，对羊毛贪得无厌，或者懒得申请又想马上使用的，那可要盯紧评论区了。后续我再薅到新的算力卡就会评论区更新，先到先得，希望各位多多关注本文。

另外额外告诉大家一个可能能行的薅羊毛的方法，需要一定的实力。AI Studio也有一些常规比赛，相对于Kaggle，可能竞争会小点，如果你在Kaggle能top10%以上，来AI Studio薅类似的比赛，就很大几率拿得到奖金了。

羊毛不是天天有，该出手时就出手！

【1】https://ai.baidu.com/docs#/AIStudio_Tutorial/top?fr=liangziwei
【2】http://www.PaddlePaddle.org/?fr=liangziwei
【3】https://ai.baidu.com/forum/topic/show/943419/?fr=liangziwei

谷歌计算资源薅羊毛教程传送门：

https://zhuanlan.zhihu.com/p/59305459