[PYTHON] Créez facilement un environnement GCP pour Kaggle à grande vitesse

De superbes fonctionnalités ont été ajoutées à GCP

Auparavant, j'avais écrit un article Créer facilement un environnement GCP pour Kaggle. Cette fois, j'ai trouvé un moyen plus simple de le construire, donc je vais l'écrire comme une version améliorée de l'article précédent. Une fonction appelée notebook a été ajoutée dans la partie inférieure appelée plateforme AI. Ce que c'est que vous pouvez le préparer à l'utilisation sans avoir à faire le travail de rendre le notebook Jupyter disponible dans l'article précédent. Pour être précis, Jupyter Lab sera lancé, mais si vous avez utilisé le notebook jupyter, vous le connaîtrez bientôt.

À propos de l'utilisation

Vous pouvez configurer une instance en appuyant sur le bouton appelé Nouvelle instance en haut. Cette instance semble être partagée avec GCE. Dans cet environnement, vous pouvez sélectionner le framework que vous souhaitez utiliser et configurer l'environnement d'exécution aussi facilement que la VM Deep Learning.

Après avoir configuré l'instance, cliquez sur Ouvrir JUPYTER LAB. Si vous sélectionnez Notebook ici, jupyter notebook sera lancé. C'est aussi simple que ça: smiley:

Après cela, vous pouvez entrer des commandes à partir du terminal, et vous pouvez également créer un fichier Python à partir d'un fichier texte et le renommer en .py sans aucun problème.

En ce qui concerne les fichiers, l'interface graphique est maintenue afin que vous puissiez facilement les télécharger et les télécharger.

en conclusion

Avec cette fonctionnalité implémentée, il est beaucoup plus facile de créer un environnement informatique avec GCP. Récemment, le noyau de Kaggle a des restrictions d'utilisation strictes, donc je pense que beaucoup de gens utilisent Google Colab, mais comme vous pouvez obtenir un coupon de 30000 yens, je pense que c'est une bonne idée de profiter de cette opportunité pour démarrer avec GCP. Je vais. Si vous avez des questions, n'hésitez pas à commenter. P.S Actuellement, j'utilise cette fonction dans un concours, mais il semble qu'il y ait un problème dans la gestion de gros fichiers. Par exemple, si vous essayez de télécharger un fichier lourd à partir du laboratoire Jupyter, il en téléchargera un nettement plus petit, ou si vous essayez d'installer PyTorch par pip, il s'arrêtera à mi-chemin. La solution de contournement consiste à utiliser gsutil pour écrire dans le stockage ou pour configurer une instance contenant PyTorch depuis le début ... J'attends avec impatience les améliorations futures!