Colab使用_文件操作

Colab 本质上是一个运行在 Linux 环境中的云端计算平台。具体特点包括：

• 操作系统：Colab 运行在 Ubuntu（或类似 Linux 发行版）上，因此支持 Linux 命令（如 ls、mkdir、chmod 等）。
• 文件系统：Colab 提供了一个临时的文件系统（/content/ 目录是默认工作目录），你可以克隆存储库、下载文件、创建文件夹等。
• 预装工具：Colab 预装了 Python（通常是某个版本，如 3.7 或 3.10）、pip、Jupyter Notebook 等，允许用户进一步定制环境。
• 临时性：Colab 的环境是临时的，断开连接后，文件和配置可能会丢失（除非保存到 Google Drive 或其他持久存储）

1. Colab 文件的存储位置

Google Colab 是一个云端环境，运行在 Google 的服务器上，而不是你的本地计算机。因此，你在 Colab 上新建的文件（如 PPO1.ipynb）默认存储在 Colab 的临时文件系统中，而不是直接存储在你的本地计算机上。

• 具体位置：
  • Colab 提供了一个临时的 Linux 文件系统，默认工作目录是 /content/。
  • 新建的 Jupyter Notebook 文件（如 PPO1.ipynb）通常存储在 /content/ 目录下。
  • 你可以通过以下命令在 Colab 中确认文件位置：

!pwd  # 输出当前工作目录，通常是 /content
!ls   # 列出当前目录下的文件，应该能看到 PPO1.ipynb

2. 文件如何存储到本地计算机？

虽然 Colab 的文件默认存储在云端，但你可以通过以下方式将文件保存到本地计算机：

• 手动下载到本地：
  • 在 Colab 界面上，点击左侧的文件浏览器（文件夹图标）。
  • 找到 PPO1.ipynb，右键选择“下载”。
  • 文件会下载到你的计算机的默认下载目录（通常是 ~/Downloads/ 或你浏览器设置的下载路径）。
    • Windows 示例：C:\Users\YourUsername\Downloads\PPO1.ipynb
    • Mac 示例：/Users/YourUsername/Downloads/PPO1.ipynb
    • Linux 示例：/home/YourUsername/Downloads/PPO1.ipynb
• 自动保存到 Google Drive：
  • Colab 提供了与 Google Drive 集成的功能，可以将文件保存到 Google Drive，然后再从 Google Drive 下载到本地。
  • 操作步骤：
  • 1.挂载 Google Drive：

from google.colab import drive
drive.mount('/content/drive')

• 运行后会提示你授权，完成后 Google Drive 会挂载到 /content/drive/My Driv
• 2.将文件保存到 Google Drive：

  
  !cp PPO1.ipynb /content/drive/My\ Drive/PPO1.ipynb

• 3.打开 Google Drive（drive.google.com），找到 PPO1.ipynb，下载到本地。
  • 下载后，文件会出现在你的本地下载目录。

3.自动保存到 Google Drive 的功能：

如果你在 Colab 中点击“文件” > “保存”，Colab 会提示将 Notebook 保存到 Google Drive（通常是 My Drive/Colab Notebooks/ 目录）

你可以在 Google Drive 的 Colab Notebooks 文件夹中找到它：

• 路径：My Drive/Colab Notebooks/XXX.ipynb。

colab文件管理操作

创建一个文件夹：

!mkdir my_folder

将文件移动到文件夹：

!mv PPO1.ipynb my_folder/PPO1.ipynb

查看文件夹内容：

!ls my_folder

在文件夹中创建新文件：

with open('my_folder/new_file.txt', 'w') as f:f.write('Hello, Colab!')

4.总结

1.Google Drive 集成：你可以通过挂载 Google Drive，将文件和文件夹保存到云端，实现持久化存储

2.多文件支持：你可以在一个 Notebook 中操作多个文件或文件夹，例如：
克隆整个 GitHub 存储库（包含多个文件和文件夹）。
下载并解压 ZIP 文件（如 Huggy 环境），管理多个文件。

3.管理多个文件和文件夹
在 Colab 中操作：
创建一个项目文件夹，管理所有相关文件：

!mkdir my_project
!mv PPO1.ipynb my_project/
!echo "New content" > my_project/notes.txt

压缩文件夹并下载：
 

!zip -r my_project.zip my_project
from google.colab import files
files.download('my_project.zip')

