0. Google Colab¶

On travaille sur Google Colab : des notebooks dans le navigateur, avec un GPU gratuit. Rien à installer, il suffit d'un compte Google.

Démarrer¶

Ouvrez https://colab.research.google.com et connectez-vous avec un compte Google.
Dans chaque notebook, passez sur GPU avant de lancer quoi que ce soit : menu Exécution > Modifier le type d'exécution > GPU T4 (en anglais : Runtime > Change runtime type > T4 GPU).
Vérifiez dans une cellule :

import torch
print(torch.__version__, torch.cuda.is_available())

Résultat attendu

La version de PyTorch, puis True. Si vous obtenez False, refaites l'étape 2.

Les données : toujours la copie rapide¶

PyTorch télécharge normalement CIFAR-10 depuis un serveur universitaire qui est extrêmement lent. Utilisez toujours notre copie. Dans un notebook Colab, la cellule suivante la télécharge en quelques secondes :

!wget -q https://github.com/bonben/ensta-tp-deep-learning/releases/download/cifar10/cifar-10-python.tar.gz
!mkdir -p data && tar xzf cifar-10-python.tar.gz -C data && rm cifar-10-python.tar.gz
!ls data/cifar-10-batches-py

Ensuite, torchvision.datasets.CIFAR10("./data", download=True) trouve les données sur place et ne télécharge plus rien.

Le notebook de la partie 2 fait ce téléchargement tout seul, dans sa première cellule.

Ce qu'il faut savoir sur Colab¶

Les fichiers disparaissent quand la session se termine. Téléchargez ce que vous voulez garder (vos poids best.pt, vos courbes) : panneau Fichiers à gauche, clic droit, Télécharger.
Une session inactive est déconnectée au bout d'un moment : gardez l'onglet ouvert pendant un entraînement.
Le GPU gratuit est limité en temps par jour. Ne laissez pas tourner une session pour rien : Exécution > Déconnecter et supprimer l'exécution quand vous avez fini.

Et plus tard ?

Pour les entraînements plus longs de la suite du module, l'école met à disposition un serveur GPU. Votre notebook y fonctionnera tel quel : la migration consiste à y déposer le notebook et à le relancer.