آشنایی با گوگل کولب و شیوه استفاده از آن - مجله میکونوس

دانشمندان و متخصصان علوم داده اغلب یک محیط پایتون با استفاده از Anaconda یا Miniconda روی کامپیوتر خود نصب و سپس یک سرور محلی ژوپیتر (Jupyter) را اجرا می نمایند. اما یک روش جایگزین، امکان استفاده از سرویس ابری با رایانه های آماده و محیط لازم برای ژوپیتر است که می توانید با آن به صورت آنلاین کار کنید.

این دقیقا همان چیزی است که نوت بوک کولب ارائه می دهد. Google CoLaboratory که معمولا با نام گوگل کولب (Google CoLab) شناخته می گردد، یک محیط رایگان و ابری نوت بوک ژوپیتر پایتون است که به کاربران امکان می دهد کدهای پایتون را در مرورگر وب بنویسند و اجرا نمایند. این نرم افزار که از سوی گوگل پیشرفته است، به علت قابلیت دسترسی مناسب، قابلیت های مطلوب برای کار مشترک و بعلاوه منابع محاسباتی قدرتمند، از جمله دسترسی رایگان به GPU و TPU، به ویژه در میان دانشمندان علوم داده، متخصصان یادگیری ماشین، فن آموزان و دانشجویان محبوب شده است.

گوگل کولب چیست؟

همان طور که اشاره شد، گوگل کولب سامانه هوش مصنوعی ویژه برنامه نویسی به زبان پایتون است. این نرم افزار یک محیط تعاملی مبتنی بر ژوپیتر نوت بوک فراهم نموده است که به طور یکپارچه با گوگل درایو ارائه می گردد. این یکپارچگی به کاربران امکان می دهد تا مانند گوگل داکس یا گوگل شیت، نوت بوک هایی ایجاد و ذخیره نمایند و به اشتراک بگذارند. کولب از پایتون پشتیبانی می نماید و به طور گسترده برای یادگیری ماشین، تجزیه وتحلیل داده ها و اهداف آموزشی استفاده می گردد.

ویژگی های کلیدی گوگل کولب

دسترسی رایگان به سخت افزار قدرتمند

در گوگل کولب کاربران می توانند به صورت رایگان به واحد پردازش گرافیکی (GPU) و واحد پردازش تانسوری (TPU) دسترسی داشته باشند، که آن را برای آموزش مدل های پیچیده یادگیری ماشین ایدئال می نماید.

فضای ذخیره سازی ابری

ادغام با گوگل درایو به این معنی است که نوت بوک های ایجاد شده در گوگل کولب، به طور اتوماتیک ذخیره می شوند و از هر دستگاهی قابل دسترسی هستند.

ویژگی های تعاملی

در برنامه گوگل کولب هم مانند دیگر ابزارهای گوگل ورک اسپیس (Google Workspace)، چندین کاربر می توانند هم زمان در یک نوت بوک با هم تعامل داشته باشند و همکاری نمایند.

کتابخانه های از پیش نصب شده

بسیاری از کتابخانه های محبوب پایتون در مانند TensorFlow و PyTorch و pandas و NumPy و matplotlib به صورت از پیش نصب شده، در گوگل کولب ارائه می شوند.

بدون احتیاج به نصب

با توجه به اینکه کولب یک سرویس مبتنی بر مرورگر است، احتیاجی به نصب یا پیکربندی روی رایانه ندارد و این موضوع دسترسی و سرعت کار با آن را بالا می برد.

هماهنگی با گیت هاب

گوگل کولب به وسیله گیت هاب (GitHub) با توسعه دهندگان نرم افزار همراه می گردد. هنگامی که پروفایل خود را در اختیار سرویس کولب قرار می دهید، می توانید به هر مخزن موجود در GitHub دسترسی داشته باشید.

آموزش گوگل کولب

استفاده از کولب مانند دیگر محصولات گوگل به سادگی باز کردن آن و پیروی از گزینه های روی صفحه است. اما برای آنکه هنگام استفاده روندی منظم تر داشته باشید، در این جا روند استفاده از بخش های مختلف آن را بیان می کنیم.

سایت گوگل کولب

برای استفاده از گوگل کولب کافی است به نشانی colab.research.google.com بروید و با حساب گوگل خود وارد شوید.

سپس برای ایجاد یک نوت بوک تازه می توانید روی File و سپس New Notebook کلیک کنید.

نمای کلی رابط کاربری

سلول های کد: از این سلول ها برای نوشتن و اجرای کد پایتون بهره ببرید.

