ONE is preparing: 01 / INITIALIZING MODEL ROUTER. Evaluating routing across providers.
Current state
01 / INITIALIZING MODEL ROUTER.

Evaluating routing across providers.

Start learning
← Kỹ năng thực hành

AI Foundation

Jupyter và Google Colab — Notebook là IDE của data scientist

Vietnamese onlyThe learning content is available in Vietnamese only. The surrounding interface follows your language.

Notebook là IDE của data scientist: viết code, chạy, thấy kết quả ngay, viết chú thích, tiếp tục. Bài thực hành chỉ cho bạn cách dùng trong ngày đầu tiên.

lesson107 minKỹ năng thực hànhAI Foundation

Notebook là IDE của data scientist

Viết code, chạy, thấy kết quả ngay, viết chú thích, tiếp tục. Cứ vòng lặp đó mỗi ngày. Nếu lập trình web thường cần chạy lại cả chương trình để xem một thay đổi, thì với notebook, bạn chỉ cần ấn Shift + Enter và thấy kết quả tại chỗ.

Bài thực hành này chỉ bạn cách sử dụng notebook trong ngày đầu tiên: từ tạo ô đầu tiên, chạy thử một bài phân tích mini, đến chọn giữa Jupyter chạy local hay Google Colab trên cloud.

Thử đoán

Bạn muốn huấn luyện một mạng nơ-ron nhỏ nhưng máy tính không có GPU. Công cụ nào cho bạn GPU miễn phí để bắt đầu ngay trong buổi chiều nay?

Nếu trả lời đúng, bạn đã nắm lý do Colab trở thành công cụ số một cho người mới học deep learning. Phần sau đi qua vòng lặp viết–chạy–xem và so sánh các công cụ.

Vòng lặp của một notebook

Notebook gồm các ô. Ô ghi chú (markdown) dùng để kể câu chuyện quanh code; ô code chạy Python thật; kết quả — text, bảng, biểu đồ, hình ảnh — xuất hiện ngay dưới ô code, trong cùng một dòng chảy.

Một vòng làm việc với notebook

1 / 4
  1. 1. 1. Ghi chú

    Ô markdown dùng cho tiêu đề, ghi chú và công thức. Render ngay khi chạy.

Khoảnh khắc hiểu

Notebook không phải là một file code. Nó là một phiên làm việc sống: code bạn viết chỉ là kịch bản, còn kết quả bạn thấy phụ thuộc vào thứ tự bạn chạy các ô, các gói đã cài, và trạng thái runtime đang giữ. Ai làm chủ được bộ ba đó, người đó làm chủ notebook.

So sánh 4 công cụ notebook

Không có công cụ “tốt nhất” tuyệt đối — chỉ có công cụ phù hợp nhất cho hoàn cảnh của bạn. Bảng dưới tóm tắt ưu nhược điểm và lúc nên chọn từng công cụ phổ biến.

Công cụƯu điểmNhược điểmPhù hợp khi
Jupyter Notebook (local)Không giới hạn thời gian; dữ liệu không rời máy; dùng mọi thư viện kể cả bản do bạn tự sửaCần cài Python, pip, jupyter lần đầu; không có GPU trừ khi máy có card rời; chia sẻ khó hơnCần bảo mật dữ liệu hoặc muốn học sâu về môi trường Python
Google Colab (cloud)Không cần cài gì; GPU Tesla T4 miễn phí (bật trong Runtime settings); chia sẻ như Google Docs; tích hợp Google DrivePhiên tối đa khoảng 12 giờ, rảnh quá 90 phút bị kết thúc; biến trong RAM mất khi hết phiên; đôi lúc phải xếp hàng chờ GPUNgười mới học deep learning
VS Code NotebooksCùng một editor cho file .py và .ipynb; Git, debugger, autocomplete; kết nối kernel từ xaCần cài VS Code, extension Jupyter và kernel Python; không có GPU ảo; nút Run ở vị trí khác Jupyter classicDự án vừa có notebook khám phá vừa có module Python dùng lại
Kaggle Notebooks30 giờ GPU P100 mỗi tuần miễn phí; dataset có sẵn ở /kaggle/input; notebook công khai có thể lên trendingPhiên tối đa 9 giờ, output nhỏ hơn 20 GB; không phù hợp dữ liệu riêng tư; giao diện khác ColabTham gia cuộc thi ML hoặc khám phá dataset công khai

Bắt đầu với Jupyter local

1 / 4
  1. 1. Bước 1

    Cài Python 3.10 trở lên qua python.org hoặc Anaconda.

Bắt đầu với Google Colab

1 / 4
  1. 1. Bước 1

    Vào colab.research.google.com và đăng nhập Google.

