Colab (ou "Colaboratory") vous permet d'écrire et d'exécuter du code Python dans votre navigateur avec
Que vous soyez étudiant, data scientist ou chercheur en IA, Colab peut vous simplifier la tâche. Regardez la présentation de Colab pour en savoir plus ou commencez tout de suite.
Le document que vous consultez n'est pas une page Web statique, mais un environnement interactif appelé notebook Colab, qui vous permet d'écrire et d'exécuter du code.
Voici par exemple une cellule de code avec un bref script en Python qui calcule une valeur, l'enregistre dans une variable et imprime le résultat :
seconds_in_a_day = 24 * 60 * 60
seconds_in_a_day
86400
Pour exécuter le code dans la cellule ci-dessus, sélectionnez-le en cliquant dessus, puis cliquez sur le bouton de lecture à gauche du code ou utilisez le raccourci clavier Commande/Ctrl+Entrée. Pour modifier le code, cliquez simplement sur la cellule.
Les variables que vous définissez dans une cellule peuvent être utilisées par la suite dans d'autres cellules :
seconds_in_a_week = 7 * seconds_in_a_day
seconds_in_a_week
604800
Les notebooks Colab vous permettent d'utiliser, dans un même document, du code exécutable, du texte enrichi, des images, du code HTML, du code LaTeX et bien plus. Lorsque vous créez des notebooks Colab, ils sont enregistrés dans votre compte Google Drive. Vous pouvez facilement les partager avec vos collaborateurs ou vos amis, qui peuvent alors y apporter des commentaires ou même les modifier. Pour en savoir plus, consultez la page Présentation de Colaboratory. Pour créer un notebook Colab, utilisez le menu "Fichier" ci-dessus ou le lien Créer un notebook Colab.
Les notebooks Colab sont des notebooks Jupyter hébergés par Colab. Pour en savoir plus sur le projet Jupyter, consultez le site Web jupyter.org.
Colab vous permet de tirer pleinement parti des bibliothèques populaires Python pour analyser et visualiser des données. La cellule de code ci-dessous utilise numpy pour générer des données aléatoires et matplotlib pour les visualiser. Pour modifier le code, cliquez simplement sur la cellule.
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)
Vous pouvez importer vos propres données dans les notebooks Colab depuis votre compte Google Drive, y compris depuis des feuilles de calcul, ainsi que depuis GitHub et de nombreuses autres sources. Pour en savoir plus sur l'importation de données et l'utilisation de Colab dans le domaine de la science des données, consultez les liens ci-dessous dans la section Utiliser les données.
Colab vous permet d'importer un ensemble de données d'images, d'entraîner un classificateur d'images sur cet ensemble et d'évaluer le modèle, tout cela avec quelques lignes de code. Les notebooks Colab exécutent ce code sur les serveurs cloud de Google. Vous avez donc à votre disposition toute la puissance du matériel Google, y compris les GPU et TPU, quelle que soit la puissance de votre ordinateur. Vous n'avez besoin que d'un navigateur.
Colab est très largement utilisé par la communauté du machine learning, par exemple dans les applications suivantes :
Pour voir comment les notebooks Colab sont utilisés dans des applications de machine learning, reportez-vous aux exemples de machine learning ci-dessous.
Vous trouverez ci-dessous quelques-uns des notebooks de la formation Google en ligne sur le machine learning. Consultez la formation complète en ligne pour en savoir plus.
Échange de voix avec NeMo : utilisez le kit Nvidia NeMo pour l'IA conversationnelle afin d'échanger une voix dans un fragment audio contre une voix générée par ordinateur.
Recyclage d'un classificateur d'images : construisez un modèle Keras sur un classificateur d'images pré-entraîné pour faire la distinction entre différentes fleurs.
Classification de texte : classez des avis sur des films provenant de la base de données IMDB comme positifs ou négatifs.
Transfert de style : utilisez le deep learning pour transférer un style d'une image à une autre.
Questions/Réponses sur l'encodeur de phrases universel multilingue : utilisez un modèle de machine learning afin de répondre aux questions issues de l'ensemble de données SQuAD.
Interpolation vidéo : prédisez ce qui s'est passé entre la première et la dernière image d'une vidéo.