【Google Colaboratoryまとめ】完全版！特徴・環境設定・ディープラーニング体験【Colab】

時価70万円のGPUを無料で使える最強のサービスGoogle Colaboratory。

本記事では、Google Colaboratoryの特徴から、環境設定、PythonによるDeep Learning体験まで、本サービスの魅力と活用方法を余すことなくお伝えいたします！

1. Google Colabの特徴
2. Google Colabの環境設定
3. Google ColabでGPUを用いた深層学習プログラミング
4. まとめ

Google Colabの特徴

それでは、Google Colabの特徴をみていきましょう。

メリットをリストアップすると以下のようになります。

・時価70万円のGPUが無料で使える！！

・ハイスペックCPUであるXeonハイッテル！！

・専用Notebook上で開発できるため、情報共有や思考（試行）の記録化が容易！！

・計算科学系ライブラリがプリインストールされており、環境設定ほぼ不要！！

・超高速TPUが使える！！←New!!

一方で、Google Colabのデメリットは何があるでしょうか？

・連続利用時間は12時間まで

・未操作のまま90分経過するとインスタンスが落ちる

こんなもんでしょうかね。

これらのデメリットは、Google Colabの多大なるメリットと比べたらなんてことはありません。

以下の記事にて、Google Colabの特徴についてより詳細にまとめておりますので、気になる方はこちらをどうぞ。

【Google Colaboratoryの衝撃！】無料GPU(時価70万円)・TPUでAI体験可能！Google Colabの特徴

Google Colabの環境設定

それでは、GPUを使うための環境設定について説明していきます。

手順は以下です。

①Google DriveとGoogle Colaboratoryを連携

②Google ColaboratoryにてGPUを起動

③Notebookを起動

以上、これだけです！

早い人なら10分とかからずにできます。

以下の記事で、環境設定の詳細について、スクリーンショットを多用して解説しております。

これからGoogle Colabを使ってみようと考えている方は、ぜひご参照ください。

【Google Colaboratory】15分で出来る！無料GPU・TPUを用いたAI利用環境設定

Google ColabでGPUを用いた深層学習プログラミング

本題の深層学習プログラミング体験に移りましょう！

今回使用する深層学習ライブラリはTFLearnというもので、深層学習ライブラリとして有名なTensorFlowをより感覚的に使いやすくした、ハイレベルなインターフェースです。

まず、以下のソースコードをGoogle Colab上のセル内にコピペして「Ctrl+Enter」で実行してください。

Python
# TFLearnのインストール !pip install tflearn # 使用するライブラリのインポート import tflearn import tflearn.datasets.mnist as mnist import tensorflow as tf import numpy as np # MNISTのデータを./mnistへダウンロード＆各変数へ値を格納 X,Y,testX,testY = mnist.load_data('mnist',one_hot=True)
1
2
3
4
5
6
7
8
9
10
11
# TFLearnのインストール
!pip install tflearn

# 使用するライブラリのインポート
import tflearn
import tflearn.datasets.mnist as mnist
import tensorflow as tf
import numpy as np

# MNISTのデータを./mnistへダウンロード＆各変数へ値を格納
X,Y,testX,testY = mnist.load_data('mnist',one_hot=True)

これで、TFLearnのインストールが実行され、MNISTという手書き文字65000枚のデータセットが使えるようになりました。

続いて、深層学習プログラムを以下に示します。

これをセルにコピペして実行すれば深層学習がはじまり、手書き文字の値を推定する精度が向上していきます。

Python
# おまじない tf.reset_default_graph() # 入力層の作成 net = tflearn.input_data(shape=[None, 784]) # 中間層を３層作成 net = tflearn.fully_connected(net, 20, activation = 'sigmoid', weight_decay = 0.001) net = tflearn.fully_connected(net, 20, activation = 'sigmoid', weight_decay = 0.001) net = tflearn.fully_connected(net, 20, activation = 'sigmoid', weight_decay = 0.001) # 出力層の作成 net = tflearn.fully_connected(net, 10, activation = 'softmax') # 学習条件の設定 net = tflearn.regression(net, optimizer='adam', loss = 'categorical_crossentropy') model = tflearn.DNN(net, tensorboard_verbose = 0) # トレーニング model.fit(X,Y,n_epoch = 20, batch_size=128 , shuffle=True, validation_set = (testX, testY)) # テスト predictions = np.array(model.predict(testX)).argmax(axis=1) actual = testY.argmax(axis=1) test_accuracy = np.mean(predictions == actual, axis=0) print("Test accuracy: %f" %test_accuracy)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
# おまじない
tf.reset_default_graph()

# 入力層の作成
net = tflearn.input_data(shape=[None, 784])

# 中間層を３層作成
net = tflearn.fully_connected(net, 20, activation = 'sigmoid', weight_decay = 0.001)
net = tflearn.fully_connected(net, 20, activation = 'sigmoid', weight_decay = 0.001)
net = tflearn.fully_connected(net, 20, activation = 'sigmoid', weight_decay = 0.001)

# 出力層の作成
net = tflearn.fully_connected(net, 10, activation = 'softmax')

# 学習条件の設定
net = tflearn.regression(net, optimizer='adam', loss = 'categorical_crossentropy')

model = tflearn.DNN(net, tensorboard_verbose = 0)

# トレーニング
model.fit(X,Y,n_epoch = 20, batch_size=128 , shuffle=True, validation_set = (testX, testY))

# テスト
predictions = np.array(model.predict(testX)).argmax(axis=1)
actual = testY.argmax(axis=1)
test_accuracy = np.mean(predictions == actual, axis=0)
print("Test accuracy: %f" %test_accuracy)