Bắt đầu với VS Code Notebooks

1 / 4
  1. 1. Bước 1

    Cài VS Code từ code.visualstudio.com.

Bắt đầu với Kaggle Notebooks

1 / 4
  1. 1. Bước 1

    Tạo tài khoản trên kaggle.com và xác thực số điện thoại.

Thử thách

Bạn là sinh viên mới bắt đầu học deep learning, máy laptop cũ không có GPU. Vì sao Colab lại là lựa chọn gần như hoàn hảo cho giai đoạn này?

Chỉ vài bước là đã có thể chạy huấn luyện: mở colab.research.google.com, tạo notebook, đổi runtime sang T4. Không có công cụ nào khác cho người mới tiếp cận deep learning dễ dàng đến vậy.

Phím tắt — ngôn ngữ cơ thể của notebook

Notebook có hai chế độ: command (bàn phím điều khiển ô) và edit (bàn phím gõ vào ô). Biết bạn đang ở chế độ nào và nhớ vài phím tắt quan trọng sẽ tăng tốc độ làm việc đáng kể trong tuần đầu tiên.

PhímTác dụng
Shift + EnterChạy ô hiện tại
EscChuyển sang chế độ command
EnterChuyển sang chế độ edit
A / BThêm ô phía trên / phía dưới
D D (nhấn hai lần)Xoá ô
Y / MĐổi loại ô sang code / markdown

3 câu lệnh Colab đáng nhớ nhất

Khi dùng Colab, bạn hay gặp ba câu lệnh sau. Mỗi lệnh chỉ vài ký tự nhưng thay đổi cách thí nghiệm của bạn chạy.

1. !pip install — cài thư viện mới

Colab đã cài sẵn nhiều thư viện phổ biến (numpy, pandas, torch...), nhưng vẫn thiếu nhiều gói khác. Dấu ! cho phép chạy lệnh shell ngay trong ô notebook.

Cell: cài seaborn và kiểm tra

!pip install -q seaborn==0.13.2
import seaborn as sns
print(sns.__version__)

Cờ -q (quiet) giúp giảm log. Ghi cụ thể phiên bản (==0.13.2) để người khác chạy lại được kết quả của bạn.

2. !nvidia-smi — kiểm tra GPU đang được cấp

Sau khi đổi runtime sang GPU, hãy xác nhận GPU đã được gắn thật bằng câu lệnh này. Nếu dòng đầu báo command not found, runtime của bạn đang là CPU.

Cell: kiểm tra GPU Colab

!nvidia-smi

# Hoặc in gọn hơn qua PyTorch:
import torch
print('CUDA khả dụng:', torch.cuda.is_available())
print('Tên GPU:', torch.cuda.get_device_name(0))

Với tài khoản miễn phí, Colab thường cấp Tesla T4 (16 GB VRAM). Với Colab Pro hoặc Pro+, bạn có thể gặp L4 hoặc A100.

3. drive.mount — gắn Google Drive vào notebook

Colab sẽ xoá file khi phiên kết thúc. Mount Drive để lưu dữ liệu lâu dài hoặc truy cập dataset bạn đã tải lên từ trước.

Cell: mount Google Drive

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

# Giờ file Drive nằm dưới /content/drive/MyDrive/
import pandas as pd
df = pd.read_csv('/content/drive/MyDrive/data/iris.csv')

Khi chạy, Colab sẽ mở cửa sổ yêu cầu bạn đăng nhập Google và cấp quyền. Nhớ xoá ô drive.mount trước khi chia sẻ notebook — bạn không muốn ai cũng nhìn thấy đường dẫn riêng của mình.

Thứ tự chuẩn khi bắt đầu một phiên Colab

Một thói quen tốt: mỗi khi mở notebook, luôn chạy các ô theo thứ tự cố định dưới đây. Chạy sai thứ tự là nguyên nhân số một khiến người mới gặp lỗi khó hiểu.

Sáu bước mở đầu

1 / 6
  1. 1. 1. Đổi runtime

    Menu `Runtime → Change runtime type`, chọn T4 GPU nếu cần. Đổi runtime sẽ xoá toàn bộ biến cũ.

Vì sao thứ tự quan trọng đến vậy?

Notebook giữ mọi thứ trong một không gian tên Python sống. Mỗi ô code bạn chạy thêm (hoặc ghi đè) biến trong không gian đó. Nếu bạn chạy ô import sau ô gọi hàm, hàm đó chưa tồn tại khi nó được gọi.

Thử nghiệm nhanh: tạo ô x = 10, ô tiếp print(x). Chạy ô dưới trước ô trên — Python báo NameError: name 'x' is not defined. Đó chính là cảm giác “chạy sai thứ tự” nhân với một notebook có 40 ô.

