上一篇我們簡單認識了 Computer Vision，也知道接下來會慢慢開始接觸圖片處理與 AI 模型，不過在真正開始之前，我們需要先準備一個可以寫程式、處理圖片，甚至之後拿來訓練模型的環境。
如果直接在自己的電腦上操作，可能需要安裝 Python、設定開發環境，之後訓練模型時還可能遇到電腦效能不足的問題。
所以這 30 天，我會使用一個很方便的工具：Google Colab。

一、Google Colab 是什麼？

Google Colab，全名是 Google Colaboratory
簡單來說，可以先把它想成一台可以透過瀏覽器使用的雲端電腦
平常我們要執行 Python，通常需要先在自己的電腦安裝 Python 和相關套件，但使用 Google Colab，只要有瀏覽器和 Google 帳號，就可以直接建立一個 Notebook，在上面撰寫並執行 Python。對剛開始接觸 Python 或 AI 的人來說，可以少掉不少環境設定的問題

二、什麼是 Notebook？

第一次打開 Colab，可能會發現它和我們平常看到的程式開發工具不太一樣，Colab 使用的是 Notebook 形式。Notebook 可以想成一本「可以執行程式的筆記本」。

裡面可以同時放文字、今天要測試的圖片分類模型、Python 程式碼，只要按下程式碼左邊的 ▶ 按鈕，就可以直接執行。執行之後，下方就會看到：Hello, Colab!

Notebook 裡這一小塊一小塊的區域，就叫做 Cell（儲存格）。

三、為什麼學 AI 很常看到 Google Colab？

除了不用自己安裝環境之外，Colab 還有一個對我們很重要的功能是可以使用 GPU

一般電腦最常聽到的是 CPU，負責處理各種運算工作。而 GPU（Graphics Processing Unit） 原本主要用來處理大量的圖形運算，但因為它很擅長同時進行大量計算，因此也很適合 Deep Learning。

之後我們開始訓練 CNN 時，需要處理大量圖片和數值運算，如果全部交給 CPU，訓練可能需要比較長的時間，使用 GPU 則有機會大幅加快模型訓練速度。

所以即使自己的電腦沒有高階顯示卡，也可以透過 Colab 使用雲端提供的運算資源，不過免費版 Colab 的 GPU 並不是無限制使用，實際能取得的硬體與使用時間也可能有所不同。

四、建立第一個 Google Colab

接下來就實際建立我們這 30 天會使用的環境，進入 Google Colab 後，建立一個新的 Notebook，.ipynb 就是 Jupyter Notebook 常見的檔案格式

接著在第一個 Cell 輸入：

print("Hello, Computer Vision!")

按下左邊的 ▶ 執行，如果下面成功出現：print("Hello, Colab!")，代表我們的第一段 Python 程式已經成功在 Colab 上執行了

接著在第一個 Cell 輸入：

五、看看 Colab 到底分配了什麼 GPU 給我們

既然之後會拿 GPU 來訓練模型，我們也可以先看看目前的環境，將 Colab 的執行階段切換成 GPU 後，在新的 Cell 輸入：

!nvidia-smi

執行後會看到目前 GPU 的相關資訊

六、確認 TensorFlow 能不能使用 GPU

因為後面建立 CNN 時會使用 TensorFlow / Keras，所以也可以順便確認 TensorFlow 是否能看到 GPU

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

如果有成功取得 GPU，通常會看到 GPU 裝置出現在結果中，如果結果是空的，也不用緊張，可以先確認 Colab 的執行階段是否真的有切換成 GPU。