Google Colab 사용법, 처음 쓰는 사람을 위한 기본 정리

 

 

 

Python이나 머신러닝을 공부하다 보면 Google Colab이라는 이름을 자주 보게 됩니다. 별도의 프로그램을 설치하지 않고 웹브라우저에서 바로 Python 코드를 실행할 수 있어, 처음 코딩을 배우는 사람이나 간단한 데이터 분석을 해보려는 사람에게 편리한 도구예요.

 

Colab은 Google에서 제공하는 호스팅형 Jupyter Notebook 서비스입니다. 노트북 파일 안에 설명과 코드, 실행 결과를 함께 기록할 수 있고, 무료 사용자도 일정 범위에서 GPU와 TPU 같은 연산 자원을 이용할 수 있어요. 다만 무료로 제공되는 자원은 항상 같은 사양으로 보장되지 않으며, 사용량과 이용 상황에 따라 제한될 수 있습니다.

 

Google Colab은 어떤 서비스일까

Google Colab의 정식 명칭은 Google Colaboratory입니다. 웹브라우저에서 Python 코드를 작성하고 실행할 수 있는 노트북 환경으로, 프로그램 설치와 복잡한 개발환경 설정 없이 사용할 수 있어요.

일반적인 Python 프로그램은 컴퓨터에 Python과 편집기를 설치해야 하지만, Colab은 Google이 제공하는 원격 실행환경에서 코드가 돌아갑니다. 사용자는 웹페이지에서 코드를 입력하고 실행 결과만 확인하면 돼요.

Colab은 머신러닝과 데이터 과학, 교육 목적으로 많이 사용됩니다. TensorFlow나 NumPy, pandas, Matplotlib처럼 자주 사용하는 Python 라이브러리도 상당수 기본 설치되어 있어 간단한 실습은 바로 시작할 수 있습니다.

 

Google 계정으로 접속하기

Colab을 사용하려면 먼저 Google 계정으로 로그인하는 것이 편합니다. 로그인하지 않은 상태에서도 공개된 노트북을 열어볼 수 있지만, 직접 작성한 노트북을 Google Drive에 저장하거나 계속 수정하려면 로그인이 필요해요.

Colab 홈페이지에 접속하면 최근에 사용한 노트북 목록이나 새 노트북을 만드는 화면이 나타납니다. 처음 시작할 때는 새 노트북을 선택하면 빈 노트북이 열려요.

새로 만든 노트북은 일반적으로 Google Drive의 Colab Notebooks 폴더에 저장됩니다. 파일 확장자는 .ipynb이며, Jupyter Notebook에서 사용하는 표준 노트북 형식이에요.

노트북 이름은 화면 왼쪽 위의 파일명을 클릭해 변경할 수 있습니다. 나중에 파일을 찾기 쉽도록 python_practice.ipynb, data_analysis_01.ipynb처럼 작업 내용을 알 수 있는 이름을 붙이는 것이 좋아요.

 

코드 셀과 텍스트 셀 차이

Colab 노트북은 여러 개의 셀로 구성됩니다. 셀은 크게 코드 셀과 텍스트 셀로 나뉘어요.

코드 셀에는 Python 코드를 입력합니다. 간단하게 아래와 같이 입력한 뒤 실행해볼 수 있어요.

print("Hello, Colab!")

셀 왼쪽에 있는 실행 버튼을 누르거나 Shift+Enter를 누르면 코드가 실행됩니다. 첫 번째 코드 셀을 실행할 때는 원격 런타임에 연결하는 과정이 있어 결과가 나오기까지 잠시 시간이 걸릴 수 있어요.

텍스트 셀은 설명이나 제목, 메모를 적는 공간입니다. Markdown 문법을 사용할 수 있어 제목과 목록, 굵은 글씨, 링크, 수식 등을 정리할 수 있어요.

코드만 길게 나열하기보다 각 단계가 무엇을 하는지 텍스트 셀에 적어두면 나중에 노트북을 다시 볼 때 이해하기 쉽습니다.

