Intro à Google Colab, Installez Tensorflow 2. 0, GPU et TPU gratuits

1. Vidéo d'introduction: tous et bienvenue dans mon dernier cours, Intro to Colab. Alors qui suis-je et pourquoi devriez-vous m'écouter ? Eh bien, je suis un programmeur paresseux et je suis l'auteur de plus de 30 cours en ligne sur la science des données, l'apprentissage automatique et l'analyse financière. J'ai deux masters en ingénierie et en statistiques. Ma carrière dans ce domaine s' étend sur plus de 15 ans. J'ai travaillé dans plusieurs entreprises que nous appelons aujourd'hui Big Tech et dans plusieurs startups. Grâce à la science des données, j'ai augmenté mes revenus de plusieurs millions de dollars grâce aux équipes que j'ai dirigées. Mais surtout, je suis très enthousiaste à l'idée de vous proposer cette technologie essentielle. Alors, quel est l'objet de ce cours ? Ce cours est un refrain très simple conçu pour vous aider à démarrer avec Google Colab. Maintenant, vous vous demandez peut-être ce qu'est Google Colab ? Google Colab est une plate-forme informatique très puissante qui vous permet de fonctionner sur ordinateurs portables Jupyter dans le cloud. Cela signifie que vous n'avez pas besoin d'acheter du matériel coûteux pour faire de l'apprentissage automatique et de la science des données. Vous pouvez simplement utiliser le matériel de Google pour un festival gratuit. Vous pouvez également accéder gratuitement aux GPU et aux TPU, qui sont essentiels à la formation de réseaux neuronaux profonds modernes. Alors, qui doit suivre ce cours et comment vous y préparer ? Ce cours est conçu pour les étudiants qui s'intéressent à la science des données et à l'apprentissage automatique. Mais je n'ai jamais entendu parler de colab besoin d' aide pour le configurer. Vous n'avez même pas besoin de savoir coder pour suivre ce cours, même si cela peut être utile si vous voulez comprendre pourquoi nous faisons ce que nous faisons. Donc, en termes de ressources, quelles ressources aurez-vous besoin pour suivre ce cours ? Heureusement, pas grand-chose. Vous aurez besoin d'un ordinateur, d'un navigateur Web et d'une connexion à Internet. Et si vous regardez cette vidéo, vous remplissez déjà ces conditions. Voyons maintenant pourquoi vous devriez suivre ce cours et ce à quoi vous devez vous attendre. En termes simples, Google Colab est un outil puissant et pratique et c'est vraiment incroyable que nous puissions l'utiliser gratuitement. En utilisant Google Colab, vous pourrez transférer tous vos scripts importants de science des données et d'apprentissage automatique vers le cloud et les partager facilement avec vos collègues. À la fin de ce cours, vous aurez configuré Google Colab sur votre compte Google. Et vous pourrez gérer vos propres ordinateurs portables et utiliser les GPU et TPU gratuits de Google. J'espère donc que vous êtes tout aussi enthousiaste que moi à l'idée de découvrir cette incroyable plateforme. Merci de m'avoir écouté, et je vous verrai lors de la prochaine conférence. 2. Comment configurer Google Colab: Dans cette conférence, nous allons passer en revue un tout nouvel environnement passionnant pour écrire du code d'apprentissage profond en Python, Colab de Google, abréviation de Collaboratory. Pour ceux d'entre vous qui aiment utiliser le bloc-notes Jupiter, c'est une option encore meilleure. C'est fondamentalement le même que carnet Jupiter avec les bonus suivants. abord, il est hébergé par Google, ce qui signifie que vous n'avez pas à utiliser votre propre puissance informatique. Vous remarquerez que lorsque vous devez télécharger des fichiers de données, cela se fait très rapidement car, eh bien, le réseau de Google est extrêmement rapide. Ensuite, vous avez accès à un GPU et même au nouveau TPU de Google, qui est assez incroyable. Un TPU n'est pas quelque chose que vous pouvez acheter pour votre ordinateur