Tipps: Tensorflow in Google Colab

Google Colab (Google Colaboratory) ist eine kostenlose, cloudbasierte Entwicklungsumgebung, die speziell für Machine Learning und Deep Learning optimiert ist. Mit kostenlosen GPUs und TPUs bietet Colab eine ideale Umgebung für TensorFlow-Modelle.

Warum Google Colab statt lokalem Python?

  • Keine Installation nötig – TensorFlow und andere Bibliotheken sind bereits vorinstalliert.
  • Kostenlose GPUs & TPUs – Für schnelles Training ohne eigene teure Hardware.
  • Einfacher Zugriff auf Google Drive – Daten direkt speichern und laden.
  • Läuft in der Cloud – Keine Belastung des eigenen Computers.
  • Ideal für Kollaboration – Notebooks können einfach geteilt und gemeinsam bearbeitet werden.

1. Erste Schritte: Google Colab nutzen

1.1 Google Colab öffnen

1.2 Verbindung zur Laufzeit herstellen

  • Klicke oben rechts auf „Connect“, um eine Runtime zu starten.
  • Falls nötig, wähle eine GPU oder TPU aus („Runtime“ → „Change runtime type“).

2. TensorFlow in Colab installieren & überprüfen

Google Colab enthält bereits eine vorinstallierte Version von TensorFlow. Falls eine aktuelle Version benötigt wird, kann sie mit folgendem Befehl installiert werden:

!pip install -q tensorflow

TensorFlow-Version überprüfen:

import tensorflow as tf
print("TensorFlow Version:", tf.version)

3. Nutzung von GPU oder TPU in TensorFlow

3.1 GPU aktivieren

Falls nicht bereits geschehen:

  1. Gehe zu „Runtime“ → „Change runtime type“.
  2. Wähle als Hardwarebeschleuniger: „GPU“. (T4 oder V100 sind stärker als K80)
  3. Speichere die Änderung.

Dann prüfen, ob die GPU erkannt wurde:

import tensorflow as tf
if tf.config.list_physical_devices('GPU'):
print("GPU gefunden:", tf.config.list_physical_devices('GPU'))
else:
print("Keine GPU gefunden.")

3.2 TPU aktivieren

  1. Gehe zu „Runtime“ → „Change runtime type“.
  2. Wähle als Hardwarebeschleuniger: „TPU“.
  3. Bestätige die Änderung.

Dann prüfen, ob eine TPU verfügbar ist:

import tensorflow as tf
try:
tpu = tf.distribute.cluster_resolver.TPUClusterResolver()
print("TPU gefunden:", tpu.cluster_spec().as_dict())
except:
print("Keine TPU gefunden.")

Wann GPU oder TPU verwenden?

  • GPU: Ideal für Deep Learning mit CNNs (z. B. Bildverarbeitung).
  • TPU: Gut für große Modelle mit sequentiellen Berechnungen (z. B. NLP-Modelle).

4. Dateien in Google Colab hochladen & nutzen

4.1 Lokale Dateien hochladen

Falls eigene Daten (z. B. .csv, .txt, Bilder) hochgeladen werden sollen:

from google.colab import files
uploaded = files.upload()

Alle hochgeladenen Dateien anzeigen:

import os
print(os.listdir())

4.2 Verbindung zu Google Drive herstellen

Um größere Datenmengen zu speichern, kann Google Drive direkt eingebunden werden:

from google.colab import drive
drive.mount('/content/drive')

Jetzt kann auf Dateien in Google Drive zugegriffen werden:

import pandas as pd
df = pd.read_csv('/content/drive/My Drive/meine_daten.csv')

5. Performance-Tipps für TensorFlow in Colab

5.1 Batching & Prefetching nutzen

Um das Training zu beschleunigen, kann tf.data für effizientes Datenladen genutzt werden:

dataset = tf.data.Dataset.from_tensor_slices(X_train).batch(32).prefetch(tf.data.experimental.AUTOTUNE)

5.2 Mixed Precision Training (schnellere Berechnungen mit GPUs)

Für moderne GPUs kann Mixed Precision Training die Geschwindigkeit erheblich erhöhen:

from tensorflow.keras import mixed_precision
mixed_precision.set_global_policy('mixed_float16')

5.3 Speichern & Laden von Modellen

Falls das Training lange dauert, sollte das Modell regelmäßig gespeichert werden:

model.save('/content/drive/My Drive/mein_model.h5')

Das Modell kann später wieder geladen werden:

from tensorflow.keras.models import load_model
model = load_model('/content/drive/My Drive/mein_model.h5')

6. Tipps um eine starke GPU zu erhalten

Falls eine leistungsfähigere GPU gewünscht wird, kann folgendes helfen:

  1. Zu ungewöhnlichen Zeiten arbeiten (z. B. früh morgens oder spät abends).
  2. Laufzeit zurücksetzen und neu starten, um eine andere GPU zu erhalten.
  3. Nicht genutzte Notebooks schließen, da parallele Sitzungen begrenzt sind.
  4. Inkognito-Modus des Browsers oder anderen Account nutzen
  5. Eine andere Region über VPN nutzen
  6. Mehrere Google-Konten nutzen
  7. Prüfen ob bei großen Modellen eine TPU frei ist (statt GPU)
  8. Notfalls: Zusätzliche Compute Units kaufen
Nach oben scrollen