 

셀 추가와 삭제, 순서 변경하기

새로운 셀을 추가하려면 화면 위쪽의 + 코드 또는 + 텍스트 버튼을 누르면 됩니다. 기존 셀 아래에 마우스를 올렸을 때 나타나는 버튼을 이용해도 돼요.

셀 오른쪽의 메뉴를 열면 삭제와 복사, 위아래 이동 등의 기능을 사용할 수 있습니다. 셀을 마우스로 끌어 원하는 위치로 옮기는 것도 가능해요.

코드는 보통 위에서 아래 순서로 실행하는 것이 좋습니다. 아래쪽 셀에서 필요한 변수를 위쪽 셀에서 먼저 만들었다면, 해당 셀이 실행되지 않은 상태에서는 오류가 발생할 수 있어요.

예를 들어 아래 코드를 먼저 실행하면 number라는 변수가 만들어집니다.

number = 10

그다음 셀에서 다음 코드를 실행할 수 있어요.

print(number * 2)

두 번째 셀만 먼저 실행하면 number가 정의되지 않았다는 오류가 나타납니다. Colab은 셀의 화면상 위치보다 실제 실행 순서를 기준으로 상태를 기억하기 때문이에요.

 

실행 순서가 꼬였다면 런타임 다시 시작하기

여러 셀을 앞뒤로 실행하다 보면 변수값이 바뀌거나 이전 실행 결과가 남아 코드가 예상과 다르게 작동할 수 있습니다.

이럴 때는 상단 메뉴에서 런타임을 다시 시작한 뒤 처음부터 순서대로 실행하면 돼요. 런타임을 다시 시작하면 현재 메모리에 올라간 변수와 설치한 패키지, 업로드한 임시 파일 등이 초기화될 수 있습니다.

노트북 전체 코드를 위에서부터 실행하려면 런타임 메뉴의 모두 실행 기능을 사용할 수 있어요. TensorFlow 공식 Colab 안내에서도 셀을 하나씩 실행하거나 런타임 메뉴에서 전체 코드를 실행하는 방식을 소개합니다.

다른 사람이 만든 노트북을 열었다면 내용을 확인하지 않고 바로 모두 실행하는 것은 피하세요. 노트북의 코드는 파일을 읽거나 삭제하고 외부 프로그램을 설치할 수도 있으므로, 출처를 신뢰할 수 있는지 먼저 확인해야 합니다.

 

Python 패키지 설치하는 방법

Colab에 기본으로 설치되지 않은 Python 패키지는 pip 명령어로 설치할 수 있습니다. 코드 셀에서 명령어 앞에 느낌표를 붙이면 돼요.

!pip install 패키지이름

예를 들어 특정 패키지를 설치한다면 다음과 같은 형식으로 사용합니다.

!pip install scanpy

설치가 끝나면 일반 Python 코드처럼 불러올 수 있어요.

import scanpy as sc

패키지를 설치한 뒤 런타임을 다시 시작해야 정상적으로 불러와지는 경우도 있습니다. 화면에 런타임 재시작 안내가 표시되면 저장 상태를 확인한 뒤 재시작하세요.

Colab의 실행환경은 영구적으로 유지되는 개인 컴퓨터가 아닙니다. 런타임이 새로 연결되면 전에 설치한 패키지가 사라질 수 있으므로, 필요한 설치 명령어를 노트북 위쪽 셀에 남겨두는 것이 좋아요.

 

컴퓨터에 있는 파일 업로드하기

데이터 분석을 하려면 CSV나 Excel, 이미지 같은 파일을 Colab으로 가져와야 합니다.

화면 왼쪽의 폴더 아이콘을 누르면 현재 런타임의 파일 목록이 나타나요. 여기에서 업로드 버튼을 누르고 컴퓨터에 있는 파일을 선택하면 됩니다.

