借助 Colaboratory(简称 Colab),您可在浏览器中编写和执行 Python 代码,并且:
无论您是一名学生、数据科学家还是 AI 研究员,Colab 都能够帮助您更轻松地完成工作。您可以观看 Colab 简介了解详情,或查看下面的入门指南!
您正在阅读的文档并非静态网页,而是一个允许您编写和执行代码的交互式环境,称为 Colab 笔记本。
例如,以下代码单元格包含一个简短的 Python 脚本,该脚本会计算值、将其存储在变量中并输出结果:
seconds_in_a_day = 24 * 60 * 60
seconds_in_a_day
86400
要执行上述单元格中的代码,请点击选择它,然后按代码左侧的“播放”按钮,或使用键盘快捷键“Command/Ctrl+Enter”。要修改代码,只需点击单元格,然后开始修改。
您在某个单元格中定义的变量之后可用在其他单元格中:
seconds_in_a_week = 7 * seconds_in_a_day
seconds_in_a_week
604800
对于 Colab 笔记本,您可以将可执行代码、富文本以及图像、HTML、LaTeX 等内容合入 1 个文档中。当您创建自己的 Colab 笔记本时,系统会将这些笔记本存储在您的 Google 云端硬盘账号名下。您可以轻松地将 Colab 笔记本共享给同事或好友,允许他们评论甚至修改笔记本。要了解详情,请参阅 Colab 概览。要创建新的 Colab 笔记本,您可以使用上方的“文件”菜单,也可以使用以下链接:创建新的 Colab 笔记本。
Colab 笔记本是由 Colab 托管的 Jupyter 笔记本。如需详细了解 Jupyter 项目,请访问 jupyter.org。
借助 Colab,您可以充分利用常用 Python 库的强大功能来分析和可视化数据。下方的代码单元格使用 NumPy 生成一些随机数据,并使用 Matplotlib 可视化这些数据。要修改代码,只需点击单元格,然后开始修改。
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)
您可将自己的数据导入 Colab 笔记本中,支持的数据来源有:Google 云端硬盘账号(包括电子表格)、GitHub 以及其他很多来源。要详细了解如何导入数据及将 Colab 用于数据科学领域,请访问下方处理数据下的链接。
Colab 在机器学习社区内得到了广泛应用,应用示例包括:
要查看演示机器学习应用的示例 Colab 笔记本,请查看下方的机器学习示例。
NeMo Voice Swap:借助 Nvidia 的 NeMo 会话式 AI 工具包,您可以将音频片段中的语音换成计算机生成的语音。
重新训练图像分类器:基于预训练的图像分类器,构建一个分辨花朵的 Keras 模型。
文本分类:将 IMDB 影评分类为“褒义”或“贬义”。
风格迁移:使用深度学习在图像之间迁移风格。
Multilingual Universal Sentence Encoder Q&A:使用机器学习模型回答来自 SQuAD 数据集中的问题。
视频插帧:预测视频第一帧和最后一帧之间有些什么。