سلول های متنی: از Markdown در این سلول ها برای افزودن متن، سرصفحه و پیوندهای قالب بندی شده بهره ببرید.

نوار ابزار: به وسیله این بخش می توانید به ابزارهایی برای ذخیره، اشتراک گذاری و مدیریت نوت بوک ها دسترسی داشته باشید.

نوشتن و اجرای کد

به سادگی کد پایتون را در یک سلول کد تایپ کنید.

سپس Shift+Enter را فشار دهید یا روی دکمه Run کلیک کنید تا کد نوشته شده، اجرا گردد.

استفاده از شتاب دهنده های سخت افزاری

به مسیر Runtime و سپس Change runtime type بروید.

برای افزایش قدرت محاسباتی، می توانید گزینه های GPU یا TPU را در قسمت Hardware Accelerator انتخاب کنید.

بارگذاری دیتاست در گوگل کولب

می توانید مستقیما از کتابخانه های از پیش نصب شده بهره ببرید یا کتابخانه های تازه را با استفاده از دستور !pip install library-name نصب کنید.

برای آماده سازی گوگل درایو برای دسترسی به داده ها هم می توانید از دستور زیر بهره ببرید:

from google.colab import drive

drive.mount(‘/content/drive)

علاوه بر این، امکان استفاده از لینک پروژه در گیت هاب و درون ریزی داده ها از این پایگاه برنامه نویسی معروف هم وجود دارد.

اشتراک گذاری و همکاری با دیگران

با استفاده از دکمه اشتراک گذاری، مشابه گوگل داکس، می توانید در گوگل کولب نوت بوک ها را به اشتراک بگذارید یا با تنظیم دسترسی ها به دیگران امکان دهید تا نوت بوک را مشاهده یا ویرایش نمایند.

پردازنده های گوگل کولب

همان طور که اشاره شد، گوگل کولب از واحدهای پردازشی CPU و GPU و TPU برای محاسبات استفاده می نماید. CPU یک پردازنده رایج در رایانه هاست که برای انجام وظایف محاسباتی عمومی استفاده می گردد. در کولب از CPU برای انجام کارهای رایج مانند پردازش داده ها، اجرای کد پایتون و غیره استفاده می گردد.

GPU واحد پردازش گرافیکی است و کولب پردازنده های گرافیکی انویدیا (NVIDIA) مانند Tesla K80 و Tesla T4 و Tesla P100 را ارائه می نماید که منحصرا برای کارهای گرافیکی به کار می روند. تفاوت اصلی هنگام استفاده از واحد پردازشی GPU این است که وظایف به صورت موازی و نه متوالی انجام می شوند.

واحد پردازش تانسوری یا TPU هم که به وسیله گوگل پیشرفته، برای آموزش شبکه های عصبی طراحی شده است. این پردازنده، عملکرد قابل توجه بالاتری برای حجم زیادی از وظایف محاسباتی دارد.

انتخاب بین CPU و GPU و TPU به وظیفه خاص و الزامات عملکردی مورد احتیاج بستگی دارد. گوگل کولب به علت تطبیق پذیری مناسبش مورد توجه است و این فرصت را دارید که نوع مورد احتیاج منبع محاسباتی را در تنظیمات زمان اجرای لپ تاپ خود انتخاب کنید.

یک اشکال قابل توجه این سرویس اما محدودیت در زمان استفاده فعال و عملکرد آن است که در نسخه رایگان عرضه می گردد. با این حال با افزایش به نسخه های پیشرفته تر می توانید ظرفیت حافظه و زمان اجرا را افزایش دهید و بعلاوه به TPU دسترسی داشته باشید.

محدودیت گوگل کولب

در حالی که گوگل کولب بسیاری از ویژگی های کاربردی و مجذوب کننده را به طور رایگان ارائه می دهد، اما با محدودیت های خاصی هم همراه است. برای مثال از مهم ترین آن ها می توان به زمان انتها هر نشست اشاره نمود. همان طور که اشاره شد، کولب پس از دوره های فعالیت نداشتن، که معمولا پس از 90 دقیقه است، اتصال کاربران را قطع می نماید و حداکثر زمان اجرای آن برای هر نشست فعال، 12 ساعت است.

