沒有什么比薅 GPU 羊毛更喜聞樂見。

之前有專門教程介紹谷歌資源，需要科學上網。但最近知乎上又有一套國產GPU資源的薅羊毛分享，價值上億的高性能算力，對科研學習者完全免費。

這就是百度的 AI Studio。現在，我們將這篇測評及使用分享轉載如下，祝薅羊毛開心順利。

1. AI Studio 和飛槳（PaddlePaddle）

AI Studio 和飛槳算是后起之秀，包括我在內的很多人還不是很熟悉這一整套方案，在開薅之前，所以先簡單介紹下。

1.1 AI Studio

AI Studio是百度提供的一個針對AI學習者的在線一體化開發實訓平臺。

平臺集合了 AI 教程, 深度學習樣例工程, 各領域的經典數據集, 云端的運算及存儲資源, 以及比賽平臺和社區。[1]你可以把 AI Studio 看成國產版的 Kaggle。

和 Kaggle 類似，AI Studio 也提供了 GPU 支持，但百度 AI Studio 在 GPU 上有一個很明顯的優勢。Kaggle 采用的是 Tesla K80 的 GPU，AI Studio 采用的是 Tesla V100 的 GPU，那么下表對比兩款單精度浮點運算性能，就能感覺 v100 的優勢了。

明顯在單精度浮點運算上，AI Studio 提供的運行環境在計算性能上還是很有優勢的。理論上訓練速度可以提高近 3 倍左右。

雖然性能上好很多，但目前還是可以免費薅到，目前 AI Studio 提供了免費申請和運行項目獎勵這兩種獲得算力卡的方式，最后一章我會帶領大家去薅。

即使算力卡用完了（目前送得太多，根本用不完），AI Studio 的 CPU 也是很有競爭力的。親自用腳本測試過，AI Studio 的 CPU 是 Intel(R) Xeon(R) Gold 6148 CPU，可以說在配置上，AI Studio 也是很有競爭力的。

1.2 飛槳

根據官網介紹，飛槳是百度推出的 “源于產業實踐的開源深度學習平臺”，致力于讓深度學習技術的創新與應用更簡單。

Paddle 是 Parallel Distributed Deep Learning 的縮寫，翻譯過來是就是槳。和 TensorFlow，Pytorch 等框架一樣，飛槳給開發者提供了很多常用的架構，也可以直接在包里直接加載常用的數據庫，對于學習者來說，還是很方便的。

飛槳（PaddlePaddle）還是有點國產的意思，去Github可以搜到PaddlePaddle 的項目，除了英文文檔，還提供了中文文檔，這個有時候還是挺方便的。雖然現在 star 比起 TensorFlow 還是差不少，但是感覺進展得如火如荼。

1.3 AI Studio 與飛槳的生態

下圖是百度在4月首屆 WAVE SUMMIT 2019 深度學習開發者峰會時首次對外公布的 飛槳全景圖。

生態其實設計得很好，可能TensorFlow先發得太早吧，感覺飛槳追趕得很吃力。但從百度最近推廣飛槳的力度來看，我猜飛槳很有可能兩三年左右進入主流深度學習框架之列。

2. AI Studio實例測評：以數字識別項目為例

2.1 AI Studio GPU 和 CPU 性能對比。

為了測試 AI Studio 的性能，我用最經典的 MNIST 數據集，在 LeNet 5 模型上跑，對比在 GPU 和 CPU 下在 AI Studio 的的性能。同時我進行了一個不算嚴謹的測試，我用最經典的 MNIST 數據集，飛槳用的 MNIST 數據集是 60000 個訓練數據，10000 個測試數據，Kaggle 的訓練集數據 42000，測試集數據 28000。https://aiStudio.baidu.com/aiStudio/projectdetail/45293

以下是 AIStudio 的 CPU 和 GPU 測試性能對比

GPU 提升效果為 11 倍，因為訓練過程有驗證測試，而且 CPU 配置也太高了，所以并未達到理論上的 47x 的加速，但這速度還不錯。

2.2 AI Studio 和 Kaggle 對比測試

測試環境：

1. Kaggle Kernel.

測試kernelhttps://www.kaggle.com/orange90/mnist-with-lenet-5-test-run-time. Batch_size =50，訓練 5000 輪，使用框架TensorFlow，CNN 架構是 LeNet-5