5.实战

1. 环境配置

我们需要克隆 ML-Agents 存储库，配置 Python 环境，安装依赖，并下载 Huggy 环境。

# 克隆 ML-Agents 存储库（可能需要 3 分钟），获取最新代码和示例
!git clone --depth 1 https://github.com/Unity-Technologies/ml-agents# 下载 Miniconda 安装脚本，用于创建独立的 Python 环境
!wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
# 赋予安装脚本执行权限，以便运行
!chmod +x Miniconda3-latest-Linux-x86_64.sh
# 静默安装 Miniconda 到 /usr/local 目录，-b 表示非交互式，-f 强制覆盖
!./Miniconda3-latest-Linux-x86_64.sh -b -f -p /usr/local# 激活 Miniconda 环境，准备配置 Python
!source /usr/local/bin/activate
# 在 Miniconda 中安装 Python 3.10.12 和 ujson 包，-q 静默，-y 自动确认
!conda install -q -y --prefix /usr/local python=3.10.12 ujson# 设置 PYTHONPATH 环境变量，指向 Miniconda 的 Python 包路径，确保导入正确
import os
os.environ["PYTHONPATH"] = "/usr/local/lib/python3.10/site-packages/"
# 设置 CONDA_PREFIX 环境变量，指定 Conda 环境路径
os.environ["CONDA_PREFIX"] = "/usr/local/envs/myenv"# 检查当前 Python 版本，确认是否正确安装为 3.10.12
!python --version# 切换工作目录到 ml-agents 存储库根目录
%cd ml-agents
# 安装 ml-agents-envs 包，作为可编辑模式 (-e) 便于开发
!pip3 install -e ./ml-agents-envs
# 安装 ml-agents 包，作为可编辑模式 (-e) 便于开发
!pip3 install -e ./ml-agents# 创建 trained-envs-executables 和 linux 子目录，用于存放环境文件
!mkdir -p ./trained-envs-executables/linux
# 从 Hugging Face 下载 Huggy 环境 ZIP 文件，保存到指定路径
!wget "https://github.com/huggingface/Huggy/raw/main/Huggy.zip" -O ./trained-envs-executables/linux/Huggy.zip
# 解压 Huggy.zip 到 linux 目录，-d 指定目标目录
!unzip -d ./trained-envs-executables/linux/ ./trained-envs-executables/linux/Huggy.zip
# 设置 Huggy 文件夹及其内容的读写执行权限，确保可运行
!chmod -R 755 ./trained-envs-executables/linux/Huggy

2. 模型训练

我们将使用 PPO 算法训练 Huggy 环境，并保存模型到指定目录。ML-Agents 提供了 mlagents-learn 命令来启动训练。

• 创建配置文件： ML-Agents 需要一个 YAML 配置文件来指定 PPO 的超参数。我们创建一个简单的配置文件 ppo_config.yaml。

behaviors:Huggy:trainer_type: ppo  # 指定使用 PPO 算法作为训练器hyperparameters:batch_size: 2048  # 每次训练的批次大小buffer_size: 20480  # 经验回放缓冲区大小learning_rate: 0.0003  # 学习率beta: 0.005  # 熵正则化系数，控制探索epsilon: 0.2  # PPO 的剪切范围lambd: 0.95  # 优势函数的衰减因子num_epoch: 3  # 每个批次训练的 epoch 数learning_rate_schedule: linear  # 学习率调整策略network_settings:normalize: false  # 是否标准化输入hidden_units: 128  # 隐藏层神经元数量num_layers: 2  # 神经网络层数vis_encode_type: simple  # 视觉编码类型reward_signals:extrinsic:gamma: 0.99  # 折扣因子，平衡短期和长期奖励strength: 1.0  # 外部奖励的权重keep_checkpoints: 5  # 保留的检查点数量max_steps: 500000  # 最大训练步数time_horizon: 64  # 每次更新的时间步长summary_freq: 10000  # 记录总结的频率（步数）

运行训练： 使用 mlagents-learn 命令训练模型，指定 Huggy 环境和配置文件。

# 使用 mlagents-learn 启动训练，指定配置文件、环境和运行 ID
!mlagents-learn ./ppo_config.yaml --env=./trained-envs-executables/linux/Huggy/Huggy --run-id=huggy-ppo --force
# --force 强制覆盖已有训练结果，训练数据保存在 ./results/huggy-ppo/

3. 保存训练结果

训练完成后，模型文件（.onnx 格式）和日志会保存在 ./results/huggy-ppo/ 目录。我们将这些文件组织到一个项目文件夹 ml_agents_project 中。

