本篇文章僅是根據研究目的，並沒有任何的推銷意圖，因為Google Colab具有免費的版本，且Pro的版本似乎支援的國家不含台灣。但這陣子我們在跑A.I.的藝術創作，不得不說因為Google Colab Pro的幫助省了很多的成本與硬體與電力的消耗。
Google Colab是什麼？
Google Colab是為了讓人能夠低成本的使用機器學習裡面的GPU運算功能，在Google雲端服務裡面一項免費的研究性質工具。本身如同Python的Anaconda的Jupyter Notebook一樣，是可以即時一欄一欄的撰寫程式碼，執行以後根據結果再寫下一欄的程式碼。
只要在命令前面加上! 就可以運用pip install等指令設定好Python的環境與機器學習的環境，幾乎現在所有熱門的機器學習Framework都有支援，我們最近使用的是PyTorch。
在我們的主機跑的時候PyTorch常常會因為版本的問題要處理一陣子，比如Pyhton 3.9,3.10版跑不了PyTorch的GPU功能，這個就得用我們的IDE PyChram創造一個環境，其實每次Framework更新以後這個真的很麻煩。
但在Google Colab的時候卻沒有這樣的問題。
優點
優點第一個是不需要在自己的主機上跑，即使我們用的是不錯的顯卡RTX 3080 O10G，但跑的時候因為我們沒有在顯卡有水冷裝置，因此溫度都到攝氏六十度以上，然後跑程式的時候就不能用主機編寫別的，要更改程式碼有時候還要等跑到一個段落，才可以修改，然後重新跑一次。
雖然Google Colab Pro的GPU運算速度大概是 RTX 3080 的 2/5（先說我們直接就進入到Pro的付費版本），但現在在跑A.I.藝術的時候最不足的顯示卡記憶體可以平均分配到15.5~16GB，比我們的顯卡多5.5GB以上，然後只要網頁開著就可以持續執行長時間的運作12小時，等程式有一定完成度後，就要升級Pro+，可以支援關掉網頁以後24小時不停的跑。
這個部分除了溫度以外就是安全性與機器的折舊，說真的我們主機在的房間是老舊公寓沒有防火系統，很難保證跑了幾天的電腦會不會燒起來。再來一直跑全速的GPU運算，也會造成硬體的折舊，燒壞了如果超過3年保固就要花大錢了。
Pro我看Google寫的支援區域不包含台灣，我的Google Workspace是我們美國公司註冊的，但刷卡是Arthur（公司創辦人）自己的台灣國泰世華發行的世界卡，不知道是不是因為是世界卡所以卡可以過，還是因為Google Workspace本身就認定我們是美國帳號。如果有台灣人用台灣的Google帳號想要用Pro的申請過了請和我們留言一下，會更正這段，分享給更多人知道，資訊就是要共享才有價值。
缺點
說真的CPU實在是有夠慢，我們主機是AMD的12核心，Google Colab跑的安裝程式環境程式碼，至少要跑10分鐘，而在我們本機只要跑1~2分鐘。
不過這個平台本身的重點就不是CPU，會用到的機器學習演算法在CPU的部分也不是太多。
如果要說GPU的速度，其實Pro的方案我們也不是太滿意，因為如果用我們自己的主機跑500個過程，大概4.8個過程一秒，但Google GPU的有1.9個過程一秒。
可是考量到，如果我們要邊修改程式邊跑，那一天只有4個小時左右有人在顧電腦可以跑，但Google的雲端可以放下去12小時跑，一天開兩次就24小時。Pro+還可以變成一天一次不用開著電腦跑。
其實一天的整體效率是提升了。
最後的優點
這個平台可以讓Mac也來玩機器學習，我們有兩台Mac電腦，一台M1晶片的一台Intel配AMD顯卡加上外接顯卡也是AMD的。
AMD的顯卡幾乎是被機器學習拒絕在外面，除了Keras可以用Metal的方式跑，但效率也不如Cuda。
因此編輯運作都可以在Mac透過網路操作，更不用隨時都在主機前面，可以外出的時候也一邊修改程式，只要有帶著Macbook。
推薦使用免費的來玩玩看機器學習，先從簡單的數字圖形辨識開始，寫這個東西很有趣的。
