我太懂这种郁闷了——本来想靠本地Runtime访问自己的数据集，结果反倒把Colab的云端GPU给丢了，换成自己的GTX1060跑，速度直接大打折扣。这其实是连接本地Runtime的预期行为，不过咱们可以调整方案，兼顾本地数据和云端GPU的优势：

核心原因 #

当你连接本地Runtime时，Colab会完全切换到你本地的Python环境和硬件资源，包括GPU。这时候代码会直接跑在你的GTX1060上，而不是Colab提供的云端Tesla K80（或其他云端GPU）。

解决方案：兼顾本地数据与云端GPU #

如果你想继续用Colab的云端GPU算力，同时访问本地数据集，推荐用以下方式替代本地Runtime：

1. 断开当前的本地Runtime连接 #

• 在Colab界面右上角，点击「连接」按钮，选择「断开连接」，回到Colab的托管云端运行时。

2. 将本地数据集上传到云端存储 #

选项A：临时上传到Colab会话（重启后消失）

• 打开Colab左侧的「文件」面板，点击「上传到会话存储」，直接把本地数据集拖进去就行。适合单次实验快速使用。

选项B：挂载Google Drive（数据持久化）

• 运行以下代码挂载你的Google Drive：

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

• 按照提示完成授权后，你就可以像访问本地文件一样，通过/content/drive/MyDrive/路径访问Drive里的文件。提前把本地数据集上传到Drive，就能长期复用，不用每次重新上传。

3. 验证云端GPU是否正常工作 #

断开本地Runtime并连接云端后，运行以下代码确认：

import torch
print(torch.cuda.is_available())
print(torch.cuda.get_device_name(0))

输出应该显示True，以及云端GPU的名称（比如Tesla K80、T4等）。

4. 后续避免误连本地Runtime #

下次打开Colab时，默认选择「连接到托管运行时」，不要选本地Runtime选项，这样就会一直使用云端的GPU资源。

额外提示 #

如果你的数据集特别大，上传Drive太慢，也可以考虑使用Google Cloud Storage，通过Colab挂载后访问，传输速度会更快一些。

内容的提问来源于stack exchange，提问作者krustybek