personnel. C'est donc très agréable de pouvoir en utiliser un. N'oubliez pas que, compte tenu de la manière dont le code TensorFlow est écrit, vous n'avez pas à vous soucier du type d'appareil que vous utilisez. Eh bien, dans la plupart des cas, le même code fonctionnera, que vous utilisiez un processeur, un GPU ou un TPU. Troisièmement, les carnets de notes Colab sont stockés dans votre Google Drive, donc dans le Cloud. Vous ne le perdrez jamais et il est très facile de le partager avec d'autres personnes. Quatrièmement, de nombreuses bibliothèques dont vous avez besoin pour le deep learning, l' apprentissage automatique et la science des données sont déjà incluses. En fait, j'ai été surprise qu' il y en ait beaucoup plus que je ne le pense, voire que des bibliothèques d'apprentissage en profondeur concurrentes soient déjà incluses, telles que le piano et Py Torch. Donc, pour ceux d'entre vous qui détestent configurer un environnement, moi y compris, c'est vraiment génial. Donc, dans cette conférence, nous n'allons rien faire de vraiment compliqué sur le plan technique. Nous allons plutôt parler Google Colab et faire quelques courtes démos pour que vous sachiez comment cela fonctionne et que vous puissiez constater par vous-même que c'est comme écrire du Python n'importe où ailleurs. Pour commencer, je suppose que vous savez déjà comment créer un compte Google Drive. Si vous n'en avez pas, rendez-vous sur drive.google.com et inscrivez-vous. Une fois que vous avez votre compte Google Drive et que vous êtes connecté, vous verrez cette interface. À partir d'ici. Vous pouvez accéder au nouveau menu, qui vous permet de créer différents types de fichiers, tels que Google Docs, une feuille de calcul, une présentation, etc. Alors allons-y. Maintenant, ce que vous voulez faire est d'aller dans le menu Plus et de cliquer sur Collaboratoire. Très bien, comme vous pouvez le voir, cela fait apparaître un nouveau carnet. Et à partir de là, vous pouvez l'utiliser principalement comme vous le feriez avec un ordinateur portable normal. Maintenant, il se peut que vous ne voyiez pas du tout Collaboratory dans le menu. Comme vous pouvez le constater, j'ai cliqué sur le menu Nouveau et j'ai cliqué sur d'autres, mais je ne vois pas Colab dans ce cas. Voici ce que tu peux faire. Vous souhaitez sélectionner, connecter plus d'applications. À partir de là, il suffit de rechercher Colab. Et la première chose qui apparaîtra est le Colab de Google. Ajoutez ceci et Google Colab sera disponible dans le menu que nous venons de consulter. Donc, si nous y retournons, nous pouvons voir que Colab apparaît maintenant là où il le devrait. Nous allons donc renommer ce carnet en tf point Dato intro. Donc, d'abord, nous allons passer aux bonnes choses. Comment utiliser un GPU ou un TPU ? Pour ce faire, vous devez accéder au menu d'exécution et sélectionner Changer le type d'exécution. Comme vous pouvez le constater, il y a deux cases de sélection ici. La première vous permet de sélectionner la version de Python que vous souhaitez utiliser. Nous allons donc utiliser Python 3 pour ce cours. Le second et vous permet de sélectionner type d'appareil que vous souhaitez utiliser. C'est donc soit aucun, qui est la valeur par défaut, GPU ou TPU. Notez maintenant que parfois le GPU ou TPU peuvent ne pas être disponibles. Cela est dû au fait qu'il s'agit de ressources partagées. Vos collègues qui suivent ce cours et d'autres étudiants et chercheurs en apprentissage automatique du monde entier utilisent peut-être Google Colab. Et nous partageons tous ces ressources. Donc, si notre utilisation de ces ressources atteint la limite des ressources disponibles, il se peut que vous n'ayez pas de GPU ou TPU disponible lorsque vous en avez besoin. Pour cette raison, une partie du code que vous verrez dans ce cours peut également être créée sur ma machine