علاوه بر این، در حالی که کولب دسترسی رایگان به GPU و TPU را فراهم می نماید، این منابع بین کاربران به اشتراک گذاشته می گردد که باعث ایجاد مشکلاتی از نظر دسترسی به منابع در زمان اوج مصرف می گردد. علاوه بر این محدودیت های فضای ذخیره سازی هم در کولب وجود دارد چون کاربران برای ذخیره نوت بوک ها و داده ها به فضای گوگل درایو خود متکی هستند که در سال 2025 در حالت رایگان 15 گیگابایت است و میان همه سرویس های گوگل به اشتراک گذاشته می گردد.

از دیگر محدودیت های فنی کولب در حال حاضر می توان به زبان برنامه نویسی اشاره نمود. این ابزار بر پایه کد پروژه ژوپیتر ساخته شده است و ژوپیتر نوت بوک را بدون احتیاج به نصب نرم افزار محلی میزبانی می نماید. اما با وجود اینکه ژوپیتر نوت بوک از چندین زبان از جمله پایتون، جولیا و R پشتیبانی می نمایند، کولب هم اکنون تنها قادر به پشتیبانی از پایتون است.

گوگل کولب پرو

برای فراتر رفتن از بعضی از محدودیت های نسخه رایگان، این شرکت نسخه پرو گوگل کولب (Colab Pro) را هم عرضه نموده است. این اشتراک پولی، دسترسی به پردازنده های گرافیکی سریع تر و زمان های اجرای طولانی تر را فراهم می نماید و زمان های قطع شدن نشست را کاهش می دهد. کاربران کولب پرو بعلاوه برای دسترسی به منابع سخت افزاری برتر اولویت دارند و حافظه بالاتری به آن ها اختصاص داده می گردد که می تواند به طور قابل توجهی عملکرد را برای وظایف فشرده یادگیری ماشین بهبود ببخشد. به طور کلی می توان گفت که اشتراک کولب پرو به ویژه برای متخصصان و پژوهشگرانی که به قدرت محاسباتی ثابت و دوره های استفاده طولانی مدت احتیاج دارند، کاربردی و سودمند است.

اکانت گوگل کولب

استفاده از گوگل کولب به یک حساب گوگل احتیاج دارد که بتواند خدمات یکپارچه با گوگل درایو را برای ذخیره نوت بوک ها و داده ها فراهم کند. بدین ترتیب تنها داشتن یک حساب استاندارد گوگل برای دسترسی به نسخه رایگان کولب کافی است. اما کاربران بعلاوه می توانند به وسیله حساب گوگل خود، حساب کولب را به نسخه های کولب پرو، کولب پرو پلاس یا کولب اینترپرایز ارتقا دهند تا به ویژگی های پیشرفته آن دسترسی داشته باشند. انجام این کار با یک گزینه به سادگی در دسترس است.

خرید اکانت گوگل کولب

برای خرید اشتراک کولب پیشرفته، باید از منوی تنظیمات به بخش Colab Pro بروید و سپس Learn more را انتخاب کنید یا مستقیما از نشانی Sign Up بازدید کنید و سپس از میان طرح های موجود، یکی را برگزینید. اگر در ایران هستید و دسترسی به کارت اعتباری بین المللی برای خرید اشتراک کولب ندارید، باید با استفاده از وب سایت های شخص ثالث این کار را انجام دهید اما هنگام خرید دقت کنید که سفارش را به وسیله وب سایت معتبر و دارای سابقه انجام دهید.

نکاتی برای استفاده بهتر

هنگام استفاده از گوگل کولب می توانید با راهکارهایی بیشترین بهره را از آن ببرید. باید دقت داشته باشید که برای مدیریت منابع، هر نشست فعال پس از مدتی فعالیت نداشتن به انتها می رسد، بنابراین باید مرتبا کار خود را ذخیره کنید. بعلاوه برای هدایت و مرور بهتر، کد خود را با سلول های Markdown مستند کنید تا درک نوت بوک ها هنگام بازخوانی آسان تر گردد. علاوه بر این کد را برای GPU/TPU بهینه سازی کنید و هنگام استفاده از شتاب دهنده های سخت افزاری، مطمئن شوید که کد شما برای استفاده از قابلیت های آن ها بهینه شده باشد.

کولب برای چه کسانی کاربرد دارد؟

دانشمندان علوم داده و مهندسان یادگیری ماشین

استفاده از کولب به شما امکان می دهد تا به سرعت مدل ها را توسعه دهید و آزمایش کنید. برای نمونه، مهندسان یادگیری ماشین می توانند از کولب برای آموزش مدل ها در مجموعه داده های بزرگ، از جمله تصاویر، متن و سری های زمانی استفاده نمایند. برای دانشمندان علوم داده استفاده از این ابزار برای مرتب سازی و تجزیه وتحلیل داده ها در یک دوره طولانی و بعلاوه شناسایی الگوها بسیار کاربردی است.

