非官方 Google Colab 笔记本与仓库图库

请与我联系以接管并更新此仓库（它每年大约有 3 万次浏览和 20 万次点击），我没有时间对其进行更新或维护——消息发送于 2021 年 3 月 15 日

这是一份精心整理的仓库列表，其中包含可直接点击运行的 Colab 笔记本，附带数据、代码和说明。这些仓库中的代码默认为 Python，除非另有说明。

如需了解更多关于 Colab 的原理及使用方法，请参阅这篇博文。若想获取一些技巧和窍门，请查看这篇博文。

如果您只想提交一个单独的笔记本，请使用网站 https://google-colab.com/，操作非常简单：在右上角点击“提交 +”。发布时间越早，随着时间推移获得的关注度就越高。

注意： 这是一个持续更新的项目，请通过为您自己的数据科学项目添加 Colab 功能，或向作者请求添加功能来贡献力量。

---

如果您想为这份列表做出贡献（请务必参与），可以向我发送拉取请求，或者通过 @dereknow 或 LinkedIn 联系我。 此外，如果某个列出的仓库出现以下情况，应将其修复或移除：

• 笔记本中没有数据或描述性文本。
• 代码会抛出错误。

---

• LinkedIn: https://www.linkedin.com/company/google-colab-notebooks/
• Twitter: https://twitter.com/ColabNotebooks
• Facebook: https://www.facebook.com/ColabNotebooks/
• Reddit: https://www.reddit.com/r/GoogleColabNotebooks/

---

除了下面列出的已支持 Colab 的仓库外，您还可以稍加操作，将 GitHub 上的 Jupyter 笔记本直接在 Google Colaboratory 中使用 CPU/GPU/TPU 运行时运行。只需将 URL 中的 https://github.com 替换为 https://colab.research.google.com/github/ 即可。无需本地安装 Python。当然，这些笔记本需要进行适配，以加载必要的数据和模块。

搜索“Colab”或“在 Colab 中打开”徽章，即可在每个仓库中打开 Colab 笔记本

十大热门 Colab 笔记本

更多内容请访问 https://google-colab.com/

• Python 中的高级商业分析与数学
• 使用 OpenCV 进行交通计数
• 25+ 种强化学习交易策略合集
• 偏微分方程的数值解
• 使用 Python 进行破产预测
• Facebook Detectron2
• 利用 Twitter 进行数据科学分析
• 医疗问答
• BERT 电影评论
• 用于预测性维护的循环神经网络
• 悉尼 Airbnb 租金评估

仓库目录

• 课程与教程
• 技术
  • 文本
  • 图像
  • 语音
  • 强化学习
  • 可视化
  • 运营
  • 其他
• 应用
  • 金融
  • 艺术
  • 医疗
  • 运营

