Για να συνδέσετε το Google Colab σε έναν τοπικό διακομιστή Notebook Jupyter που λειτουργεί στον φορητό υπολογιστή σας, πρέπει να ακολουθήσετε μερικά βήματα. Αυτή η διαδικασία σάς επιτρέπει να αξιοποιήσετε τη δύναμη του τοπικού σας μηχανήματος, ενώ εξακολουθείτε να επωφεληθείτε από τις συνεργατικές δυνατότητες και τους πόρους που βασίζονται σε σύννεφο που παρέχονται από το Google Colab.
Πρώτα, βεβαιωθείτε ότι έχετε εγκαταστήσει το Jupyter Notebook στον φορητό υπολογιστή σας. Εάν δεν το έχετε, μπορείτε να το εγκαταστήσετε ακολουθώντας την επίσημη τεκμηρίωση του Jupyter για το λειτουργικό σας σύστημα. Μόλις εγκατασταθεί, ανοίξτε ένα τερματικό ή μια γραμμή εντολών και εκτελέστε την εντολή "jupyter notebook" για να ξεκινήσετε τον τοπικό διακομιστή.
Στη συνέχεια, πρέπει να εκθέσετε τον διακομιστή Notebook Jupyter στο διαδίκτυο. Αυτό μπορεί να επιτευχθεί χρησιμοποιώντας ένα εργαλείο που ονομάζεται ngrok. Το Ngrok δημιουργεί μια ασφαλή σήραγγα στον τοπικό διακομιστή σας, επιτρέποντας εξωτερική πρόσβαση. Για να χρησιμοποιήσετε το ngrok, κατεβάστε και εγκαταστήστε το από τον επίσημο ιστότοπο. Μόλις εγκατασταθεί, ανοίξτε ένα νέο τερματικό ή γραμμή εντολών και εκτελέστε την εντολή "ngrok http 8888" (υποθέτοντας ότι ο διακομιστής Notebook Jupyter εκτελείται στην προεπιλεγμένη θύρα 8888). Το Ngrok θα δημιουργήσει μια μοναδική διεύθυνση URL που μπορείτε να χρησιμοποιήσετε για πρόσβαση στον τοπικό σας διακομιστή από οπουδήποτε.
Αφού λάβετε τη διεύθυνση URL ngrok, ανοίξτε ένα νέο σημειωματάριο Google Colab. Στο πρώτο κελί, εκτελέστε τον ακόλουθο κώδικα:
python !pip install jupyter_http_over_ws !jupyter serverextension enable --py jupyter_http_over_ws !jupyter notebook --NotebookApp.allow_origin='https://colab.research.google.com' --port=8888 --NotebookApp.port_retries=0
Αυτός ο κωδικός εγκαθιστά το απαραίτητο πακέτο, ενεργοποιεί την επέκταση διακομιστή Jupyter και εκκινεί τον διακομιστή στη θύρα 8888. Βεβαιωθείτε ότι έχετε αντικαταστήσει τον αριθμό θύρας εάν ο τοπικός σας διακομιστής εκτελείται σε διαφορετική θύρα.
Μετά την εκτέλεση του κώδικα στο πρώτο κελί, θα εμφανιστεί μια διεύθυνση URL. Αντιγράψτε αυτήν τη διεύθυνση URL και επικολλήστε την σε ένα νέο κελί, προσθέτοντάς της το πρόθεμα "https://colab.research.google.com/github/". Για παράδειγμα, εάν η διεύθυνση URL είναι "https://abcdef123.ngrok.io", θα πρέπει να εισαγάγετε "https://colab.research.google.com/github/https://abcdef123.ngrok.io" στο νέο κύτταρο.
Τέλος, εκτελέστε το κελί που περιέχει την τροποποιημένη διεύθυνση URL. Αυτό θα δημιουργήσει μια σύνδεση μεταξύ του Google Colab και του τοπικού σας διακομιστή Notebook Jupyter. Τώρα μπορείτε να αποκτήσετε πρόσβαση και να εκτελέσετε κώδικα στον τοπικό σας διακομιστή απευθείας από το Google Colab.
Είναι σημαντικό να σημειωθεί ότι αυτή η σύνδεση είναι προσωρινή και θα χαθεί εάν κλείσετε την περίοδο λειτουργίας ngrok ή επανεκκινήσετε τον τοπικό διακομιστή Notebook Jupyter. Θα χρειαστεί να επαναλάβετε τη διαδικασία για να επανασυνδεθείτε.
Για να συνδέσετε το Google Colab με έναν τοπικό διακομιστή Notebook Jupyter που λειτουργεί στον φορητό υπολογιστή σας, πρέπει να εγκαταστήσετε το Jupyter Notebook, να το εκθέσετε στο διαδίκτυο χρησιμοποιώντας το ngrok, να εγκαταστήσετε τα απαραίτητα πακέτα στο Google Colab και να δημιουργήσετε μια σύνδεση τροποποιώντας και εκτελώντας τον παρεχόμενο κώδικα. Αυτό σας επιτρέπει να συνδυάσετε τη δύναμη του τοπικού σας μηχανήματος με τις συνεργατικές λειτουργίες του Google Colab.
Άλλες πρόσφατες ερωτήσεις και απαντήσεις σχετικά με Πρόοδος στη Μηχανική Μάθηση:
- Ποιοι είναι οι περιορισμοί στην εργασία με μεγάλα σύνολα δεδομένων στη μηχανική εκμάθηση;
- Μπορεί η μηχανική μάθηση να προσφέρει κάποια διαλογική βοήθεια;
- Τι είναι η παιδική χαρά TensorFlow;
- Η λειτουργία Eager εμποδίζει την κατανεμημένη υπολογιστική λειτουργικότητα του TensorFlow;
- Μπορούν οι λύσεις cloud της Google να χρησιμοποιηθούν για την αποσύνδεση των υπολογιστών από τον χώρο αποθήκευσης για μια πιο αποτελεσματική εκπαίδευση του μοντέλου ML με μεγάλα δεδομένα;
- Το Google Cloud Machine Learning Engine (CMLE) προσφέρει αυτόματη απόκτηση και διαμόρφωση πόρων και χειρίζεται τον τερματισμό πόρων μετά την ολοκλήρωση της εκπαίδευσης του μοντέλου;
- Είναι δυνατόν να εκπαιδεύσουμε μοντέλα μηχανικής εκμάθησης σε αυθαίρετα μεγάλα σύνολα δεδομένων χωρίς λόξυγκα;
- Όταν χρησιμοποιείτε το CMLE, η δημιουργία μιας έκδοσης απαιτεί τον καθορισμό μιας πηγής ενός εξαγόμενου μοντέλου;
- Μπορεί το CMLE να διαβάσει δεδομένα αποθήκευσης από το Google Cloud και να χρησιμοποιήσει ένα καθορισμένο εκπαιδευμένο μοντέλο για συμπεράσματα;
- Μπορεί το Tensorflow να χρησιμοποιηθεί για εκπαίδευση και εξαγωγή συμπερασμάτων βαθιάς νευρωνικών δικτύων (DNN);
Δείτε περισσότερες ερωτήσεις και απαντήσεις στο Advancing in Machine Learning