locale. Mais n'oubliez pas que le code Python fonctionne de la même manière n'importe où, donc cela ne fait aucune différence. Ensuite, vous pouvez voir qu'il existe deux principaux types de cellules que nous pouvons créer dans le bloc-notes. Code et texte. Vous pouvez cliquer sur l'une ou l'autre de ces cases pour créer une nouvelle cellule de ce type. Cliquons sur Texte, car c'est un peu plus facile. Ce n'est pas vraiment quelque chose que nous allons utiliser très souvent, alors éliminons-le. Je vais donc supprimer la toute première cellule. Très bien, comme vous pouvez le voir, lorsque je clique dessus, cela crée une nouvelle cellule avec ce qui ressemble à un éditeur de texte enrichi. Vous remarquerez qu'il est divisé en deux moitiés. La partie gauche est l'endroit où vous entrez votre texte et la partie droite est un aperçu de ce à quoi il ressemblera. Entrons donc du texte. C'est mon titre. Vous pouvez maintenant cliquer sur la petite icône en forme de T, qui le transforme en texte d'en-tête. Vous pouvez donc voir que cela le rend un peu plus grand et plus audacieux, adapté à un titre. Ensuite, saisissons du texte normal. Il s'agit d'un texte normal. Notez qu'il existe également ces crochets fléchés. Il semble donc que cela va nous permettre de saisir des extraits de code. Essayons donc ça. Comme vous pouvez le voir, cela fait du texte une police monospace , appropriée pour le code. Maintenant, il y a d'autres options ici. Vous pouvez donc créer un lien, ajouter des images, retrait, ajouter une liste numérotée ou à puces, etc. Donc, si cela vous intéresse, jouez avec ça. Sinon, nous n'allons pas le mentionner à nouveau. Ensuite, nous avons la cellule de code, créons-en une. Très bien, et comme mentionné, nous n'allons pas écrire de code sophistiqué dans cette conférence. Nous voulions simplement faire quelque chose de simple pour nous assurer que tout fonctionne comme prévu. Commençons donc par importer numpy et matplotlib. Très bien, magnifique. Comme je l'ai mentionné précédemment, ceux-ci sont déjà préinstallés. Ensuite, créons une nouvelle cellule de code et créons une onde sinusoïdale. Nous devons donc d'abord créer des valeurs x. Faisons donc x aller de 0 à 10 pi avec 1 000 points entre les deux. Ensuite, faisons de y le sinus de x. Ensuite, créons une nouvelle cellule et traçons ce que nous venons de créer. Donc, c'est juste plt.plot x y. Maintenant, comme il s'agit d'un carnet, il n'est pas nécessaire d'appeler plt.show puisque le tracé apparaîtra simplement dans le carnet lui-même. Très bien, très cool. Fonctionne comme un carnet ordinaire. À ce stade, nous sommes convaincus que Google Colab vous permet de faire les choses habituelles que vous attendez d'un ordinateur portable Jupyter. Maintenant, comme je l'ai mentionné plus tôt, ce qui est très intéressant à propos de Colab, c'est qu'il est déjà livré avec un tas de bibliothèques utiles préinstallées. À mon avis, cela rend Google Colab bien meilleur que le bloc-notes Jupiter. Et si quelqu'un me demandait d'écrire dans un environnement de bloc-notes, je choisirais d'écrire dans un environnement de bloc-notes, Colab par défaut. Je ne suis pas un grand fan des carnets de notes, mais je suis un grand fan de Colab. Nous pouvons donc voir ici que j' ai écrit du code pour essayer d'importer un tas de bibliothèques. Plus précisément, ces bibliothèques sont des bibliothèques qui ont été utilisées dans mes cours, certaines plus que d'autres. Certains sont assez rarement utilisés. vous attendez donc pas à ce qu'elles soient incluses dans des bibliothèques telles que Word Cloud, que nous n'avons utilisée qu'une seule fois jusqu'à présent. Et pourtant, si nous regardons, nous voyons que tout ce que j'ai essayé d'importer ici ne génère pas d'erreur. Cela nous indique donc que ces bibliothèques sont effectivement disponibles. Ce qui