업로드한 파일은 일반적으로 /content 경로에 저장됩니다. 예를 들어 sample.csv를 올렸다면 pandas에서 다음과 같이 불러올 수 있어요.

import pandas as pd

data = pd.read_csv("/content/sample.csv")
data.head()

여기서 주의할 점은 /content에 올린 파일이 임시 파일이라는 것입니다. 런타임 연결이 종료되거나 초기화되면 업로드한 파일이 사라질 수 있어요. 중요한 원본과 분석 결과는 컴퓨터나 Google Drive에 따로 저장해야 합니다.

 

Google Drive 연결하기

파일을 계속 보관하면서 작업하려면 Google Drive를 Colab에 연결할 수 있습니다. 코드 셀에 다음 내용을 입력하고 실행하세요.

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

Google 계정 접근 권한을 확인하는 화면이 나타나면 사용할 계정을 선택하고 권한을 승인합니다. 연결이 완료되면 왼쪽 파일 창의 /content/drive 아래에서 Drive 파일을 확인할 수 있어요.

Google은 Drive를 런타임에 연결하면 노트북의 코드가 Drive 파일에 접근할 수 있으므로, 새로운 런타임에 연결할 때 사용자가 직접 권한을 승인하도록 운영하고 있습니다. 신뢰할 수 없는 노트북에서 Drive를 연결하면 파일을 읽거나 수정할 위험이 있으므로 주의해야 해요.

Drive에 있는 파일은 대략 다음과 같은 경로로 불러올 수 있습니다.

file_path = "/content/drive/MyDrive/data/sample.csv"
data = pd.read_csv(file_path)

폴더명이나 파일명에 띄어쓰기가 있다면 경로를 따옴표 안에 정확하게 적어야 합니다.

 

노트북 저장과 데이터 저장은 달라요

Colab 노트북 자체는 Google Drive에 자동 저장되는 경우가 많습니다. 코드와 텍스트, 출력 결과 등이 .ipynb 파일에 기록돼요.

하지만 노트북 안에서 생성한 변수와 런타임 메모리, /content 폴더에 만든 파일까지 자동으로 Drive에 영구 저장되는 것은 아닙니다.

예를 들어 분석 결과를 CSV로 저장할 때 다음과 같이 작성하면 /content 폴더에 임시 저장됩니다.

data.to_csv("/content/result.csv", index=False)

Drive에 계속 보관하려면 저장 경로를 Drive 폴더로 지정해야 해요.

data.to_csv("/content/drive/MyDrive/result.csv", index=False)

결과 파일을 컴퓨터로 내려받으려면 왼쪽 파일 창에서 해당 파일의 메뉴를 열고 다운로드를 선택할 수 있습니다.

노트북이 저장됐다고 데이터까지 모두 보관된 것으로 착각하지 않는 것이 중요해요. 코드, 실행환경, 업로드 파일, 결과 파일을 각각 구분해서 관리해야 합니다.

 

반응형

GPU 설정하는 방법

딥러닝 모델 학습이나 대규모 행렬 계산처럼 연산량이 많은 작업은 GPU를 사용하면 속도가 빨라질 수 있습니다.

상단 메뉴에서 런타임의 런타임 유형 변경 메뉴로 들어간 뒤 하드웨어 가속기에서 GPU를 선택하면 돼요. 계정과 이용 상황에 따라 TPU나 다른 가속기 옵션이 표시될 수도 있습니다.

GPU가 연결됐는지는 다음 명령어로 확인할 수 있어요.

!nvidia-smi

GPU 이름과 메모리 사용량 등이 나타나면 연결된 상태입니다.

다만 무료 Colab에서 특정 GPU 모델을 항상 선택할 수 있는 것은 아닙니다. 사용 가능한 GPU와 TPU 종류는 시점에 따라 바뀌며, 자원 공급 상황과 사용 기록에 따라 가속기를 이용하지 못할 수도 있어요. Google도 무료 제공 자원의 제한과 구체적인 사용 한도를 고정적으로 공개하지 않으며, 제한이 수시로 달라질 수 있다고 안내합니다.

