OneFlow深度学习框架
来源｜Open Source Data Science Tools
翻译｜程浩源
Google Colaboratory，简称 “Colab” ，是一个免费的Jupyter notebook云平台。Colab 不仅可以为用户提供 Python 和 R notebooks 的运行环境，而且还允许用户免费共享部分 GPU 和 TPU 资源。
对于负责在 Jupyter Notebook 编程的数据科学家来说，Colab早已成为了默认的运行环境。然而，将 Colab 的算力运用到除 Jupter Notebooks 以外的其他应用，则是一件极其困难的事。
对于那些想生产模型，并将其带出Notebook阶段的机器学习工程师而言，这样的问题尤为明显。虽然 Notebooks 非常适合用来探索，但将它与训练过程编入正式流水线的高级MLOps工具一起使用时，效果不佳。
在遇到类似问题后，我决定不让 Colab 的局限性改变我的工作流程，而是尝试围绕我的工作流程去改变 Colab！
出于这个原因，今天我们将探究 Google Colab 的内部结构，并尝试稍微改变 Colab 的内置规则。需要提前声明的是，我们只是想探究 Colab，不会对 Colab 本身或者它的用户造成任何影响。
1
揭开幕后的秘密
Colab 的秘密在于它的后端：谷歌服务器为 Colab 提供基础设施支持，让用户可以轻松运行代码。因此，我们第一步先分析 Colab 的 API，最简单的方法是检查 Colab 在正常运行期间进行的 API 调用。
首先打开谷歌开发者工具，找到网络（Network）选项，然后运行一段代码，开发者工具开始记录 Colab 发出的每个请求，然后我们发现了一些有趣的东西。
41fa1f8b54985f18bbb3e2af24a83484.gif
bc535d4be24ccb05a3978f59b4e6f9bc.png
看上去这个URL(/tun/m//socket.io)是远程机器上运行的 Jupyter socket 的代理。
如果我们从 Colab 界面的左窗格打开 Files 窗格（默认显示 /content 目录），就会发现另一个有趣的请求：
56ab97fb7854a67fdc813896cdd9a9b4.gif
2d032af35ffd6e86cfa7926c81d254d7.png
这次 JSON 枚举远程主机上的文件做出了响应。这个URL(/tun/m//api/contents/)似乎指向提供文件元数据的服务。
7664fb505fc3b6efb15a52b1d2560d69.png
双击 Files 窗格里的文件，Colab 就会开始下载文件并且展示文件详细信息。如果单击 /content/sample_data/README.md，则会对 /tun/m//files/ 发出请求，返回该文件的内容。
e728897624064a3ca0e99d65468f26ce.png