Mit Colab oder „Colaboratory“ können Sie Python-Code in Ihrem Browser schreiben und ausführen. Sie können Folgendes tun:
Egal, ob Sie Student, Data Scientist oder AI-Forscher sind – Colab erleichtert Ihnen die Arbeit. Im Video Einführung in Colab erhalten Sie weitere Informationen, Sie können aber auch gleich hier loslegen.
Das Dokument, das Sie lesen, ist keine statische Webseite, sondern eine interaktive Umgebung, die als Colab-Notebook bezeichnet wird und in der Sie Code schreiben und ausführen können.
Hier ist beispielsweise eine Codezelle mit einem kurzen Python-Script, das einen Wert berechnet, ihn in einer Variablen speichert und das Ergebnis ausgibt:
seconds_in_a_day = 24 * 60 * 60
seconds_in_a_day
86400
Wählen Sie zum Ausführen des Codes in der Zelle oben die Zelle mit einem Klick aus und drücken Sie dann entweder die Schaltfläche zum Abspielen links neben dem Code oder verwenden Sie die Tastenkombination "Befehlstaste/Strg + Enter". Klicken Sie zum Bearbeiten des Codes einfach auf die Zelle und beginnen Sie mit der Bearbeitung.
Variablen, die Sie in einer Zelle definieren, können später in anderen Zellen verwendet werden:
seconds_in_a_week = 7 * seconds_in_a_day
seconds_in_a_week
604800
Mit Colab-Notebooks können Sie ausführbaren Code und Rich Text in einem einzigen Dokument gemeinsam mit Bildern, HTML, LaTeX und vielem mehr kombinieren. Wenn Sie Ihre eigenen Colab-Notebooks erstellen, werden sie in Ihrem Google Drive-Konto gespeichert. Sie können Ihre Colab-Notebooks ganz einfach mit Kollegen oder Freunden teilen und das Kommentieren oder sogar das Bearbeiten Ihrer Notebooks zulassen. Weitere Informationen finden Sie unter Übersicht über Colab. Wenn Sie ein neues Colab-Notebook erstellen möchten, können Sie oben das Menü "Datei" oder den folgenden Link verwenden: Ein neues Colab-Notebook erstellen.
Colab-Notebooks sind Jupyter-Notebooks, die von Colab gehostet werden. Weitere Informationen zu Project Jupyter finden Sie unter jupyter.org.
Mit Colab können Sie das volle Potenzial der beliebten Python-Bibliotheken nutzen, um Daten zu analysieren und visualisieren. Die Codezelle unten verwendet NumPy, um zufällige Daten zu erstellen, und Matplotlib, um sie zu visualisieren. Klicken Sie zum Bearbeiten des Codes einfach auf die Zelle und beginnen Sie mit der Bearbeitung.
import numpy as np
import IPython.display as display
from matplotlib import pyplot as plt
import io
import base64
ys = 200 + np.random.randn(100)
x = [x for x in range(len(ys))]
fig = plt.figure(figsize=(4, 3), facecolor='w')
plt.plot(x, ys, '-')
plt.fill_between(x, ys, 195, where=(ys > 195), facecolor='g', alpha=0.6)
plt.title("Sample Visualization", fontsize=10)
data = io.BytesIO()
plt.savefig(data)
image = F"data:image/png;base64,{base64.b64encode(data.getvalue()).decode()}"
alt = "Sample Visualization"
display.display(display.Markdown(F"""![{alt}]({image})"""))
plt.close(fig)
Sie können Ihre eigenen Daten aus Ihrem Google Drive-Konto in Colab-Notebooks importieren, beispielsweise aus Tabellen sowie aus GiHhub und vielen anderen Quellen. Weitere Informationen zum Importieren von Daten und dazu, wie Colab für Data Science genutzt werden kann, finden Sie unten in den Links unter Mit Daten arbeiten.
Mit Colab können Sie einen Bilddatenbestand importieren, damit einen Bildklassifikator trainieren und das Modell bewerten – alles in nur wenigen Codezeilen. Colab-Notebooks führen Code auf den Cloud-Servern von Google aus und bieten so unabhängig von der Leistung Ihres Computers die Vorteile der Google-Hardware, wie z. B. GPUs und TPUs. Sie benötigen lediglich einen Browser.
Colab wird im Bereich des maschinellen Lernens in großem Umfang u. a. mit folgenden Anwendungen eingesetzt:
Colab-Beispiel-Notebooks, in denen Anwendungen für maschinelles Lernen veranschaulicht werden, finden Sie unten in den Beispielen für maschinelles Lernen.
Hier sehen Sie einige Notebooks aus dem Machine Learning Crash Course von Google. Weitere Informationen finden Sie auf der Website des vollständigen Kurses.
NeMo Voice Swap: Mit dem NeMo-Toolkit für Conversational AI von Nvidia können Sie eine Stimme in einem Audiofragment in eine computergenerierte Stimme umwandeln.
Erneutes Trainieren eines Bildklassifikators: Erstellen Sie auf Grundlage eines zuvor trainierten Bildklassifikators ein Keras-Modell, mit dem Blumen auseinandergehalten werden können.
Textklassifizierung: Klassifizieren Sie Filmrezensionen in der IMDB als positiv oder negativ.
Stilübertragung: Übertragen Sie den Stil eines Bildes, mithilfe von Deep Learning, auf ein anderes Bild.
Fragen und Antworten zum mehrsprachigen universellen Satz-Encoder: Verwenden Sie zum Beantworten von Fragen aus dem SQuAD-Dataset ein Modell für maschinelles Lernen.
Videointerpolation: Machen Sie eine Vorhersage darüber, was zwischen dem ersten und dem letzten Bild eines Videos geschah.