本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

又有新的GPU資源可以免費用了。

福利來自一家叫做Paperspace的云計算公司，他們提供了名叫Gradient的服務：大家都可以用云端GPU，直接跑Jupyter Notebook，不需要付費。

系統預裝了PyTorch、TensorFlow、Keras等等許多主流機器學習框架，用起來幾乎不會有任何障礙。訓練、推理、部署全部支持，還可以把自己的項目公開分享出來。

振奮人心的消息，在Reddit上獲得了400+熱度。

有人說，這個工具可以解決Colab的許多問題，先舉一個例子：

Colab每次關掉都要重新把所有東西裝一遍，但Notebook可以一直用的。(@dkobran)

一鍵運行，一鍵訓練，一鍵部署

只要用GitHub賬號注冊一下Paperspace，就可以進到Gradient服務的頁面：

就像開頭說的那樣，可以運行Jupyter Notebook，可以訓練模型，還可以部署。

運行一個項目

在這個部分，官方提供了許多樣本項目，覆蓋各種主流框架，可從中任選一個項目：

再選一個免費的GPU資源：

選好之后，點擊“創建Notebook”。一旦創建完畢，系統便會自動開始運行項目。

當然，隨時可以按停，隨時可以繼續。

在免費服務里，每次最多跑6小時就會自動關閉，但并沒有限制次數，斷了還可以繼續跑。

目前，免費的計算資源有這些：

另外，付費的GPU資源，也沒有貴到不可接受：

其實運行一個項目，倒未必需要多大的算力。

但別忘了，Gradient還支持訓練。

訓練一個模型

只要用自己的Github賬號授權一下，就能直接把那里的repo搬過來用了。

并且，Gradient里集合了許多公開數據集，也可以直接用到自己的項目里。

部署一個算法

根據官網介紹，只要點擊push to deploy按鈕，就可以一鍵把算法部署成API，直接能用的那一種。

現在已經做到的功能有這些：

· 與TensorFlow集成在一起了，但也可以輕松擴展，來支持其他的模型和數據。· 有多種GPU和CPU可以用來部署。· 支持多實例部署，可以自動平衡負載。· 每個部署，都有自己專用的安全端點URL。· 可以通過Gradient CLI、Web UI/API來訪問，也可以從你的自定義應用來訪問。

為啥不用Colab？

面對這個直擊靈魂的問題，一個高分回答 (@dkobran) 在這里：

有幾個原因。

一是Colab用的是Google Drive，雖然方便但很慢。比如，訓練集常常包含了大量的小文件，特別是圖像數據集。Colab要提取這些數據，就一點一點爬。這樣對MNIST這種小數據集來說還可以，適合做些玩玩的項目；但要訓練更專業的模型，做更有趣的研究，就不太夠了。

二是Notebook是完全持久的。如果用Colab，每次打開Notebook都要把所有東西重裝一次。

三是Colab的實例可能跑著跑著就關了，之前的工作就丟了。而Gradient可以保證跑完整個session。

另外，Gradient支持在同一環境里添加更多存儲，添加高端專用GPU。訓練一個復雜的模型，比如要訓練一兩天、數據集有1TB的那種，也完全可以。還可以一鍵部署，把模型直接變成API，Colab是做不到的。

這里還提供了大量的ML模板，不論是用TensorFlow、PyTorch、MXNet、Chainer還是CNTK做的，都可以找到。許多公開數據集，系統也收錄了，可以直接用進項目里。

這有可能是個官方答案，但也確實擊中了許多網友柔軟的內心：

答得好。關上Colab是史上最煩的事情了。(@kindnesd99)

如果一個目錄下面的文件太多，Colab很容易超時，對圖像工作太不友好了。(@zalamandagora)

Colab甚至都沒到超時那一步，就直接讀取失敗，死在OSError 5之類的錯誤上了。(@Exepony)

所以，你也來試一下吧。

Gradient傳送門：

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