薅羊毛的资源怎么来的(免费GPU计算资源哪里有？带你薅薅国内GPU羊毛)

允中发自凹非寺量子位出品 | 公众号 QbitAI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1.AI Studio和飞桨（PaddlePaddle）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。

1.1 AI StudioAI 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。

1.2 飞桨根据官网介绍，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。

1.3 AI Studio与飞桨的生态下图是百度在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2.AI Studio实例测评：以数字识别项目为例。

2.1 AI Studio GPU和CPU性能对比为了测试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2.2 AI Studio和Kaggle对比测试测试环境：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/45293Batch_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。

2.3 AWS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。

2.4. 测试总结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？。

3.羊毛来了，薅起来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。

3.1 自己申请点进https://aistudio.baidu.com/aistudio/questionnaire?activityid=539接着填写个人信息

提交后，会出现下图

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。

3.2 跑项目赚算力卡这个简直了，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

3.3 算力卡分裂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3.4 比赛薅羊毛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！Reference:【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

作者系网易新闻·网易号“各有态度”签约作者— 完 —近期精选阅读