这篇文章的主要内容来自于 Julia on Google Colab: Free GPU-Accelerated Shareable Notebooks - GPU - Julia Programming Language
本文不过是进行了翻译、整理和一些修改，希望对大家有所帮助。无法正常访问谷歌的可以忽略此帖子。
- 在本地创建 test.txt 文件，写入以下内容
{
"nbformat": 4,
"nbformat_minor": 0,
"metadata": {
"colab": {
"name": "Julia on Colab.ipynb",
"version": "0.3.2",
"provenance": []
},
"kernelspec": {
"name": "julia-1.4",
"display_name": "Julia 1.4"
},
"accelerator": "GPU"
},
"cells": [
{
"metadata": {
"id": "oMSuTc3pDlHv",
"colab_type": "code",
"colab": {}
},
"cell_type": "code",
"source": [
""
],
"execution_count": 0,
"outputs": []
}
]
}
-
把test.txt文件后缀改为 .ipynb
-
打开google colab 上传 test.ipynb
- 打开后左下角会出现这样的提示，这意味着虽然设置了julia kernel 但是尚未安装julia，还用的是 python kernel
- 与原作者当时发帖不同的是，现在的google colab已经预安装好了CUDA 10.1，因此直接安装julia就可以了。在一个代码行中输入以下命令。
!curl -sSL "https://julialang-s3.julialang.org/bin/linux/x64/1.4/julia-1.4.0-linux-x86_64.tar.gz" -o julia.tar.gz
!tar -xzf julia.tar.gz -C /usr --strip-components 1
!rm -rf julia.tar.gz*
!julia -e 'using Pkg; pkg" up; add IJulia ; precompile"'
下载和安装非常快，几分钟就ok了。
-
刷新页面，就可以正常使用julia和GPU了
-
测试一下：安装Currays和BenchmarkTools
运行前会自动下载相关的依赖项，速度很快
可以看到，GPU加速成功
随着julia版本的更新，可以自行调换kernel的name和下载julia的链接