# 创建项目文件夹并移动文件
!mkdir -p ml_agents_project
!mv PPO1.ipynb ml_agents_project/  # 假设 PPO1.ipynb 已存在
!mkdir -p ml_agents_project/trained_envs
!mv trained-envs-executables/linux/Huggy ml_agents_project/trained_envs/
!mkdir -p ml_agents_project/models
!mv results/huggy-ppo ml_agents_project/models/

4.上传到 Google Drive

将整个项目文件夹上传到 Google Drive，实现持久化存储。

# 挂载 Google Drive 到 Colab 文件系统
from google.colab import drive
drive.mount('/content/drive')# 将整个项目目录复制到 Google Drive 的 My Drive 路径
!cp -r ml_agents_project /content/drive/My\ Drive/ml_agents_project

下次会话加载

在新的 Colab 会话中，从 Google Drive 加载项目文件夹，继续使用。

# 挂载 Google Drive 到 Colab 文件系统
from google.colab import drive
drive.mount('/content/drive')# 从 Google Drive 复制项目目录到当前工作目录
!cp -r /content/drive/My\ Drive/ml_agents_project .
# 切换到项目目录
%cd ml_agents_project# 列出目录内容，确认文件加载成功
!ls -l

下载到本地

将整个项目文件夹压缩为 ZIP 文件，并下载到本地计算机。

# 压缩项目文件夹
!zip -r ml_agents_project.zip ml_agents_project# 下载到本地
from google.colab import files
files.download('ml_agents_project.zip')

应用示例

场景：你训练了一个 Huggy 环境的 PPO 模型，想将其分享给团队成员，用于展示或进一步开发。

• 操作：
  1. 按照上述步骤完成训练，保存 ml_agents_project 到 Google Drive。
  2. 团队成员在新 Colab 会话中加载项目：

     !cp -r /content/drive/My\ Drive/ml_agents_project . %cd ml_agents_project

  3. 加载模型并运行推理：

     !mlagents-learn --env=./trained_envs/Huggy/Huggy --run-id=huggy-ppo --resume

  4. 或者将 ml_agents_project.zip 下载到本地，解压后在本地环境运行。
• 结果：
  • 团队成员可以直接使用你的模型和环境，无需重新配置。
  • 本地保存的 ZIP 文件可以作为备份，或用于其他平台（例如本地 Unity 项目）。
  • 保存的目录层级可视化
    在 Google Colab 中，ml_agents_project 文件夹是核心组织单位，包含 Notebook 文件、训练环境和模型文件。以下是保存后的目录结构：

  • ml_agents_project/
    ├── PPO1.ipynb              # 你的 Colab Notebook 文件，记录代码和训练配置
    ├── trained_envs/           # 存放训练环境的子目录
    │   └── Huggy/              # Huggy 环境的可执行文件和相关资源
    │       ├── Huggy          # 可执行环境文件 (Linux 二进制)
    │       ├── Huggy_Data/    # 环境数据文件夹 (可能包含 Unity 资源)
    │       └── ...            # 其他环境相关文件
    ├── models/                 # 存放训练模型和日志的子目录
    │   └── huggy-ppo/          # 训练结果目录，包含模型和检查点
    │       ├── Huggy.onnx      # 训练好的 PPO 模型文件
    │       ├── events.out.tfevents  # TensorBoard 日志文件
    │       ├── checkpoint      # 训练检查点文件
    │       ├── ...             # 其他训练日志或配置文件
    └── (可能包含其他文件)      # 未来可能添加的配置文件或脚本

    上传到 Google Drive 后的结构

    当你运行 !cp -r ml_agents_project /content/drive/My\ Drive/ml_agents_project 时，上述结构会被复制到 Google Drive 的 My Drive/ml_agents_project 路径：

  • Google Drive/
    └── My Drive/└── ml_agents_project/├── PPO1.ipynb├── trained_envs/│   └── Huggy/│       ├── Huggy│       ├── Huggy_Data/│       └── ...├── models/│   └── huggy-ppo/│       ├── Huggy.onnx│       ├── events.out.tfevents│       ├── checkpoint│       └── ...└── (可能包含其他文件)

    压缩和下载后的本地结构

    运行 !zip -r ml_agents_project.zip ml_agents_project 并下载后，解压 ml_agents_project.zip 到本地计算机，将恢复相同的目录结构：

  • 本地计算机/
    └── Downloads/ (或你指定的目录)└── ml_agents_project.zip (解压后)├── PPO1.ipynb├── trained_envs/│   └── Huggy/│       ├── Huggy│       ├── Huggy_Data/│       └── ...├── models/│   └── huggy-ppo/│       ├── Huggy.onnx│       ├── events.out.tfevents│       ├── checkpoint│       └── ...└── (可能包含其他文件)