Как очистить память в гугл коллаб

Обновлено: 18.05.2024

Google Colaboratory — бесплатная среда Jupyter Notebook, которая выполняется на облачных серверах Google и позволяет использовать аппаратное оборудование бэкенда, например GPU and TPU. В результате вы можете работать со всеми возможностями Jupyter Notebook, не устанавливая его на локальной машине.

Colab поставляется (почти) со всеми настройками, позволяющими начать процесс программирования, за исключением датасетов. Как же с помощью Colab получить к ним доступ?

В данной статье мы рассмотрим:

как загружать данные в Colab из разных источников;
как произвести обратную запись из Colab в эти источники данных;
ограничения Google Colab при работе с внешними файлами.

Операции с директориями и файлами в Google Colab

Поскольку Colab позволяет делать все, что угодно, в локально размещенном Jupyter Notebook, то появляется возможность работать с командами оболочки, такими как ls, dir, pwd, cd, cat, echo и т.д., с помощью магической команды для строки (%) или bash-команды (!).

Для просмотра структуры директории воспользуйтесь панелью файлового менеджера слева.

Как загружать и скачивать файлы в/из Google Colab

Поскольку блокнот Colab размещается на облачных серверах Google, то по умолчанию отсутствует прямой доступ к файлам на вашем локальном диске (в отличие от расположенного на компьютере блокнота) или в любой другой среде.

Однако Colab предоставляет разные варианты подключения к практически любому источнику данных. Посмотрим, как это происходит.

Обращение к GitHub из Google Colab

Вы можете либо клонировать весь репозиторий GitHub в среду Colab, либо получить доступ к отдельным файлам по их необработанной ссылке.

Клонирование репозитория GitHub

Клонирование репозитория Github в среду Colab происходит по такому же принципу, как и на локальный компьютер, а именно с помощью git clone. По завершении этой процедуры обновите менеджер файлов для просмотра содержимого.

И теперь файлы можно читать точно так же, как и на локальном компьютере.

Скачивание отдельных файлов непосредственно с GitHub

Если для работы нужно лишь несколько файлов, а не весь репозиторий, то можно обойтись без его клонирования в Colab и скачать эти файлы непосредственно с GitHub.

Кликните на файл в репозитории.
Кликните на View Raw.
Скопируйте URL необработанного файла.
Используйте этот URL как местоположение файла.

Обращение к локальной файловой системе через Google Colab

Читать и записывать файлы из/в локальную файловую систему можно с помощью менеджера или кода Python.

Обращение к локальным файлам через менеджер файлов

Загрузка файлов из локальной файловой системы через менеджер

Для загрузки любых файлов из локальной файловой системы в текущую рабочую директорию Colab можно воспользоваться опцией Upload в верхней части панели менеджера файлов.

Для загрузки файлов напрямую в поддиректорию нужно:

Кликнуть на три точки, появляющиеся при наведении курсора на каталог.
Выбрать опцию Upload.

3. Выбрать файлы для загрузки из диалогового окна File Upload.

4. Подождать завершения загрузки, процесс выполнения которой отображается в нижней части панели менеджера файлов.

По окончании процесса загрузки читать файлы можно привычным для вас способом.

Скачивание файлов в локальную файловую систему через менеджер файлов

Кликните на три точки, появляющиеся при наведении курсора на имя файла и выберите опцию Download.

Обращение к локальной файловой системе посредством кода Python

Для осуществления этого шага предварительно требуется импортировать модуль files из google.colab library:

from google.colab import files

Загрузка файлов из локальной файловой системы посредством кода Python

Применяем метод загрузки объекта files:

В результате открывается диалоговое окно File Upload:

Выбираем файлы для загрузки и ждем завершения. Ход ее выполнения отображается:

Объект uploaded является словарем, где имена файлов и их содержимое хранятся в виде пар “ключ-значение”:

По окончании загрузки считать его можно точно так же, как и любой другой файл из Colab:

df4 = pd.read_json("News_Category_Dataset_v2.json", lines=True)

Также есть способ считать его напрямую из директории uploaded, используя библиотеку io:

Убедитесь, что имя файла соответствует тому файлу, который вы хотите скачать.

Скачивание файлов из Colab в локальную систему посредством кода Python

Применение метода download объекта files позволяет скачать любой файл из Colab на локальный диск. Процесс выполнения отображается, и по его завершении можно выбрать на локальном компьютере место для сохранения файла.

Обращение к Google Диску из Google Colab

Рассмотрим пошагово, как с помощью модуля drive из google.colab можно смонтировать весь Google Диск в Colab:

1. Выполняем следующий код с целью получения ссылки для аутентификации:

2. Открываем ссылку.