GPU가 반드시 필요한 작업이라면 실행 전에 실제로 가속기가 연결됐는지 확인하세요. 간단한 코드 작성이나 작은 데이터 분석은 CPU 런타임으로도 충분합니다.

 

GPU를 켜면 무조건 빨라질까

GPU를 선택했다고 모든 코드가 자동으로 빨라지는 것은 아닙니다. 사용하는 라이브러리가 GPU 연산을 지원해야 하고, 코드에서도 GPU를 사용하도록 설정해야 해요.

작은 데이터 파일을 읽거나 간단한 반복문을 실행하는 작업은 GPU를 켜도 별다른 차이가 없을 수 있습니다. 오히려 데이터를 GPU 메모리로 옮기는 과정 때문에 시간이 더 걸릴 수도 있어요.

TensorFlow와 PyTorch 같은 딥러닝 프레임워크는 GPU 활용 기능을 제공하지만, 실제 모델과 데이터가 GPU에 올라갔는지 확인해야 합니다.

무료 GPU는 여러 사용자가 공유하는 제한된 자원입니다. 필요하지 않은 작업에서는 CPU를 사용하고, GPU 작업이 끝났다면 런타임 연결을 종료하는 편이 좋아요.

 

Colab 런타임은 계속 유지되지 않아요

Colab에서 코드를 실행하면 Google 서버에 임시 가상머신이 만들어집니다. 이 실행환경을 런타임이라고 해요.

런타임은 일정 시간 동안 사용하지 않거나 최대 사용시간에 도달하면 연결이 종료될 수 있습니다. 무료 Colab의 런타임 유지시간과 자원 제한은 고정값으로 보장되지 않으며 사용 패턴과 서버 상황에 따라 달라질 수 있어요.

브라우저 창을 열어놓는 것만으로 장시간 작업이 항상 유지되는 것도 아닙니다. 긴 모델 학습이나 대용량 분석을 실행할 때는 중간 결과를 주기적으로 Drive에 저장하는 것이 안전해요.

런타임이 종료되면 메모리의 변수와 /content의 임시 파일, 직접 설치한 패키지가 사라질 수 있습니다. 노트북 코드는 Drive에 남아 있어도 실행환경은 처음부터 다시 구성해야 해요.

 

다른 사람이 공유한 노트북 사용하기

Colab 노트북은 Google Docs처럼 링크로 공유할 수 있습니다. 논문이나 강의 자료, GitHub에서 Colab 링크를 제공하는 경우도 많아요.

공유받은 노트북에 편집 권한이 없다면 원본을 바로 수정할 수 없습니다. 상단 파일 메뉴에서 Drive에 사본 저장을 선택해 자신의 Google Drive에 복사한 뒤 작업하면 돼요.

GitHub에 공개된 .ipynb 파일도 Colab에서 열 수 있습니다. 다만 GitHub 원본을 Colab에서 열었다고 수정 내용이 자동으로 GitHub 저장소에 반영되는 것은 아닙니다. 자신의 Drive에 사본을 저장하거나 별도의 GitHub 저장 과정을 거쳐야 해요.

공개 노트북을 실행할 때는 Drive 연결 코드와 파일 삭제 명령, 외부 다운로드 주소 등을 먼저 확인하세요. 노트북은 일반 프로그램처럼 다양한 명령을 실행할 수 있습니다.

 

자주 보는 오류와 해결 방법

NameError가 나타난다면 필요한 변수나 함수를 만드는 셀을 먼저 실행했는지 확인하세요. 런타임이 초기화된 뒤 아래쪽 셀만 실행했을 때 자주 발생합니다.

FileNotFoundError는 파일 경로가 잘못됐을 때 나타납니다. 파일이 실제로 /content에 있는지, Drive가 정상적으로 연결됐는지, 파일명 대소문자와 띄어쓰기가 정확한지 확인하세요.

