Восстановление почтового файла из Google Colab - PullRequest
1 голос
/ 08 марта 2020

Я пытаюсь обучить CNN в Google Colab. У меня есть файлы 50000 изображений. Из поисков в поисках я обнаружил, что лучший способ использовать их - это сжать файлы, а затем разархивировать их в блокноте. Это было довольно утомительно, потому что требуется разархивировать папку, и каждый раз, когда я хочу запустить новую модель, мне приходится разархивировать папку, и это занимает кучу времени. Есть ли способ ускорить это?

from google.colab import drive
drive.mount('/content/drive')
!unzip -uq "/zip folder on drive" -d "/new location folder"

Ответы [ 2 ]

1 голос
/ 08 марта 2020

Google colab - это временная машина с временным хранилищем. Вы можете только подключить свой диск или любое другое облачное хранилище к Colab и написать сценарии, чтобы автоматизировать поток для запуска при каждом новом запуске ноутбука.

Я использую облачное хранилище Google и подключаю его в colab всякий раз, когда мне нужно работать в теме.

Это будет немного быстрее, чем загрузка и загрузка через GUI из блокнота.

Код для подключения вашего google-накопителя к colab:

from google.colab import drive
drive.mount('/content/drive')

Это пример для копирования

!cp -r /content/gdrive/My\ Drive/headTrainingDatastructure/eval /content/models/research/object_detection/
0 голосов
/ 15 марта 2020

Для всех, кто интересуется, как это сделать ...

сначала архивируйте файл, содержащий ваши изображения, и загружайте на Google Drive

секунду, в Google Colab смонтируйте диск

from google.colab import drive
drive.mount('/content/drive')

в-третьих, скопируйте zip-папку в локальную среду

!cp "/file path with the zip image folder.zip" "whatever you want to      call the file when unzipped"

в-четвертых, распакуйте в локальный каталог в созданную вами папку

!unzip -uq "whatever you want to call the file when unzipped" -d "folder where you want them unzipped (or just make one up)"

Вам нужно будет сделать это каждый раз, но это супер быстро по сравнению с тем, что я делал до

...