m'intéresse, c'est que certaines de ces bibliothèques ne sont pas du tout liées à l'apprentissage automatique. Bien sûr, nous les avons utilisés dans mes cours car ils sont généralement utiles en tant que bibliothèques Python. Mais il est agréable de voir que les employés de Google utilisent également ces mêmes bibliothèques et ont donc pensé à les inclure. Vous pouvez donc voir ici les éléments habituels tels que scikit-learn, numpy, scipy, matplotlib dans Pandas. Nous avons également Torch et le Nano, ce qui est surprenant car ce sont des bibliothèques de deep learning concurrentes et le développement du ghetto est arrêté depuis un certain temps. Maintenant. Nous avons également un nuage de mots maritime, Beautiful Soup, qui est destiné aux demandes d'analyse XML et HTML, qui permet de passer des appels HTTP. Network X, qui est pour la fonctionnalité graphique, CB2, qui est pour OpenCV. Et Jim, qui est OpenAI Gym. Dans l'ensemble, c'est très impressionnant et bien plus que ce à quoi je m'attendais. Il y a donc quelques dernières mises en garde à faire à Colab et je voulais le mentionner. abord, la principale chose à retenir est qu'il s'agit du Cloud, donc ce sont des ressources partagées. Cela vous affecte donc notamment si vous laissez votre ordinateur portable seul pendant une longue période, il deviendra inactif et se laissez votre ordinateur portable seul pendant une longue période, déconnectera. calculs que vous avez effectués précédemment ne seront pas enregistrés. Ainsi, par exemple si vous définissez une variable a égale cinq, puis que vous revenez plus tard après la déconnexion de votre bloc-notes et que vous essayez d'imprimer une, cela indiquera que a n'est pas défini. Vous voyez que ce bloc-notes s'est déconnecté. Supposons que je me reconnecte et que j'imprime un. Cela signifiera que a n'est pas défini. Cela vous affecte également, car vous risquez de manquer de mémoire. Donc, si cela se produit, vous pouvez plutôt essayer d'exécuter le code sur votre machine locale. Et comme mentionné précédemment, le GPU et le TPU peuvent ne pas être disponibles. Ainsi, soit vous pouvez exécuter votre code sans le GPU ou le TPU, exécuter le même code localement comme toujours, options que vous aviez précédemment sont toujours disponibles. exemple, vous pouvez mettre en service une instance GPU sur AWS qui, si vous choisissez la bonne AMI ou l'instance Amazon Machine Instance, sera livrée avec les bibliothèques habituelles préinstallées également. 3. Installer Tensorflow 2.0 sur Colab (facultatif): Maintenant, il y a une raison pour laquelle je n'ai pas mentionné TensorFlow spécifiquement dans la conférence précédente. C'est parce que c'est ce dont nous allons parler dans cette conférence. Cette conférence va donc expliquer comment utiliser TensorFlow to 0.0 dans Colab. Vous remarquerez que si vous importez TensorFlow dans Colab et que vous vérifiez la version, le message 1.14 sera affiché. Alors faisons-le. Maintenant. Cela dépend évidemment du moment où vous essayez de le faire. Actuellement, au moment où je prépare ce cours, TensorFlow to 0.0 est toujours en version bêta, ce qui signifie qu'il n'a pas encore été officiellement publié. Donc, si vous essayez d'utiliser la commande habituelle, pip install TensorFlow, vous n'obtiendrez pas TensorFlow à 0.0. Bien entendu, cela changera à l'avenir lorsque TensorFlow to 0.0 sera officiellement publié. À ce moment-là, la commande habituelle pip install TensorFlow vous donnera TensorFlow vers 0.0. Et bien sûr, au fur et à mesure que les versions suivantes seront publiées, elles passeront à 2.1 à 0.2 et ainsi de suite, ou quel que soit le numéro de version qu'elles utiliseront. Heureusement, vous pouvez installer d'autres bibliothèques dans un bloc-notes Colab, qui n'était pas fourni avec le bloc-notes. Par exemple si Colab n'est pas fourni avec scikit-learn