ModuleNotFoundError가 나오면 필요한 패키지가 설치되지 않은 상태일 수 있습니다. pip install로 설치한 뒤 다시 불러오면 돼요.

메모리 부족 오류가 발생하면 큰 데이터를 한꺼번에 불러오지 않았는지 살펴보세요. 불필요한 변수를 삭제하거나 데이터 크기를 줄이고, 런타임을 다시 시작하는 방법도 있습니다.

GPU를 선택했는데 사용할 수 없다는 안내가 나오면 무료 자원 한도에 도달했거나 현재 할당 가능한 가속기가 부족할 수 있어요. 일정 시간이 지난 뒤 다시 시도하거나 CPU로 작업해야 할 수 있습니다.

 

처음 사용하는 사람이 알아둘 단축키

코드 셀을 실행하고 다음 셀로 이동할 때는 Shift+Enter를 사용합니다. 현재 셀만 실행하고 그대로 머물려면 Ctrl+Enter를 쓸 수 있어요.

코드 셀 아래에 새 셀을 만들면서 실행하려면 Alt+Enter가 편합니다. 여러 셀을 반복해서 실행할 때 마우스를 계속 누르지 않아도 돼요.

셀 안의 여러 줄을 선택한 뒤 Ctrl+/를 누르면 주석을 한 번에 넣거나 해제할 수 있습니다. 코드를 잠시 실행하지 않게 만들 때 유용해요.

단축키는 운영체제와 브라우저 설정에 따라 일부 다르게 작동할 수 있습니다. Colab의 도구 메뉴나 단축키 안내 화면에서 전체 목록을 확인할 수 있어요.

 

처음에는 간단한 코드부터 실행해보기

Colab을 처음 열었다면 복잡한 머신러닝 코드보다 간단한 Python 문법부터 실행해보는 것이 좋아요.

name = "Colab"
print("Hello,", name)

간단한 계산도 바로 할 수 있습니다.

numbers = [1, 2, 3, 4, 5]
sum(numbers)

pandas를 이용해 표 형태의 데이터를 만들어볼 수도 있어요.

import pandas as pd

data = pd.DataFrame({
    "이름": ["A", "B", "C"],
    "점수": [80, 90, 85]
})

data

Colab에서는 셀의 마지막 줄에 변수 이름만 적어도 표나 결과를 화면에 보기 좋게 표시합니다. 코드 실행과 결과 확인에 익숙해진 뒤 파일 업로드와 그래프 작성, 머신러닝으로 넘어가면 됩니다.

 

Google Colab을 사용할 때 꼭 기억할 점

Google Colab은 별도의 설치 없이 브라우저에서 Python을 실행할 수 있는 편리한 서비스입니다. 노트북 하나에 코드와 설명, 결과를 함께 기록할 수 있고, Google Drive를 연결해 자료를 저장할 수도 있어요.

처음 사용할 때는 코드 셀과 텍스트 셀의 차이, 셀 실행 순서, 런타임 개념부터 익히는 것이 좋습니다. 오류가 발생하면 위쪽 셀이 제대로 실행됐는지와 파일 경로를 먼저 확인하세요.

노트북 파일이 Drive에 저장되더라도 런타임의 변수와 /content에 있는 파일은 영구적으로 보관되지 않습니다. 중요한 데이터와 분석 결과는 Drive나 컴퓨터에 따로 저장해야 해요.

무료 GPU와 TPU는 사용할 수 있지만 항상 같은 사양과 이용시간이 보장되는 것은 아닙니다. 간단한 실습은 CPU로 진행하고, 실제로 가속 연산이 필요한 작업에서만 GPU를 선택하는 편이 효율적이에요.

이 기본 구조만 익히면 공개된 Colab 실습 자료를 실행하거나, Python 데이터 분석과 딥러닝 예제를 따라가는 데 큰 어려움은 없습니다.