google colab适合数据科学、模型训练和教学演示等场景，开箱即用支持主流框架与gpu/tpu，但会话超时、无法部署服务、文件需挂载drive保存。
Google Colab 适合什么场景？
Colab 是目前最省心的 Python 云端环境，尤其适合数据科学、模型训练和教学演示。它开箱即用，自带 torch、tensorflow、sklearn 和 GPU/TPU 支持，连 !pip install 都能直接跑。
- 适合快速验证算法、调试 notebook、跑小规模模型（比如
ResNet-18在 CIFAR-10 上训几轮） - 不建议部署长期服务或后台任务——会话超时（默认 90 分钟无操作断连），且无法监听端口、运行
flask或fastapi服务 - 免费 GPU 是
T4，不是 A100/H100；TPU v2/v3 可用，但需显式初始化tpu = tf.distribute.cluster_resolver.TPUClusterResolver() - 文件保存依赖 Google Drive 挂载，
from google.colab import drive; drive.mount('/content/drive')这步漏掉，重启后所有上传的文件就丢了
Kaggle Notebooks 和 Colab 有什么关键区别？
Kaggle 更偏向竞赛与公开数据集协作，底层资源比 Colab 稍保守，但稳定性更好，且天然集成数据集生态。
- 免费 GPU 是
P100（比 Colab 的 T4 弱一点），CPU 内存上限更高（16GB vs Colab 免费版 12GB），适合内存敏感型 ETL 或 pandas 大表处理 - 所有 notebook 默认可访问 Kaggle 上的公开数据集，用
/kaggle/input/xxx路径直接读，不用手动上传或挂盘 - 不支持 TPU；GPU 不能常驻，每次运行 kernel 重新分配，且无法自定义 CUDA 版本（固定为 11.8）
- 私有 notebook 默认不公开，但一旦设为 public，所有代码 + 输出 + 数据路径都可被搜索到——别在 cell 里硬编码
os.environ['API_KEY']
两个平台共有的“静默坑”有哪些？
它们表面友好，但底层是容器化沙盒，很多本地习以为常的操作会失败或行为异常。
-
!wget或requests.get()下载大文件可能被中断：Kaggle 限制单次请求 500MB，Colab 对流式下载更敏感，建议加stream=True+ 分块写入 - 无法持久化安装的包：每次重启 runtime，
!pip install的包都会清空；必须把安装命令放在第一个 cell，或封装进requirements.txt+!pip install -r requirements.txt -
os.getcwd()返回/content，但这个目录重启即失；真正可靠的路径只有/content/drive/MyDrive/（Colab）或/kaggle/working/（Kaggle，仅当前 session 有效） - 不支持
fork子进程做并行（如multiprocessing.Pool在 Colab 上常卡死），推荐改用concurrent.futures.ThreadPoolExecutor
什么时候该换平台？
当你的需求超出 notebook 交互式执行的范畴，比如需要 HTTP 接口、定时任务、多文件工程结构或长期运行，这两个平台就不再是“够用”，而是“碍事”。
立即学习“Python免费学习笔记（深入）”；
- 要跑一个每 5 分钟拉一次 API 的监控脚本？→ 用
AWS Lambda+CloudWatch Events，别硬塞 Colab - 想把 Jupyter 里的清洗逻辑封装成 CLI 工具供同事调用？→ 用
Replit或PythonAnywhere，它们支持完整文件树 + 后台进程 - 需要复现论文级训练流程（多机、混合精度、checkpoint 断点续训）？→ 直接上
GitHub Codespaces+ 自定义 Dockerfile，或者本地配 WSL2
Colab 和 Kaggle 是极好的“启动器”，但别把它们当成“生产底盘”。越早意识到这点，越少在凌晨三点对着 Runtime disconnected 抓狂。