installé, vous devez simplement exécuter la commande pip install scikit-learn dans une cellule de code du bloc-notes Colab. En d'autres termes, pour installer des bibliothèques, il suffit d'exécuter les commandes PIP habituelles. Il suffit de mettre le symbole bang premier, et plus à ce sujet plus tard. Pour l'instant, nous nous intéressons à TensorFlow to 0.0. Au moment où j'ai réalisé cette vidéo, la version actuelle de TensorFlow to 0.0 est bêta 1. La commande actuelle serait Bang pip install moins q TensorFlow est égal à 2,0, 0,0 tiret Beta-1. Notez que l' option minus q signifie « silencieux », ce qui signifie simplement que vous imprimez moins de contenu. Cela ne modifie pas réellement la fonctionnalité de la commande. Surtout, ici, vous devez garder à l'esprit que l'une de mes fameuses règles, apprendre les principes, pas la syntaxe. C'est très important ici. Pourquoi est-ce que je dis ça ? Eh bien, inévitablement, une âme perdue finira par se dire : « Pourquoi devrais-je utiliser cette commande alors que la troisième version bêta de TensorFlow est sortie ? Cela ne signifie-t-il pas que la conférence est périmée ? Ne devriez-vous pas mettre à jour cette conférence ? Et souvenez-vous de la règle, apprenez les principes, pas la syntaxe. Bien entendu, aujourd'hui, la dernière version est Beta-1. Demain, ce sera peut-être du bêta-2 et bêta-3 ou du bêta cinq cents. Qui sait ? Le principe est de consulter site Web de TensorFlow pour vérifier quelle est la commande actuelle. C'est le principe. N'essayez pas de mémoriser la commande d'installation mot pour mot, ce qui serait très stupide. Ok, alors sois intelligent. Ne sois pas stupide. Apprenez les principes et ne mémorisez pas la syntaxe. Notez également que vous pouvez installer la version GPU de TensorFlow, qui consiste, comme d'habitude, installer le GPU TensorFlow. Fait intéressant, sur Colab, j'ai découvert que l'utilisation du GPU n'est pas beaucoup plus rapide que celle du processeur. Donc, pour la plupart des petits problèmes, peu importe ce que vous utilisez pour les TPU, nous discuterons son fonctionnement plus tard dans le cours. Alors exécutons-le. Ainsi, après avoir installé TensorFlow sur 0.0, vous pouvez vérifier à nouveau la version. Il suffit d'imprimer le trait de soulignement TF, version de soulignement, le soulignement, le trait de soulignement. Et vous devriez voir 2.0, 0.0 ou quelque chose de similaire. Alors exécutons-le. Maintenant, il y a une mise en garde à ce sujet, c'est que j'ai découvert que parfois cela ne fonctionne pas. Donc, même après avoir installé TensorFlow sur 0.0, j'imprime la version et elle indique toujours 1.14. Il semble que le problème est que si vous importez TensorFlow et que vous essayez ensuite de changer de version, cela ne fonctionnera pas. Donc, si vous le faites accidentellement et que vous voulez vraiment que TensorFlow passe à 0.0, vous devez abord vous assurer que vous n' essayez pas d'importer TensorFlow avant d'installer TensorFlow. Commentons donc cela. Ensuite, allons dans le menu d'exécution et sélectionnons Redémarrer l'exécution. Donc oui, donc nous ne gérons plus cela. Nous allons juste l'exécuter. Et maintenant, nous allons l'exécuter. Et ça fonctionne. Nous avons donc maintenant 2.0, 0.0 Beta-1. Maintenant, en général, je trouve que c'est un peu bancal. Donc, si je lance ce bloc-notes et que j' essaie de changer la version de TensorFlow plus tard. Donc disons que j'essaie de passer d'un processeur à un processeur graphique ou inversement, les choses ont tendance à devenir un peu bizarres. Donc, ce que j'aimerais faire c'est que tout soit réglé depuis le début, savoir ce que vous voulez utiliser, puis l'exécuter comme ça dès le début et ne pas essayer changer les choses entre les deux parce que Parfois, ce que vous utilisiez avant est un peu collant. Donc, même si vous essayez de le