在Kaggle平台运行自己的项目经常遇到9小时就中断的问题，很多时候到9小时项目并没有跑完，导致前面的时间都浪费了，没能能到最终结果。
有一个解决方案是分开运行项目。如果一共需要跑200轮，则拆分成两次跑，一次100轮。（这100轮要保证能够在9小时内跑完。）
注意：1、前100轮的epoch=100，后100轮的epoch=200！千万不要设置错了。
2、运行的时候要选择 Save&Run All，将模型保存下来，这样才能继续训练，并且查看日志文件。
3、前100轮跑完之后，更改代码中的epoch值，更改模型读取保存模型的路径。路径一定要仔细查看，弄错了就没法使用之前保存好的模型了。保存下来的模型一般都是保存到/kaggle/working中，和日志文件的根路径一样。代码更改完之后重新上传后运行，运行过程如下图所示，前一次的epoch=1，第二次设置为3，可以看到使用了之前的模型，从第二轮开始跑的。这样就能解决9小时限制的问题啦！
下图标注出的地方是我训练代码里更改的路径。先将之前训练好的模型下载下来，加入到项目中，再重新上传项目。代码里加上一句，把之前训练好的模型加入到现在的日志文件中。
重磅！！
kaggle
训练， 终于不用怕断网了
https://www.cnblogs.com/zgqcn/p/14160093.html
选择 save version，保存生成的最后结果！！！！
sw-
kaggle
关于
kaggle
问题的解答与优化
主要工作：可视化分析不同特征与存活率的关系， 类别特征one-hot编码，数值特征分段处理，pipeline预处理数据, 使用LR， RF等进行投票分类，最终排名top10%
主要工作：多分类问题，给定手写数字，进行0-9识别。分别使用numpy，tensorflow搭建ANN, CNN进行训练，识别率98%
主要工作：使用nltk， sklearn，构建关于问题特征的向量进行相似性判断,采用lightgbm进行训练，完成相似问题判断。
个人工作：
主要工作：针对全书每一章节进行分词，tf-idf文档向量化，分别使用监督和无监督进行训练预测， 并与其它名著对比结果。
[拉勾和Boss直聘关于机器学习岗位的简单分析]
主要工作：在两个不同的求职
平台
，分别以 机器学习 为关键字， 进行搜索，获取全部结果，对其进行简单分析，代码和分析见
import torch
print(torch.cuda.is_available())
device = torch.device("cuda:0" if (torch.cuda.is_available() and 1> 0) else "cpu")
print(device)
print(torch.cuda.get_device_name(
由于自己手头没有GPU资源，所以只能靠免费的GPU勉强做实验。之前使用的是Google Colab，但是用多用久了以后，就特别容易断，断开以后，基本上就寄了。所以又转向了
Kaggle
。
Kaggle
的好处就在于不用fq就能上传文件、
运行
代码，所以更稳定一点，目前我没有遇到跑着跑着突然断了的情况。这篇博客就记录下使用
Kaggle
的问题。
博主的博客园、CSDN
kaggle
和colab都是谷歌的机器学习
平台
，都提供了gpu和tpu，但都有一定时间限制。对于没有gpu又不想花钱的朋友来说，是一个不错的选择。
kaggle
不需要科学上网，colab很好用，但是需要科学上网。
kaggle
和colab对比： kaggelg官网：https://www.
kaggle
.com/ colab官网:https://colab.research.goo...
数据工程师都喜欢Jupyter Notebook，但是有时候您需要处理非常大的数据集和/或复杂的模型，而您的计算机却无法胜任。好消息来了，您可以将Jupyter Notebook文件导入
Kaggle
。如果您是数据科学的新手，那么...
最近用自己的电脑跑bert代码有点点吃力，cpu占用率100%这种，真的很心疼我的小电脑，所以开始探索机器学习线上训练
平台
，其他的不知道，反正
kaggle
还是挺好用的，在此记录几点跑代码过程中的问题和
解决
办法，大家一起进步吧！