برنامه نویسان و توسعه دهندگان

توسعه دهندگان به زبان پایتون و مهندسان توسعه نرم افزار و عملیات فناوری اطلاعات می توانند از کولب برای ایجاد، آزمایش و اشکال زدایی کد، از جمله کدهای مربوط به یادگیری ماشین، تجزیه وتحلیل داده ها و دیگر وظایف استفاده نمایند.

دانشجویان

کولب با توجه به سهولت استفاده برای آموزش یادگیری ماشینی، انجام پروژه ها و تحقیقات در گروه و بعلاوه آموزش مدل های مربوط به منابع محاسباتی موجود گوگل ابزاری ایدئال است.

مربیان و سازمان های آموزشی

مربیان می توانند از کولب برای ایجاد و توزیع مواد آموزشی، راه اندازی آزمایشگاه های تحقیقاتی و نمایش نمونه کد به دانشجویان استفاده نمایند.

آزمایش نمایندگان

افراد علاقه مند به یادگیری ماشین و تجزیه وتحلیل داده ها می توانند از کولب برای یادگیری مفاهیم تازه، انجام آزمایش ها و ایجاد پروژه های خود استفاده نمایند.

شرکت ها و پروژه های تجاری

شرکت ها می توانند از کولب برای نمونه سازی سریع و آزمایش مدل های یادگیری ماشینی و علوم داده در پروژه های تجاری استفاده نمایند.

جایگزین های گوگل کولب

Kaggle

کگل (Kaggle) یک پلتفرم مسابقه و شبکه اجتماعی برای علم داده و یادگیری ماشین است که به دانشمندان علوم داده و متخصصان یادگیری ماشین اختصاص دارد. این وب سایت قابلیتی به نام Kernels عرضه می نماید که به کاربران امکان می دهد ژوپیتر نوت بوک را در فضای ابری ایجاد و اجرا نمایند.

Microsoft Azure

مایکروسافت اژر هم سرویسی مشابه به نام Azure Notebooks ایجاد نموده است که به کاربران امکان می دهد با استفاده از منابع محاسباتی Microsoft Azure، ژوپیتر نوت بوک را در فضای ابری ایجاد و اجرا نمایند.

IBM Watson Studio

آی بی ام واتسون استودیو یک پلتفرم ابری برای توسعه و استقرار مدل های یادگیری ماشین و تجزیه وتحلیل داده هاست. این پلتفرم ابزارهای مختلفی را برای ساخت و اجرای ژوپیتر نوت بوک با استفاده از منابع محاسباتی IBM ارائه می دهد.

Binder

بایندر هم سرویسی است که به شما امکان می دهد مخازن گیت هاب را با ژوپیتر نوت بوک به زمان های اجرای تعاملی تبدیل کنید. کاربران می توانند ژوپیتر نوت بوک را مستقیما در مرورگر و بدون نصب چیزی روی رایانه، اجرا نمایند.

SageMaker

سیج میکر آمازون هم ابزار دیگری است که ژوپیتر نوت بوک کاملا مدیریت شده برای ساخت، آموزش و استقرار مدل های یادگیری ماشین ارائه می دهد. برخلاف کولب که رایگان است، سیج میکر امکانات برتر سازمانی را با زیرساخت ایمن و مقیاس پذیری ارائه می دهد.

جمع بندی

با وجود بعضی کاستی ها که در نسخه رایگان وجود دارد، گوگل کولب به علت در دسترس بودن، کاربرپسند بودن، سادگی استفاده و طیف گسترده ای از قابلیت هایی که ارائه می نماید از جمله بهره گیری از هوش مصنوعی، به ابزاری محبوب برای کار با علوم داده و یادگیری ماشینی تبدیل شده است که می توان از آن در پروژه های مختلف بهره گرفت. بنابراین در کنار استفاده از ابزارهایی مانند مترجم گوگل، گوگل میت یا نوت بوک ال ام، اگر قصد فعالیت های تخصصی به وسیله برنامه نویسی به زبان پایتون را دارید، هوش مصنوعی گوگل کولب قطعا به یکی از ابزارهای مورد توجه شما تبدیل خواهد شد.

منابع: Play Devs, Tech Target, CoLab, Android Police