changer, cela ne changera pas réellement. Maintenant, il y a une autre mise en garde importante à ce sujet, savoir que si vous vous en souvenez plus tôt, j'ai dit que si vous laissez votre ordinateur portable inactif trop longtemps, il se déconnectera. Si cela se produit, malheureusement, votre version de TensorFlow reviendra à valeur par défaut et vous devrez à nouveau installer TensorFlow vers 0.0. Personnellement, cela ne me dérange pas de faire fonctionner toutes les cellules à chaque fois. Puisque si je voulais vraiment tout gérer en une seule fois, je le ferais simplement localement. Mais si, pour une raison quelconque, vous souhaitez que TensorFlow to 0.0 Beta-1 soit installé en permanence dans votre Colab. Vous pouvez essayer la solution fournie dans ce lien que j'ai joint. Encore une fois, cela dépend de vous. Mais personnellement, je n'avais aucune raison de le faire moi-même. Vous vous souviendrez donc que nous avons discuté de cette commande bancaire, qui existe d'ailleurs également dans le Jupyter Notebook normal. Jusqu'à présent, vous savez qu' il peut être utilisé pour exécuter des commandes d'installation pip. Mais en général, vous pouvez traiter cela comme une directive qui indique au bloc-notes que vous souhaitez exécuter cette commande comme vous le feriez dans le terminal, par exemple si je veux lister tous les fichiers du répertoire, je pourrais utiliser la commande bang ls. Essayons donc ça. Il est intéressant de noter que ce dossier apparaît sous le nom d'exemples de données. Nous pouvons donc appeler le manuel comme exemple de données. Vous pouvez voir ici que nous avons le célèbre jeu de données m-nest, le jeu de données California Housing et un fichier JSON aléatoire. Nous pouvons les utiliser ou non, mais ils sont utiles si vous souhaitez simplement exécuter des tests simples, par exemple, essayer un simple classificateur d'images sur m-nest. Quoi qu'il en soit, vous l'avez. C'est ainsi que vous utilisez TensorFlow to 0.0 dans Colab. Au cas où il ne serait pas encore officiellement publié. 4. Téléchargement de données dans Colab: Dans cette conférence, nous allons effectuer quelques tâches supplémentaires dans Colab. Plus précisément, nous allons examiner quelques moyens de télécharger votre propre jeu de données dans colab. Supposons par exemple que votre client ou votre employeur vous donne un fichier CSV ou que vous téléchargiez un fichier CSV depuis Kaggle. Comment pouvons-nous ensuite rendre ce fichier accessible depuis notre carnet Colab ? Dans cette conférence, nous allons discuter de différentes manières de procéder. La première méthode que nous allons examiner consiste simplement à utiliser la commande Linux classique W get. Comme indiqué précédemment, vous pouvez exécuter des commandes de ligne de commande avant la commande avec le symbole bang ou le point d'exclamation. Alors allons-y et téléchargeons l'ensemble de données sur les arythmies. Maintenant, nous voulons vérifier où se trouvent les données et quand. Utilisons donc bang ls pour voir si les données se trouvent dans notre répertoire actuel. OK, on dirait que c'est le cas. Utilisons maintenant la commande head pour voir les premières lignes du fichier de données. Et aussi pour vérifier si le fichier possède ou non une ligne d'en-tête. OK, donc il semble qu'il n'y ait pas de ligne d'en-tête. Ensuite, essayons de charger les données à l'aide de pandas. Nous allons le transmettre dans l'en-tête égal à aucun, car nous savons que les données n'ont pas d'en-tête. Ensuite, comme les données comportent de nombreuses colonnes, nous allons simplement prendre la première vue. Nous allons également renommer les colonnes car il ne s'agit actuellement que de valeurs entières. Comme d'habitude, comme ces données proviennent du référentiel UCI Machine Learning, vous pouvez simplement consulter la documentation si vous