Erste Schritte in Googles Colaboratory mit Python

Colab-Logo

Google ist bekannt für seine vielen hochwertigen und dennoch kostenlosen Dienste wie Gmail, Google Maps, Google Docs, Google Drive und viele andere. Mit Colaboratory kommt ein weiterer Dienst dazu, mit dem sich Programme schreiben, ausführen und auch teilen lassen. Das allein ist interessant, aber richtig spannend wird das dadurch, dass Colaboratory Python-Code unterstützt und viele Tools für Machine Learning mitbringt. Sehen wir uns an, wie man mit Colaboratory loslegen kann.

Colaboratory: Es geht los

Colaboratory – abgekürzt Colab – ist unter colab.research.google.com zu finden. Hat man ein Google-Konto kann man gleich loslegen, denn Colab speichert die Notebooksgenannten Code-Dokumente im Google Drive. Aber auch ohne ein solches Konto lässt sich mit Cola beginnen. Inzwischen ist die Oberfläche zu großen Teilen auch auf Deutsch verfügbar, so dass die Bedienung von Colab ohne große Fragezeichen vonstatten geht.

Hat man ein Google Drive-Konto, lassen sich von dort vielerlei Daten einfach in ein Colab-Notebook importieren: Bilder, CSV-Daten, auch GitHub-Konten lassen sich verknüpfen.

Das Beste an den Colab-Notebooks ist, dass sie auf Googles Servern ausgeführt werden, was uns unabhängig von unserer eigenen Hardware macht. Dabei stellt Google auch GPUs bereit, die die Ausführung Code-Teile deutlich beschleunigt. Im Beispiel von Colab Observe TensorFlow speedup on GPU relative to CPU ist die Berechnung auf der GPU um fast 30mal schneller als auf der CPU.

Colab und Python: Best Buddies

Python läuft somit problemlos im Browser. Man muss sich nicht um eine Python-Installation auf dem eigenen Rechner kümmern und auch nicht um eventuell fehlende Module, die nachinstalliert werden müssen. Stattdessen importiert man Pandas, NumPy, SciKit, Keras, matplotlib und andere Bibliotheken ins eigene Projekt, ohne über aktuelle Versionen nachdenken zu müssen.

Mit Markdown Text einfügen

Colab ist eine interaktive Programmierumgebung. Damit neben dem Code auch die Erklärungen nicht zu kurz kommen, lassen sich nicht nur Eingaben in Python vornehmen, sondern auch Text, der hilft, das große Ganze zu verstehen. Dieser Text wird in Markdown formatiert und kann somit auch Hierarchien mit verschiedenen Überschriften, Absätzen und Listen darstellen.

So lohnt es sich, den eigenen Code mit Texteinschüben zu versehen, damit jemand Anderes oder man selbst nach einiger Zeit noch weiß, was die Gedanken waren, die man sich beim Coden gemacht hat. Standardkommentare in Python mit der Raute (#) beispielsweise funktionieren auch.

Man entscheidet sich durch den Klick auf einen der beiden Knöpfe oben links, ob man als nächstes „Text“ oder „Code“ schreiben wird. Wer sich mit Markdown vertraut machen möchte, findet beispielsweise unter markdown.de eine Einführung in diese einfache aber wirkungsvolle Auszeichnungssprache.

Den Umgang mit Colab lernen

Die ersten Schritte mit Colab kann man mit Hilfe der Anleitung unter Get started with Google Colaboratory gehen. In der Video-Reihe erfährt man in wenigen Worten und sehr anschaulich, was mit Colab so möglich ist. Folgt man der Reihe, lernt man dabei auch den Umgang mit TensorFlow für Machine Learning.

Alternativen zu Colab

Die Technologie hinter Colab basiert auf Jupyter-Notebooks. Somit sind die aus Colab exportierten Notebooks mit anderen auf Jupyter aufbauenden Projekten kompatibel. Auf jupyter.org sind weitere Informationen zu finden. Neben Googles Colab bieten auch Amazon mit SageMakerIBM mit den Data Notebooks und die ursprünglichen Jupyter Notebook ihre Dienste an. An Alternativen mangelt es also nicht.