3. Выбираем аккаунт Google, диск которого нужно смонтировать.

4. Разрешаем Google Drive Stream доступ к вашему аккаунту Google.

5. Копируем отображенный код, вставляем его в текстовое окно, как показано ниже, и нажимаем Enter.

Теперь взаимодействовать с Google Диск можно точно так же, как и с каталогом в среде Colab. Любые изменения, связанные с этим каталогом, будут сразу же отображаться на Google Диске, файлы которого вы можете читать как и любые другие.

Кроме того, можно даже напрямую делать запись из Colab на Google Диск, применяя обычные операции с файлами/каталогами.

! touch "/content/gdrive/My Drive/sample_file.txt"

Эта команда создаст файл на Google Диске, который отобразится на панели менеджера файлов при ее обновлении:

Обращение к Google Таблицам из Google Colab

Для обращения к Google Таблицам:

Прежде всего, необходимо аутентифицировать аккаунт для соединения с Colab. С этой целью выполняем следующий код:

from google.colab import auth
auth.authenticate_user()

2. В результате получаем ссылку для аутентификации и открываем ее.

3. Выбираем аккаунт Google для соединения.

4. Разрешаем Google Cloud SDK доступ к вашему аккаунту Google.

5. Наконец, копируем отображаемый код, вставляем его в текстовое окно и нажимаем Enter.

Для взаимодействия с Google Таблицами потребуется импортировать предустановленную библиотеку gspread. Чтобы разрешить ей доступ к вашему аккаунту Google воспользуемся методом GoogleCredentials из предустановленной библиотеки oauth2client.client:

import gspread
from oauth2client.client import GoogleCredentials

После выполнения кода в текущей рабочей директории будет создан файл adc.json с учетными данными, которые нужны gspread для получения доступа к вашему аккаунту Google.

Теперь создавайте или скачивайте Google таблицы напрямую из среды Colab.

Создание/обновление Google таблицы в Colab

Создаем рабочую книгу с помощью метода create объекта gc:

3. Прежде всего, открываем рабочую книгу для записи в нее значений:

4. Затем выбираем ячейки для заполнения:

5. Таким образом мы создаем список ячеек с индексами (R1C1) и значениями (на данный момент пустыми). Можно изменить отдельные ячейки, обновив их атрибут значения:

6. Для обновления этих ячеек в рабочей таблице применяем метод update_cells:

7. Все изменения отображаются в вашей Google таблице.

Скачивание данных из Google таблицы

1. Открываем рабочую книгу с помощью методаopen объекта gc:

2. Затем считываем все строки отдельной рабочей таблицы, задействуя метод get_all_values:

3. Для загрузки этих данных в датафрейм задействуем метод from_record объекта DataFrame:

Обращение к Google Cloud Storage (GCS) из Google Colab

Для работы с GCS необходим проект Google Cloud (GCP). Вы можете создавать и подключаться к корзинам GCS в Colab через предустановленную утилиту командной строки gsutil.

1. Сначала указываем ID проекта:

2. Для доступа к GCS проводим аутентификацию вашего аккаунта Google:

from google.colab import auth
auth.authenticate_user()

3. Выполнив вышеуказанный код, получаем ссылку для аутентификации и открываем ее.

4. Выбираем аккаунт Google для соединения.

5. Разрешаем доступ Google Cloud SDK к вашему аккаунту Google.

6. Теперь копируем отображаемый код, вставляем его в текстовое окно и нажимаем Enter.

7. Затем настраиваем gsutil для работы с проектом:

! gcloud config set project

8. Вы можете создать корзину с помощью соответствующей команды mb (“make bucket”). У корзин GCP должны быть универсальные уникальные имена, поэтому воспользуемся предустановленной библиотекой uuid для создания такого рода ID:

9. Как только корзина готова, загружаем в нее файл из среды Colab:

! gsutil cp /tmp/to_upload.txt gs:///

По завершении скачивания файл отображается на панели менеджера файлов в Colab в указанном месте.

Обращение к AWS S3 из Google Colab

Для доступа к S3 из Colab потребуется создать аккаунт AWS, настроить IAM, а также сгенерировать ключ доступа и секретный ключ доступа. Необходимо также установить библиотеку awscli в среду Colab:

1. Устанавливаем библиотеку awscli:

! pip install awscli

3. Вводим access_key и secret_access_key в текстовое окно и нажимаем Enter:

Теперь можно скачивать любые файлы из S3:

filepath_on_s3 позволяет указать один файл или подобрать несколько файлов по шаблону.

