作者 | 阿司匹林
出品 | 人工智能头条（公众号ID：AI_Thinker）
在到处都是开源工具和学习资料的今天，深度学习的门槛已经大大降低。然而，学习的门槛降低并不意味着学习的成本降低了，比如说动则上万的 GPU。
不管是买 GPU，还是买云服务，对很多人来说都是一笔不小的花销。今天，我们就教大家一个薅资本主义羊毛的新方法：通过 Kaggle Kernels 免费使用英伟达 GPU！
首先，我们来介绍下什么是 Kaggle Kernels。
Kaggle 是一个为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台，目前已经被 Google 收购。
而 Kaggle Kernels 是一个可以让你在浏览器中运行 Jupyter notebook 的免费平台。也就是说，只要有网络，你就不需要再设置本地环境，直接在浏览器里使用 Jupyter notebook 即可。
为什么说是免费？因为 Kaggle Kernels 会通过云端提供免费的计算资源。下图是 Google 去年底发布的 Kaggle Kernels 免费计算资源：4 CPU + 16 GB RAM + 1 GB Disk Space。美中不足的是，没有 GPU。
2011 年，当时还在 Google 吴恩达用 12 片 GPU 代替 2000 片 CPU，来训练深度神经网络，最后大获成功。从此，GPU 几乎成了深度学习的标配。
在经历了半年的等待之后，Kaggle Kernels 终于推出了用户期待已久的福利：NVIDIA K80 GPU （ 12GB VRAM 版本）。
根据 Kaggle 的测试，在使用 GPU 之后，深度学习模型的训练速度可以提升 12.5 倍。想想就很激动，毕竟现在科研竞争那么激烈，大家都在跟时间赛跑。
目前，Kaggle Kernels 提供两种实例：GPU + 4 CPU + 16 GB RAM 或者 GPU + 2 CPU + 6 GB RAM。需要注意的是，数据集的大小被限制在 20 GB 以内，磁盘存储空间则为 1 GB。据悉，每种实例在超时前最多可以运行 6 个小时。
看到这里，是不是已经按捺不住了？下面的教程会告诉你薅羊毛的具体姿势，请查收:
https://www.kaggle.com/dansbecker/running-kaggle-kernels-with-a-gpu/code
