实例|新入坑的SageMaker Studio Lab和Colab、Kaggle相比，性能如何？_ai|Lab|小时|Kaggle|Stu

选自benjaminwarner.dev
机器之心编译
编辑：小舟、陈萍

SageMaker Studio Lab 将是免费计算资源领域一个强有力的竞争对手。

一周前，亚马逊启动了 SageMaker Studio 的免费简化版 SageMaker Studio Lab ，提供了一个时限为12小时的 CPU 实例和一个时限为 4 小时的 GPU 实例。 SageMaker Studio Lab 成为继 Google Colab、Kaggle 和 Paperspace 之后的又一个免费深度学习计算空间。
Studio Lab 为用户提供了所有入门 AI 所需的基础能力，包括 JupyterLab IDE、CPU 和 GPU 模型训练算力以及 15 GB 的永久存储。
那么， SageMaker Studio Lab 如何与竞争对手抗衡？它是否值得使用？
现在一位名为 Benjamin Warner 的博主已经申请使用了 SageMaker Studio Lab ，并为大家撰写了一篇博客「开箱测评」。以下是博客原文。
本文我使用图像和 NLP 分类任务，比较了在 SageMaker Studio Lab 和 Colab、Colab Pro 以及 Kaggle 上训练神经网络的效果。
与 Colab 和 Kaggle 的比较
与 Colab 和 Kaggle 一样， Studio Lab 提供 CPU 和 GPU 实例：运行时间为 12 小时的 T3.xlarge CPU 实例和运行时间为 4 小时的 G4dn.xlarge GPU 实例。比较结果如下表所示：

实例|新入坑的SageMaker Studio Lab和Colab、Kaggle相比，性能如何？

文章图片

在测试比较中我发现：

SageMaker 只有持久存储，但与 Google Drive 不同的是，它的速度足以训练；
Colab 暂存盘因实例而异；
Colab 的持久存储是 Google Drive 免费分配的；
Colab Pro 可以分配 Tesla T4 或 Tesla K80；
免费版 Colab 也可以分配 Tesla T4 或 Tesla P100；
Kaggle 的持久存储为每个笔记本 20GB；
Kaggle 有一个每周 GPU 运行时间上限，它根据总使用量而变化，每周大约 40 小时。

启动 SageMaker Studio Lab 后将获得稍有修改的 JupyterLab 实例，其中安装了一些扩展，例如 Git 。

文章图片

SageMaker JupyterLab 环境。
在我的测试中， SageMaker Studio Lab 的 JupyterLab 的行为与在自己系统上正常安装 JupyterLab 完全相同。甚至之前对 JupyterLab 做的修改和已安装的 python 包都还在。
例如，我能够从 Jupyterlab Awesome List 中安装 python 语言服务器和 markdown 拼写检查器。但这也带来了一个问题，即亚马逊是否会更新像 PyTorch 这样的预安装包，或者维护更新的环境是否完全依赖于用户。
亚马逊后续可能会销毁我的实例，或者将来会升级底层映像，删除自定义安装的包和扩展。但就目前而言，相比于 Colab 和 Kaggle ， Studio Lab 是三者中可定制程度最高的服务。