souhaitez en savoir plus sur les données, exemple sur la nature de chaque colonne. Alors exécutons-le. Suivant. Créons un histogramme de ces colonnes de données. Comme le bloc-notes par défaut rend le tracé assez petit, nous allons importer matplotlib et modifier la taille de la figure. Une fois cela fait, nous pouvons appeler df.head juste pour créer des histogrammes pour chaque colonne. Notez que j'ai ajouté un point-virgule à la fin de df.head simplement parce que si ce n'est pas le cas , un bloc-notes affichera la dernière valeur renvoyée, comme d'habitude, ce que nous ne voulons pas pour le moment. Voici donc de jolis histogrammes à regarder. Nous allons maintenant créer un diagramme commun pour l' analyse des données, la matrice de dispersion. Cela permet de créer un nuage de points entre chaque entité et toutes les autres entités. Le long de la diagonale. Il trace simplement l'histogramme de chaque entité, que nous avons déjà vu. Très bien, assez standard jusqu'à présent. Examinons ensuite la deuxième méthode de chargement et de données, qui s'applique également lorsque vous avez une URL. Cela permet d'utiliser directement TensorFlow, particulier la fonction Keras get file. Commençons par assigner l'URL à une variable appelée URL. Nous allons utiliser le jeu de données automatique MPG. Bien que cela n'ait pas vraiment d'importance ce que vous utilisez pour cet exemple, tant que vous pouvez y accéder directement via une URL. Allons-y. Suivant. Nous allons nous assurer que TensorFlow to 0.0 est installé. Nous allons donc exécuter pip install TensorFlow, puis imprimer la version pour nous assurer que nous avons la bonne. Ensuite, nous allons appeler la fonction Keras get file. Le premier argument est le chemin du fichier. Nous voulons en enregistrer deux, et le second argument est la source du fichier. Allons-y. Notez qu'il est possible d'enregistrer le fichier dans un autre répertoire, mais nous l'enregistrerons dans le dossier par défaut de Keras. Vous pouvez donc voir sur l'impression que le fichier se retrouve dans des ensembles de données slash, route, slash, point, keras, slash, point, slash. Ensuite, nous allons appeler la commande head afin que nous puissions voir les premières lignes d'un fichier. Comme vous pouvez le constater, il ne s'agit pas exactement d'un fichier CSV. Au lieu de cela, chaque colonne est séparée par un espace et il n' y a aucune ligne d'en-tête. Donc, pour charger ces données, nous pouvons toujours utiliser la fonction pandas read csv, mais nous devons passer deux arguments. Le premier argument est de dire qu'il n'y a pas de ligne d'en-tête, l' en-tête est égal à aucune. Et le deuxième argument supplémentaire est de dire aux pandas que le délimiteur est un espace blanc. Nous avons donc défini l' espace blanc du membre comme vrai. Ensuite, nous appelons df.head juste pour nous assurer que tout fonctionne comme prévu. Comme vous pouvez le constater, le résultat semble être dans le bon format. Et à partir de là, vous pouvez traiter ces données en utilisant du code Python comme vous le feriez normalement. La troisième méthode que nous allons examiner pour ajouter votre propre Colab plus rapidement consiste à télécharger le fichier directement. Pour ce faire, nous devons exécuter une fonction Colab spéciale. Donc, nous disons que les fichiers d'importation de Google Dot Colab appelés fichiers point upload. Alors exécutons-le. Vous voyez donc que cela crée un bouton de téléchargement sur lequel nous pouvons cliquer et ensuite choisir un fichier dans le système de fichiers local. Je vais donc choisir les températures minimales quotidiennes. Et si nous imprimons la valeur renvoyée, vous pouvez voir qu'il s'agit d'un dictionnaire où le nom du fichier est la clé et la valeur est le contenu du fichier. Si nous utilisons la commande et que vous tapez ls, nous pouvons voir que