最近开始学国立高等经济学院的机器学习课程，和之前 Andrew Ng 的课程不同的是，这个课程大量用编程而不是视频来带动教学。而且这些程序用了行业通用的数据库，并且从零开始训练，而不是只训练一个epoch就加载由老师训练好的模型进行验证。
因此，这个课程的机器学习过程，在CPU上经常需要数小时完成，更别谈用Coursera自己在线的那个服务了（不太稳定）。
Google为数据分析及机器学习学生准备了一个平台：Colab。这个平台最棒的地方是完全免费的提供了一个GPU供使用，但限制在12个小时内。
但是这个平台并不能直接用来跑Coursera的课程。虽然两个平台用的都是Jupyter notebook格式的文件，但Goolge限制了对文件系统和目录的访问，最直接的表现就是，Colab一次只能运行一个notebook，运行下一个的时候，未必是同一个环境。
那么有没有hack的办法呢？我成功了。
TL;DR: 你需要把所有需要的Notebook合并成一个，并且用Google的API把一些依赖库上传到环境中。
以第一个专项课程第四周的第一个作业为例。
通过分析，完成这个作业需要用到两个notebook，其中一个用来下载测试数据，另一个才是课程代码。
课程还需要数个*.py的库，因此，我做了一个初始化环境的notebook。
使用时，将这个初始化脚本、下载资源和作业本身的notebook用nbmerge命令合并成一个notebook并传到自己的Google Drive。（这个命令没有的话用pip安装）
然后，因为文件目录结构发生了变化，download_utils.py 里面的文件位置需要改变，简单来说就是去掉所有的“../“。（链接的这份我已经改好了）
用初始化脚本第一行代码上传requirements文件和所有依赖的py库。注意，这个requirements文件我在官方的基础上做了修改，删除了tensorflow的版本要求，因为直接用Colab环境的版本适配GPU最方便。
完成以上工作以后，顺着notebook安装依赖库，下载训练数据，然后就可以开始写作业了。
但这个方案还是有些不完美的地方：
- notebook里面的图片会显示不出来，因为根本就没上传。你可以从官方Github手动下载过去，我则是直接在Coursera上面打印一份PDF对照看。
- 下载和训练的进度会显示不出来。这个我不知道是什么问题，网上搜不到多少类似案例。我用PyCharm跑notebook也有这个问题，但直接在浏览器中则不会。我倒是不纠结这个问题，因为Google的网速和GPU的训练速度快啊。
比起用CPU训练几个小时，现在几分钟就可以出结果，实在是太棒了！
