최근에는 딥러닝 모델 학습을 진행하고 있다.
딥러닝 모델은 머신러닝 부스팅 모델과 비교해,
학습에 필요한 데이터의 크기도 클 뿐더러 계산해야 하는 가중치도 많기 때문에 시간이 정말 정말 많이 소요된다.

몇 일 전에는 AutoEncoder 모델의 학습 속도와 성능을 비교할 일이 있었다. 먼저, 내가 주로 사용하고 있는 맥북에서
1) GPU 설정 tensorflow와
2) CPU 설정 tensorflow를 각각 이용하여 속도와 성능을 비교하였다.

< 속도와 성능 측정 결과 >
1) GPU 설정 tensorflow: 1 epoch 당 약 75초, 100 epoch 후 최종 val_loss = 0.4550
2) CPU 설정 tensorflow: 1 epoch 당 약 100초, 100 epoch 후 최종 val_loss = 0.4740

확실히 GPU을 사용한 모델이 속도도 빠르고, 성능도 잘 나오는 것을 확인할 수 있었다. (‘역시, 딥러닝 모델에는 GPU가 꼭 필요하군!’)

그 후에 구글 코랩 GPU 가속을 사용하면 더 빠르게 학습이 될 것이라고 이야기한 분이 계셔서
그동안 (매번 필요한 라이브러리를 새로 설치해야 된다는 불편함 때문에) 별로 사용하지 않던
3) 구글 코랩(Colab) 기본형(GPU 가속 사용)으로 동일한 모델을 돌려보게 되었다.
결과는 그야말로 충격적.

3) 구글 기본형(GPU 가속 사용): 1 epoch 당 약 8초, 100 epoch 후 최종 val_loss = 0.4580
라는 결과가 나왔다.
속도는 내 맥북보다 거의 10배 빠르고, 성능도 비슷하게 나오는 것이 아닌가!
그동안 이용하는게 약간 불편하다는 이유로 로컬에서만 딥러닝 모델 학습을 진행하고 하염없이 기다리던 내가 후회스러운 순간이었다.

딥러닝 모델 학습에는 고용량의 GPU가 필수적이라는 생각이 들었고,
느린 맥북을 붙잡고 기다리느니 구글 코랩을 적극적으로 활용하는게 좋겠다는 생각이 들었다.

그래서 오늘!
당장 맥북을 바꾸거나 고용량 GPU를 탑재할 수는 없으니, 구글 코랩을 적극적으로 이용하는게 더 현실적이겠다는 생각이 들어
고민하다가 구글 코랩 프로를 결제했다.

Google Colab Plan

코랩 프로는 무료 버젼의 GPU(k80)보다 더 좋은 T4, P100 등의 GPU를 제공하고,
무료 RAM(12.72GB)보다 향상된 RAM(25.51GB)을 제공한다.
또한 더 긴 런타임을 제공해줌으로써 다시 런타임에 연결하는 노력을 줄여준다는 장점이 있다.

구독 방법은 간단하다. 구글 코랩 프로 결제 사이트에서
결제 버튼을 누르고, 해외에서 사용 가능한 신용카드(VISA, Master 등) 정보만 입력하면 바로 이용할 수 있다.
$9.99/월로 표기되어 있지만, 세금이 약간 추가되기 때문에 실제 결제 금액은 $10.62이 되었다.

구글에서 제공한 구글 코랩 프로 최대한 활용하기를 살펴보면, 메뉴 - 런타임 > 런타임 유형 변경에서 GPU 가속기와 고용량 RAM을 선택한 후 이용하면 된다!

만약 구글 코랩 프로 결제를 고민하면서 이 글을 보고 있는 분이 계시다면,
머신러닝 부스팅 모델 정도를 활용하고 있는 상황이라면 굳이 프로까지는 필요없을 것 같다. 하지만 딥러닝 모델을 활용하고 있고 딥러닝 모델 학습 속도 때문에 고민하고 계신 분이라면
코랩 프로를 결제하고 GPU 가속을 적극적으로 사용하는게 더 낫지 않을까 싶다.
우리의 시간은 소중하니까요!