2. AI Studio.

測試項目https://aiStudio.baidu.com/aiStudio/projectdetail/45293

Batch_size=64，訓練 5000 輪，使用框架飛槳, CNN 架構是 LeNet-5

AI Studio 的測試結果在 2.1 展示了，就不再贅述了，以下是 Kaggle 的性能測試對比：

GPU 提升效果為 8 倍，因為訓練過程有驗證測試，所以并未達到理論上的 12.5x 的加速。

由于架構的超參不一樣，直接對比運行時間不太嚴謹，但從 GPU 提升速度的倍數上來說，AI Studio 略勝一籌，況且 AI Studio 本來 CPU 就很高配了，所以理論上 47x 的加速可能還得打個折。

2.3 AWS

也在AWS開了個instance來測試，選的是這一款配置里的p2.xlarge

直接把2.2里用到的kaggle的內核導進去了，測試結果如下：

性能上比前兩者都差一點。

順便一提，這個測試做得我腦殼痛，前期開 instance，配置環境的就花了一個多小時。對于 AWS 新手來說，可能折騰一天，薅了十幾美刀，還是沒能把代碼跑通。真的強烈不推薦在AWS來練習自己 deep learning 技能。

2.4. 測試總結

下表總結在不同環境下的測試效果及成本：

在使用體驗上，和 Kaggle Kernel 或者 Jupyter Notebook 很接近，雖然外觀稍有不同，但快捷鍵基本一樣，沒有太大的不適應。除此之外，AI Studio 由于在國內，頁面響應比 Kaggle 更快，比 Kaggle 網絡更穩定，斷線重連幾率要更低，畢竟斷線重連要重跑還是挺蛋疼的。

不過需要提醒的是，AI Studio 目前還是按運行環境啟動時間來計費，是在無 GPU 環境下把代碼寫好，再開啟 GPU 去跑。雖然 AI Studio 的算力卡也是送的，但也要趕緊薅起來，囤點算力資源，萬一哪天百度沒錢了，不送了呢？

3. 羊毛來了，薅起來

現在的算力卡還是很好拿的，沒什么門檻，自己申請一下就拿到了，而且每天運行一次項目，又送 12 個小時算力，連續運行 5 天再加送 48 小時。

值得注意的是，申請的算力卡到手就是 48 小時，裂變之后能湊 120 小時，而且有效期比日常運行獲取的12小時這種要長很多。

我尋思每天免費讓你12小時 NVIDIA v 100GPU 這種事情，真的是天上掉餡餅吧。

此外，AI Studio 官方也有比賽，有獎金，如果你的實力在 kaggle 里離拿獎金只是一步之遙，那么蹭 AI Studio 還沒火起來之前，去 AI Studio 比賽應該是很好拿獎的。

3.1 自己申請

點進https://aistudio.baidu.com/aistudio/questionnaire?activityid=539

接著填寫個人信息

提交后，會出現下圖

然后就靜候佳音。通過運營人員核驗后，用戶的郵箱將收到運營人員發送的算力邀請碼：一串 32 位數字。

通過上面鏈接能申請到 48 小時的算力卡（有效期1個月），并且可以分裂，送給別人（稍后送上我的分裂算力卡）

使用算力卡的方法很簡單，在運行項目時選上 GPU，就會開始消耗了，如下圖。

3.2 跑項目賺算力卡

這個簡直了，你不僅可以運行自己的深度學習代碼，測試自己的項目，而且同時還會得到算力卡。每天跑一次就可以得到12小時算力卡（有效期2天），另外算力充電計劃，就是連續5天有使用算力卡，就會額外送48小時(有效期7天)。但預感這么高成本的事情應該不會持續太久，建議早薅。下面是我的算力卡獎勵歷史，感覺只要你用，AI Studio 就送你算力，不擔心算力不夠。

3.3 算力卡分裂

AI Studio 的算力卡有分裂功能，你申請到算力卡會有三個邀請碼，你可以分享給你的朋友。我申請的算力卡有三個分裂，我每天會在評論區放一個算力卡，對羊毛貪得無厭，或者懶得申請又想馬上使用的，那可要盯緊評論區了。

3.4 比賽薅羊毛

另外額外告訴大家一個可能能行的薅羊毛的方法，需要一定的實力。AI Studio 也有一些常規比賽，相對于 Kaggle，可能競爭會小點，如果你在 Kaggle 能top10%以上，來 AI Studio 薅類似的比賽，就很大幾率拿得到獎金了。

羊毛不是天天有，該出手時就出手！