课程与教程

• Python 数据科学笔记本 - Python 数据科学手册：完整内容以 Jupyter 笔记本形式呈现

• 机器学习与探索性数据分析 - 以函数式编程为核心的 Python 入门课程，专注于数据科学。

• Python 商业分析 - 使用 Python 解决实际商业问题的方案。

• 深度学习示例 - 在 Google Colab 上在线尝试深度学习模型

• Hvass-Labs - 带有 YouTube 视频的 TensorFlow 教程

• MIT 深度学习 - MIT 深度学习相关课程的教程、作业和竞赛资源。

• 自然语言处理教程 - 面向深度学习研究人员的自然语言处理教程

• DeepSchool.io - 以 Jupyter 笔记本形式呈现的深度学习教程。

• 深度 NLP 课程 - 一门深入的 NLP 课程

• pyprobml - 《机器学习：概率视角》一书的 Python 代码实现

• MIT 6.S191 - MIT 6.S191《深度学习导论》课程的实验材料

• HSE NLP - Coursera 课程“自然语言处理”的学习资源

• 真实世界 NLP - “真实世界自然语言处理”的示例代码

• 笔记本书库 - 不同主题的机器学习笔记本，专为在 Google Colaboratory 中运行而优化

技术

文本

• BERT - BERT 的 TensorFlow 代码和预训练模型

• XLNet - XLNet：用于语言理解的广义自回归预训练

• DeepPavlov 教程 - 一个用于深度学习端到端对话系统和聊天机器人的开源库。

• TF NLP - 项目、实践、自然语言处理、TensorFlow 2、Google Colab

• SparkNLP - 最先进的自然语言处理

• 深度文本识别 - 使用深度学习方法进行文本识别（光学字符识别）

• BERTScore - BERT 的自动评估指标

• 文本摘要 - 多种抽象式文本摘要的实现

• GPT-2 Colab - 在 Colab 中重新训练 GPT-2

图像

• DeepFaceLab - DeepFaceLab 是一款利用机器学习替换视频中人脸的工具。

• CycleGAN 和 PIX2PIX - PyTorch 中的图像到图像转换

• DeOldify - 基于深度学习的项目，用于给旧照片（以及视频！）上色和修复

• Detectron2 - Detectron2 是 FAIR 的下一代目标检测和分割研究平台。

• EfficientNet - PyTorch - EfficientNet 的 PyTorch 实现

• Faceswap GAN - 一种去噪自编码器 + 对抗损失和注意力机制，用于人脸交换。

• 神经风格迁移 - 根据论文《艺术风格的神经算法》实现的 Keras 神经风格迁移

• Compare GAN - Compare GAN 的代码

• hmr - 人体形状和姿态端到端恢复项目的页面

语音

• Spleeter - Deezer 的声源分离库，包含预训练模型。

• TTS - 用于文本转语音的深度学习

强化学习

• Dopamine - Dopamine 是一个用于快速原型化强化学习算法的研究框架。

• Sonnet - 基于 TensorFlow 的神经网络库

• OpenSpiel - 一系列环境和算法，用于一般强化学习以及游戏中搜索/规划的研究。

• TF Agents - TF-Agents 是 TensorFlow 中的强化学习库

• bsuite - 一组精心设计的实验，用于研究强化学习智能体的核心能力

• TF 生成模型 - 在 TensorFlow 中实现的多种生成模型

• 从 DQN 到 Rainbow - 从 DQN 到 Rainbow 的分步教程

可视化

• Altair - Python 中的声明式统计可视化库

• Altair 课程 - 交互式笔记本形式的数据可视化课程。

• bertviz - 用于可视化 Transformer 模型中注意力机制的工具

• TF Graphics - TensorFlow Graphics：适用于 TensorFlow 的可微分图形层

• deepreplay - 生成类似于我“超参数实战！”中的可视化效果

运营

• PySyft - 用于加密、保护隐私的机器学习库

• Mindsdb - 用于简化神经网络使用的框架

• Ranking - TensorFlow 中的学习排序

• TensorNetwork - 一个用于轻松高效地操作张量网络的库。

• JAX - Python+NumPy 程序的可组合变换

• BentoML - 用于服务和部署机器学习模型的平台

其他

• NLP 迁移学习 - 2019 年 NAACL 上关于 NLP 迁移学习教程的代码

• BDL 基准测试 - 贝叶斯深度学习基准测试

应用

金融

• RLTrader - 使用深度强化学习和 OpenAI gym 的加密货币交易环境

• TF 量化金融 - 高性能 TensorFlow 库，用于量化金融。

• TensorTrade - 一个开源的强化学习框架，用于构建稳健的交易代理

艺术

• 说唱 NN - 基于坎耶·韦斯特完整作品集训练的循环神经网络，用于创作说唱歌曲

• 摄影测量 - 使用 Meshroom 和 Colab 的云端 GPU 渲染摄影测量。

• dl4g - 用于图形学的深度学习

医疗

• DocProduct - 使用深度语言模型的医疗问答

运营

• LSTM 预测性维护 - 使用 LSTM 进行多变量时间序列预测的示例

awesome-google-colab 快速上手指南

awesome-google-colab 并非一个需要本地安装的软件库，而是一个精选的 Google Colab 笔记本（Notebook）和资源仓库清单。它汇集了包含数据、代码和说明的可直接运行的 Colab 项目，涵盖深度学习、自然语言处理、计算机视觉、金融分析等多个领域。

