強大而免費的GOOGLE 云jupyter notebook
https://colab.research.google.com/notebooks/intro.ipynb#recent=true
什么是 Colaboratory？
借助 Colaboratory（簡稱 Colab），您可在瀏覽器中編寫和執行 Python 代碼，并且：

無需任何配置
免費使用 GPU
輕松共享
無論您是一名學生、數據科學家還是 AI 研究員，Colab 都能夠幫助您更輕松地完成工作。您可以觀看 Colab 簡介了解詳情，或查看下面的入門指南！

使用入門
您正在閱讀的文檔并非靜態網頁，而是一個允許您編寫和執行代碼的交互式環境，稱為 Colab 筆記本。

例如，以下代碼單元格包含一個簡短的 Python 腳本，該腳本會計算值、將其存儲在變量中并輸出結果：

seconds_in_a_day = 24 * 60 * 60 seconds_in_a_day 86400

要執行上述單元格中的代碼，請點擊選擇它，然后按代碼左側的“播放”按鈕，或使用鍵盤快捷鍵“Command/Ctrl+Enter”。要修改代碼，只需點擊單元格，然后開始修改。

您在某個單元格中定義的變量之后可用在其他單元格中：

seconds_in_a_week = 7 * seconds_in_a_day seconds_in_a_week 604800

對于 Colab 筆記本，您可以將可執行代碼、富文本以及圖像、HTML、LaTeX 等內容合入 1 個文檔中。當您創建自己的 Colab 筆記本時，系統會將這些筆記本存儲在您的 Google 云端硬盤帳號名下。您可以輕松地將 Colab 筆記本共享給同事或好友，允許他們評論甚至修改筆記本。要了解詳情，請參閱 Colab 概覽。要創建新的 Colab 筆記本，您可以使用上方的“文件”菜單，也可以使用以下鏈接：創建新的 Colab 筆記本。

Colab 筆記本是由 Colab 托管的 Jupyter 筆記本。如需詳細了解 Jupyter 項目，請訪問 jupyter.org。

數據科學
借助 Colab，您可以充分利用常用 Python 庫的強大功能來分析和可視化數據。下方的代碼單元格使用 NumPy 生成一些隨機數據，并使用 Matplotlib 可視化這些數據。要修改代碼，只需點擊單元格，然后開始修改。

import numpy as np from matplotlib import pyplot as pltys = 200 + np.random.randn(100) x = [x for x in range(len(ys))]plt.plot(x, ys, '-') plt.fill_between(x, ys, 195, where=(ys > 195), facecolor='g', alpha=0.6)plt.title("Sample Visualization")

您可將自己的數據導入 Colab 筆記本中，支持的數據來源有：Google 云端硬盤帳號（包括電子表格）、GitHub 以及其他很多來源。要詳細了解如何導入數據及將 Colab 用于數據科學領域，請訪問下方處理數據下的鏈接。

機器學習
借助 Colab，您只需使用幾行代碼，即可導入圖像數據集、用圖像數據集訓練圖像分類器，以及評估模型。Colab 筆記本會在 Google 的云服務器中執行代碼，也就是說，無論您所用機器的功能如何，您都可以利用 Google 硬件（包括 GPU 和 TPU）的強大性能。只要有個瀏覽器即可。

Colab 在機器學習社區內得到了廣泛應用，應用示例包括：

TensorFlow 使用入門
開發和訓練神經網絡
使用 TPU 進行實驗
推廣 AI 研究
創建教程
要查看演示機器學習應用的示例 Colab 筆記本，請查看下方的機器學習示例。

更多資源
在 Colab 中使用筆記本
Colaboratory 概覽
Markdown 指南
導入庫和安裝依賴項
在 GitHub 中保存和加載筆記本
互動表單
互動微件
New在 Colab 中使用 TensorFlow 2

處理數據
加載數據：云端硬盤、表格和 Google Cloud Storage
圖表：可視化數據
BigQuery 使用入門
機器學習速成課程
以下是 Google 在線機器學習課程中的部分筆記本。請查看完整課程網站了解詳情。

Pandas 簡介
Tensorflow 概念
使用 TensorFlow 的起始步驟
神經網絡簡介
稀疏數據和嵌入簡介

使用加速硬件
將 TensorFlow 與 GPU 配合使用
將 TensorFlow 與 TPU 配合使用

機器學習示例
如需查看 Colaboratory 能夠實現的互動機器學習分析的端到端示例，請參閱這些使用 TensorFlow Hub 中的模型的教程。

一些精選示例：

重新訓練圖像分類器：基于預訓練的圖像分類器，構建一個分辨花朵的 Keras 模型。
文本分類：將 IMDB 影評分類為“褒義”或“貶義”。
風格遷移：使用深度學習在圖像之間遷移風格。
Multilingual Universal Sentence Encoder Q&A：使用機器學習模型回答來自 SQuAD 數據集中的問題。
視頻插幀：預測視頻第一幀和最后一幀之間有些什么。
最重要的是下面這種安裝pip包的方式

!pip install mxnet

總結

以上是生活随笔為你收集整理的mxnet基础到提高(49)-使用免费的云jupyter的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。