比Colab更方便的GPU平台-GPUlab

GPUlab是一个提供付费GPU的平台，其接口源自JupyterLab（一种升级版的Jupyternotebook），因此可透过网页接口提供完整的Python IDE接口，除了基本的Notebook，也有terminal、console可用，因此使用起来比起Colab更为方便。

该产品是由一家位于美国加州的Deasil Works公司所提供，主要业务提供AI、Data science等方面的技术咨询。

计费方式

目前提供三种plan，但主要在于购买周期的差异，硬件及执行环境完全相同。三种计费周期为日、周、月，信用卡付款，期限到自动扣款续约。

提供的GPU执行环境

比较值得关心的是GPU执行环境及配置：

1.GPU硬件：Tesla K80 x1，11MB

2.CUDA 10.02

3.Ubuntu 18.04

4.Tensorflow 2.3

5.PyTorch 1.8

6.无法sudo (无root权限)

7.可使用terminal或jupyternotebook来执行程序，或管理/安装移除相关套件。

8.Storage空间无论任何方案皆为25GB。

9.环境及档案可持久保持，不像Colab,Kaggle在超过时数后便自动清空。

Tesla K80其实是由两个K40核心所组成一片24GB的K80，在环境中看到的是两片各为12GB的GPU，由于其架构较老旧，速度在TF1.6测试下仅达GTX 1080一半（参考下图）。

硬件规格与GTX 1080比较如下：

(https://www.reddit.com/r/deeplearning/comments/5mc7s6/performance_difference_between_nvidia_k80_and_gtx/)

K80已是八-九年前的产品，使用的framework为Kepler（GTX 1080为差了两代的Pascal，3080以后系列为差了五代的Ampere），从Nvidia的规划（https://zh.wikipedia.org/wiki/CUDA）来看，Kepler只支持到CUDA 10.2，不支持最新的CUDA11.0之后版本。但测试结果，安装了CUDA 11.0之后，还是能在GPUlab的K80 GPU执行训练，这部份请参考后续说明。

GPUlab的使用接口

注册账号，选择要购买的方案种类，使用信用卡缴费后，便会自动设定好环境马上便能使用。

GPUlab environment的界面

点选Notebook中的Python3，会于目前目录（可从左侧窗口的档案总管切换）新建一个notebook。

点选Console中的Bash，会进入一个可下方命令栏输入bash command的窗口。

点选Others中的Terminal，出现一个类似putty接口的终端窗口。

输入nvidia-smi

输入ls -la /usr/local/cuda，发现CUDA版本是10.1

升级CUDA为最新版的11.03

如果想要使用较新的Tensorflow 2.5，那么必须要升级CUDA到最新版本11.X才行，不过目前GPUlab仅支持10.3，官方解释要等到下一版(约在2021年七月底或八月左右)才有支持。如果打算自己安装升级，会发现GPUlab并没有开放sudo root权限，想要升级到11.X版似乎有些困难。

但其实，CUDA/CUDNN安装也可以用户模式来安装，不一定需要root权限。

下载CUDA 11.4

URL//developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&Distribution=Ubuntu&target_version=18.04&target_type=runfile_local

$ wgethttps://developer.download.nvidia.com/compute/cuda/11.4.0/local_installers/cuda_11.4.0_470.42.01_linux.run

安装CUDA 11.4

$ chmod755 cuda_11.4.0_470.42.01_linux.run

# ./cuda_11.4.0_470.42.01_linux.run

安装时取消Nvidia driver的安装，并修改安装路径到个人家目录下。（例如：/home/jovyan/cuda-11.4）

安装结束后，于相同路径下新增soft link cuda指向cuda-11.4。

加入path到.bash_profile

exportCUDA_HOME=/home/jovyan/cuda

使用pip升级tensorflwo-gpu及pytorch

pipinstall -U tensorflow-gpu torch torchvision torchaudio

将下方三行加到~/.bash_profile

exportLD_LIBRARY_PATH=/home/jovyan/cuda/lib64:/home/jovyan/cuda/extras/CUPTI/lib64/:${LD_LIBRARY_PATH}

exportLIBRARY_PATH=${LIBRARY_PATH}:/home/jovyan/cuda/lib64:/home/jovyan/extras/CUPTI/lib64:/home/jovyan/cuda/targets/x86_64-linux/lib

从NVidia下载解压CUDNN，并将档案复制到 ~/cuda相对应路径下。

测试

开启一个terminal，import tensorflow，确认可使用11.x版的CUDA。

Ps. 此方法仅对于terminal环境有效，在Jupyternotebook环境可在一开始就先执行：

!source ~/.bash_profile

之后，PyTorch便能使用到新版CUDA了，但Tensorflow还不行。

心得

优点：

1.以每月不到三百元的价格，能使用不限时数11GBRAM的GPU，且已预先装好所有可用的模块，感觉相当划算。

2.若您仅需Jupyter Notebook接口进行基本的模型测试及训练，GPUlab所提供的环境已足敷使用。

3.可同时从不同PC登入portal（看到相同执行画面），亦可同时执行数个程序，只要Disk space及GPU usage没有超过用量。

4.从GPUlab环境存取internet的速度快，例如，从Kaggle透过API下载dataset比在自己PC快相当多。

5.提供的Terminal接口与Notebook搭配使用相当方便。

缺点：

1.提供的K80 GPU速度不是很令人满意，以训练一个参数为600,612的Keras UNet模型来说，在最新GTX 3080 GPU每epochs约117 s，K80则需要383 s，两者差距了三倍之多。

2.提供的Disk space仅有25GB，一次无法放置太多数量的dataset。

3.无sudo的root权限，因此，无法自行控制或修改更多的环境配置。

4.预载的CUDA仅支持到10.3，虽可自行升级到CUDA11.X，但会占用到disk quota（约8G）。

5.环境未安装libopencv-dev套件，且也无法透过sudoapt-get install libopencv-dev 自行安装，这使得训练YOLO的Darknetframe在编译时若enableOpenCV，会产生error。

审核编辑：刘清