le fichier a été téléchargé dans le répertoire de travail. Ensuite, lisons le fichier en utilisant pandas pour nous assurer d' obtenir ce que nous attendons. Maintenant, ce fichier a quelques poubelles vers la fin. J'ai donc tenu compte de cela en définissant les mauvaises lignes d'erreur d'argument égales à false. Cela ignore les erreurs mais les imprime au fur et à mesure qu'elles se produisent. Comme vous pouvez le constater, le fichier est correctement chargé. Pour suivre cet exemple, nous allons examiner une variante de ce que nous venons de faire. Vous vous souvenez que lorsque vous écrivez du code en Python, il est parfois utile de le diviser en plusieurs fichiers. Cela permet d'organiser votre code et de conserver les éléments similaires au même endroit, tout en gardant les différents éléments séparés. titre d'exemple simple, nous allons parfois découvrir plusieurs algorithmes au cours d'un même cours, mais nous allons tester tous ces algorithmes sur le même ensemble de données. Il ne sert à rien de réécrire le code pour charger dans l'ensemble de données et à plusieurs reprises. Au lieu de cela, nous pouvons écrire le code de chargement des données une seule fois, puis l'importer à partir de chaque fichier. Maintenant, vous vous demandez peut-être si, puisque nous travaillons dans Colab, comment pouvez-vous importer une fonction à partir d'un script Python ? Si ce script Python se trouve sur votre disque dur local. Heureusement, nous pouvons adopter la même approche que celle que nous avons déjà utilisée pour télécharger ce fichier sur Google Colab. Donc, ici, je vais appeler des fichiers à télécharger à nouveau. Et cette fois, je télécharge le script Python, fake util point py. Donc, fake util dot py ne contient qu'une seule fonction appelée Ma fonction utile. Et il ne fait qu' imprimer Hello World. Une fois que vous avez chargé le fichier, vous pouvez voir que nous pouvons l'importer comme nous le ferions si nous travaillions localement. Donc, je peux dire à partir de fake util import ma fonction utile. Ensuite, quand j'appelle ma fonction utile, vous pouvez voir que Hello World est imprimé comme prévu. Et d'ailleurs, vous vous demandez peut-être, comme je l'ai fait, quel est réellement le chemin du répertoire actuel. Pour le déterminer, vous pouvez simplement exécuter la commande Linux habituelle, PWD, qui affiche le contenu de la barre oblique. Slash Content est donc notre répertoire de travail actuel. La dernière chose que je voulais aborder est une chose que vous vous demandez probablement tous. Google Drive est destiné au stockage de fichiers. Est-il donc possible d'accéder aux fichiers de votre Google Drive ? Et bien sûr, la réponse est oui. Pour ce faire, nous devons donc importer le lecteur depuis Google Colab. Ensuite, nous devons monter le lecteur en appelant Dr. Don mount et spécifiant le chemin, la barre oblique, le contenu, la barre oblique, le lecteur G. Cela va donc vous donner un code d'autorisation. Vous accédez donc à l'URL de votre navigateur. Il vous demande de vous connecter pour accepter certaines conditions. Ensuite, il vous donne un code C, vous copiez ce code et vous le remettez dans cette boîte. Vous appuyez sur Entrée. OK, donc ça marche. Une fois cela fait, nous pouvons appeler ls à nouveau pour vérifier ce qui se trouve maintenant dans le répertoire actuel. Nous pouvons voir qu'il y a maintenant quelque chose de plus ici, G Drive. Alors allons-y, conduisons et voyons ce que cela nous donne. Très bien, il semblerait que nous ayons maintenant un outil appelé Google Drive. Encore une fois, LS ceci, n'oubliez pas que vous devez ajouter des guillemets si votre chemin contient des espaces. Et maintenant, nous pouvons voir un tas de fichiers qui se trouvent dans mon Google Drive, qui est essentiellement un ensemble de contenu VIP pour les versions VIP de mes cours.