اذهب إلى المحتوى

السؤال

Recommended Posts

  • 0
نشر

هناك عدة أسباب من الممكن ان تجعل الكود يأخذ وقتًا طويلًا في التنفيذ على Kaggle Notebook مثل استخدام وحدة معالجة ضعيفة (CPU بدلا GPU/TPU)  يمكنك تحديد وحدة المعالجة من خلال الانتقال الي (Settings)الاعدادات ثم اختيار Accelerator وحدد GPU أو TPU حسب الحاجة اليه . 

اذا كنت تستخدم TensorFlow يمكنك استخدام هذا الامر للتاكد من استخدامك لوحدة المعالجة 

import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))

او هذا الامر اذا كنت تستخدم PyTorch 

import torch
print(torch.cuda.is_available())

 

احد الاسباب الاخري التي قد تجعل الكود يأخذ وقتًا طويلًا في التنفيذ على Kaggle Notebook هي اذا كنت تقوم بتحميل مجموعة بيانات كبيرة مباشرة من الإنترنت أو من Kaggle Datasets .

من الافضل ان تقوم بتحميل البيانات مرة واحدة ثم احفظها في الـ output directory لاستخدامها لاحقًا دون إعادة التحميل  

استخدم هذا الامر لتحميل البيانات اذا كانت البيانات من موقع خارجي من الانترنت 

import pandas as pd

df = pd.read_csv("https://example.com/data.csv")

df.to_csv("/kaggle/working/output/data.csv", index=False)

 

اذا كنت تستخدم بيانات مأخوذة من Kaggle Datasets نفسه يمكنك استخدام هذا الامر لنسخها الي /kaggle/working/output/ حتى تصبح متاحة للاستخدام دون الحاجة لإعادة التحميل 

!cp -r /kaggle/input/dataset-folder-name /kaggle/working/output/

 

انضم إلى النقاش

يمكنك أن تنشر الآن وتسجل لاحقًا. إذا كان لديك حساب، فسجل الدخول الآن لتنشر باسم حسابك.

زائر
أجب على هذا السؤال...

×   لقد أضفت محتوى بخط أو تنسيق مختلف.   Restore formatting

  Only 75 emoji are allowed.

×   Your link has been automatically embedded.   Display as a link instead

×   جرى استعادة المحتوى السابق..   امسح المحرر

×   You cannot paste images directly. Upload or insert images from URL.

  • إعلانات

  • تابعنا على



×
×
  • أضف...