Khi nào cần công thức — dùng LaTeX trong markdown

Notebook cho phép viết công thức toán bằng LaTeX ngay trong ô markdown. Điều này cực hữu ích khi bạn cần trình bày một metric. Ví dụ, công thức RMSE (Root Mean Squared Error) dùng trong mọi bài toán hồi quy:

RMSE=1n∑i=1n(yi−y^i)2\text{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}

Trong ô markdown, bạn bọc công thức giữa một cặp dấu đô-la cho inline, hoặc giữa một cặp dấu đô-la kép cho block. Jupyter, Colab, nbviewer đều render ra công thức chuẩn.

Mẹo: nếu công thức hiện ra đúng trên Colab nhưng vỡ khi xem trên GitHub, có thể GitHub đang render một phiên bản cũ của bộ parser. Giải pháp phổ biến: xuất notebook qua jupyter nbconvert --to html để gửi ảnh, hoặc tải lên nbviewer.org.

Bẫy hay gặp với runtime và cách tránh

  • Idle timeout 90 phút — Colab miễn phí cắt runtime khi bạn rời tab quá lâu. Mở tab trước khi đi uống cà phê dài là đủ mất cả phiên.
  • Quên lưu mô hình ra Drive — sau khi huấn luyện, luôn joblib.dump(clf, '/content/drive/.../model.pkl'). Runtime hết là mô hình mất. ⚠️ Chỉ joblib.load trên file do chính bạn tạo — file .pkl lạ có thể chạy code Python tuỳ ý khi load.
  • Execution count nhảy lung tung — các số trong ngoặc vuông như [3][8][1][5] là dấu hiệu bạn đã chạy ô lộn xộn. Trước khi chia sẻ, luôn Runtime → Restart and run all để kiểm tra notebook chạy sạch từ đầu.
  • Biến “ma” — bạn xoá định nghĩa một hàm khỏi ô, nhưng hàm vẫn còn trong runtime nên vẫn gọi được. Người nhận mở lại bị lỗi. Cách chữa: restart kernel thường xuyên, và nhớ rằng file .ipynb phải chạy độc lập.

Tăng tốc khi dữ liệu ở Drive — sao chép về /content

Đọc file từ Drive qua mạng chậm (mỗi file nhỏ mất khoảng 100 ms). Nếu bạn có 10.000 ảnh, thời gian I/O có thể chiếm 90% tổng thời gian huấn luyện. Mẹo phổ biến: sao chép một lần từ Drive về /content/ (SSD cục bộ của VM Colab) rồi đọc từ đó.

Copy dataset từ Drive về /content

import shutil, os, time
SRC = '/content/drive/MyDrive/cifar10'
DST = '/content/cifar10'
if not os.path.exists(DST):
    t0 = time.time()
    shutil.copytree(SRC, DST)
    print(f'Copied in {time.time()-t0:.1f}s')

Trên dataset lớn, trick này tăng tốc huấn luyện từ 3 đến 10 lần — chi phí chỉ là thời gian copy ban đầu.

Liên kết đến các topic khác

Bài này là điểm khởi đầu. Khi bạn đã thoải mái với notebook:

  • Python cho ML — kỹ năng lập trình nền tảng bạn dùng trong mọi ô code.
  • Tiền xử lý dữ liệu — bước tự nhiên tiếp theo sau khi load dataset.
  • Dự án ML end-to-end — ghép các mảnh rời thành pipeline hoàn chỉnh.

Tóm tắt — 6 điểm cần nhớ

  • Notebook là IDE sống: code và kết quả cạnh nhau, vòng lặp viết–chạy–xem chỉ mất vài giây.
  • Mỗi ô code có execution count riêng — thứ tự bạn chạy quan trọng hơn thứ tự ô xếp trong file.
  • Colab là lựa chọn số một cho người mới học deep learning: không cần cài, có GPU T4 miễn phí.
  • Thứ tự chuẩn mỗi phiên Colab: đổi runtime → kiểm tra GPU → mount Drive → cài gói → import và kiểm tra version.
  • Dấu ! biến ô thành shell: !pip install, !nvidia-smi, !ls đều chạy được y như terminal.
  • Phím tắt cốt lõi: Shift+Enter chạy ô, Esc/Enter đổi chế độ, A/B thêm ô, DD xoá ô, Y/M đổi loại ô.

Kiểm tra

Làm lại bất cứ lúc nào — quiz này không chấm điểm thật, mục tiêu chỉ là củng cố trí nhớ.

Bạn mở lại Colab và thấy các biến đã mất sau khi phiên bị ngắt. Vì sao?
Vì sao nên viết `!pip install pkg==X.Y` thay vì `!pip install pkg`?
Thứ tự nào là thứ tự chuẩn khi mở một phiên Colab mới?

Continue the path

Lesson 105 of 106