本指南将指导你如何无需本地环境配置，直接在云端使用这些资源。

1. 环境准备

由于所有计算均在 Google 云端运行，本地无需安装 Python、Jupyter 或任何深度学习框架。

• 必备条件：

  • 一个有效的 Google 账号 (Gmail)。
  • 能够访问 Google Colab (https://colab.research.google.com) 的网络环境。
  • 现代浏览器（推荐 Chrome 或 Edge）。

• 硬件资源：

  • Colab 免费提供 CPU、GPU (如 Tesla T4) 和 TPU 运行时。
  • 注意：免费层级有使用时限和资源限制，重度使用建议升级至 Colab Pro。

2. 使用步骤

由于这是一个资源列表而非代码库，不存在传统的 pip install 安装过程。使用流程如下：

第一步：访问资源列表

你可以直接访问该项目的整理网站或 GitHub 页面查找感兴趣的笔记：

• 官方聚合站: https://google-colab.com/ (推荐，支持提交和搜索)
• GitHub 仓库: https://github.com/dereknow/awesome-google-colab

第二步：选择并打开笔记本

在列表中找到你感兴趣的项目（例如 "BERT Movie Reviews" 或 "Detectron2"），点击链接。

• 如果链接指向 GitHub 仓库：寻找文件名后缀为 .ipynb 的文件，并点击顶部的 "Open in Colab" 徽章。
• 如果链接直接指向 Colab：点击即可直接进入编辑界面。

第三步：配置运行时 (可选但推荐)

对于深度学习任务，建议启用 GPU 加速：

1. 在 Colab 菜单栏点击 运行时 (Runtime)。
2. 选择 更改运行时类型 (Change runtime type)。
3. 在 硬件加速器 (Hardware accelerator) 下拉菜单中选择 GPU 或 TPU。
4. 点击 保存 (Save)。

第四步：运行代码

1. 进入笔记本后，首先点击 连接 (Connect) 按钮连接到云端虚拟机。
2. 按照笔记本内的顺序，逐个点击代码单元格左侧的 播放按钮 (▶) 运行代码。
3. 首次运行时，系统可能会提示挂载 Google Drive 或确认权限，请按提示操作。

3. 基本使用示例

假设你想尝试 Facebook Detectron2 (目标检测模型) 的示例：

1. 打开链接： 访问 Detectron2 Colab Notebook。

2. 设置环境： 确保运行时已设置为 GPU (参考上文“配置运行时”步骤)。

3. 执行代码： 找到第一个代码单元格（通常包含安装依赖的命令），点击运行：

   # 示例：安装 detectron2 依赖 (具体命令以笔记本内容为准)
   !pip install detectron2 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu101/torch1.7/index.html
   

4. 运行推理： 继续向下运行后续单元格，上传一张图片或使用内置图片进行测试，观察模型输出的检测结果。

4. 高级技巧：一键转换 GitHub 笔记本

如果你发现了一个优秀的 GitHub 仓库（非 Colab 链接），想直接在 Colab 中运行，无需下载再上传，只需修改 URL：

• 原始 GitHub 链接: https://github.com/用户名/仓库名/blob/main/笔记名称.ipynb

• 转换为 Colab 链接: 将 https://github.com 替换为 https://colab.research.google.com/github/

  结果: https://colab.research.google.com/github/用户名/仓库名/blob/main/笔记名称.ipynb

直接在浏览器访问转换后的链接，即可在 Colab 中加载并运行该 GitHub 笔记本。