又有新的GPU资源可以免费用了。

福利来自一家叫做Paperspace的云计算公司，他们提供了名叫Gradient的服务：大家都可以用云端GPU，直接跑Jupyter Notebook，不需要付费。

系统预装了PyTorch、TensorFlow、Keras等等许多主流机器学习框架，用起来几乎不会有任何障碍。训练、推理、部署全部支持，还可以把自己的项目公开分享出来。

振奋人心的消息，在Reddit上获得了400+热度。

有人说，这个工具可以解决Colab的许多问题，先举一个例子：

Colab每次关掉都要重新把所有东西装一遍，但Notebook可以一直用的。(@dkobran)

一键运行，一键训练，一键部署

只要用GitHub账号注册一下Paperspace，就可以进到Gradient服务的页面：

就像开头说的那样，可以运行Jupyter Notebook，可以训练模型，还可以部署。

运行一个项目

在这个部分，官方提供了许多样本项目，覆盖各种主流框架，可从中任选一个项目：

再选一个免费的GPU资源：

选好之后，点击“创建Notebook”。一旦创建完毕，系统便会自动开始运行项目。

当然，随时可以按停，随时可以继续。

在免费服务里，每次最多跑6小时就会自动关闭，但并没有限制次数，断了还可以继续跑。

目前，免费的计算资源有这些：

另外，付费的GPU资源，也没有贵到不可接受：

其实运行一个项目，倒未必需要多大的算力。

但别忘了，Gradient还支持训练。

训练一个模型

只要用自己的Github账号授权一下，就能直接把那里的repo搬过来用了。

并且，Gradient里集合了许多公开数据集，也可以直接用到自己的项目里。

部署一个算法

根据官网介绍，只要点击push to deploy按钮，就可以一键把算法部署成API，直接能用的那一种。

现在已经做到的功能有这些：

· 与TensorFlow集成在一起了，但也可以轻松扩展，来支持其他的模型和数据。· 有多种GPU和CPU可以用来部署。· 支持多实例部署，可以自动平衡负载。· 每个部署，都有自己专用的安全端点URL。· 可以通过Gradient CLI、Web UI/API来访问，也可以从你的自定义应用来访问。

为啥不用Colab？

面对这个直击灵魂的问题，一个高分回答 (@dkobran) 在这里：

有几个原因。

一是Colab用的是Google Drive，虽然方便但很慢。比如，训练集常常包含了大量的小文件，特别是图像数据集。Colab要提取这些数据，就一点一点爬。这样对MNIST这种小数据集来说还可以，适合做些玩玩的项目；但要训练更专业的模型，做更有趣的研究，就不太够了。

二是Notebook是完全持久的。如果用Colab，每次打开Notebook都要把所有东西重装一次。

三是Colab的实例可能跑着跑着就关了，之前的工作就丢了。而Gradient可以保证跑完整个session。

另外，Gradient支持在同一环境里添加更多存储，添加高端专用GPU。训练一个复杂的模型，比如要训练一两天、数据集有1TB的那种，也完全可以。还可以一键部署，把模型直接变成API，Colab是做不到的。

这里还提供了大量的ML模板，不论是用TensorFlow、PyTorch、MXNet、Chainer还是CNTK做的，都可以找到。许多公开数据集，系统也收录了，可以直接用进项目里。

这有可能是个官方答案，但也确实击中了许多网友柔软的内心：

答得好。关上Colab是史上最烦的事情了。(@kindnesd99)

如果一个目录下面的文件太多，Colab很容易超时，对图像工作太不友好了。(@zalamandagora)

Colab甚至都没到超时那一步，就直接读取失败，死在OSError 5之类的错误上了。(@Exepony)

所以，你也来试一下吧。

Gradient传送门：

https://www.paperspace.com/console/gradient

— 完 —

“