Вам придет уведомление о завершении скачивания, после чего файлы будут доступны в заданном месте для дальнейшего использования.

Для загрузки файла просто поменяйте местами аргументы источника и назначения:

file_to_upload позволяет указать один файл или подобрать несколько файлов по шаблону.

Обращение к датасетам Kaggle из Google Colab

Для скачивания датасетов из Kaggle требуется наличие аккаунта и API-токена.

Для создания API-токена заходим в My Account, после чего — Create New API Token.
Открываем файл kaggle.json и копируем его содержимое в виде .
Выполняем следующие команды в Colab:

4. После создания файла kaggle.json в Colab и установки библиотеки Kaggle приступаем к поиску датасета с помощью следующей команды:

! kaggle datasets list -s

5. Скачиваем нужный датасет с помощью команды:

! kaggle datasets download -d -p /content/kaggle/

Датасет будет загружен и доступен по указанному пути (в данном случае /content/kaggle/).

Обращение к базам данных MySQL из Google Colab

1. Для работы с реляционными базами данных необходимо импортировать предустановленную библиотеку sqlalchemy.

2. Вводим данные для подключения и создаем движок:

3. Создаем SQL-запрос и загружаем его результаты в датафрейм с помощью pd.read_sql_query():

query = f"SELECT * FROM ."
import pandas as pd
df = pd.read_sql_query(query, engine)

Ограничения Google Colab при работе с файлами

При работе с Colab важно помнить о том, что доступ к загружаемым файл ограничен по времени. Colab — это временная среда, в которой тайм-аут простоя составляет 90 минут, а абсолютный тайм-аут — 12 часов. Это значит, что отключение среды выполнения происходит в случае 90 минутного простоя или 12-ти часового использования. Такое отключение приводит к потери всех переменных, состояний, установленных пакетов и файлов, вследствие чего при повторном подключении вас ждет встреча с абсолютно новой и чистой средой.

Кроме того, дисковое пространство Colab ограничено 108 Гб, только 77 Гб из которых доступны пользователю. Этого объема достаточно для решения большинства задач, но вот при работе с крупными датасетами, например изображениями или видео, данное обстоятельство нельзя упускать из внимания.

Заключение

Google Colab — превосходный инструмент для тех, кто стремится обуздать мощь высокопроизводительных вычислительных ресурсов, таких как GPU, без оглядки на их стоимость.

В данной статье мы рассмотрели большинство способов, благодаря которым вы сможете максимально продуктивно работать с Google Colab, читая внешние файлы или данные в Google Colab и производя обратную запись из нее в эти внешние источники данных.

В зависимости от сценария использования или архитектуры данных вы можете запросто применять вышеописанные методы для подключения источника данных напрямую к Colab и приступать к программированию.

I'm trying to delete a file that I uploaded on Google colab using the following code:

How to delete the file now? e.g If the file's name is 'sample.jpg' .

496 1 1 gold badge 4 4 silver badges 19 19 bronze badges

8 Answers 8

Answer from @Korakot works for a single file and in case, to delete entire folder or subfolders or files

!rm -rf <folder_name>

1,294 1 1 gold badge 13 13 silver badges 23 23 bronze badges

Then check that it is gone with !ls -al

Update (nov 2018) Now you can click to open left pane, browse the files tab, then right click to select and delete a file.

28.3k 13 13 gold badges 96 96 silver badges 122 122 bronze badges

To delete a folder which has multiple folders, use:

2,818 21 21 gold badges 45 45 silver badges 63 63 bronze badges

In the menu in Google Collab chose Runtime->Restart all runtimes. This will clear up all your file uploads.

In menu options in Google Colab chose Runtime->Factory reset runtime. This will reset the runtime by deleting all your local file uploads.

This solution does not exactly suit this problem, since I want to remove just a file and not all of the other files, variables, and processed information. Still, thanks for that! In that case,you can simply delete the file by right clicking on the file name and then choose delete option. And then run all the cells,no need of code!

you can see available data or files through !ls

then use !rm for delete

if you are getting edit like,

/bin/bash: -c: line 0: syntax error near unexpected token `newline'

2,880 11 11 gold badges 21 21 silver badges 27 27 bronze badges

Terminating the sessions under Manage my sessions option is perhaps the easiest way one can do it. There could be downsides of losing other files which you may not want to get rid of and will have to upload them again!

Sometimes, factory reset runtime either after termination of session or without it works as well! Try the combinations and you will find the secret to deleting locally uploaded file (:-D)

Note - If only terminating session does not work, sometimes reloading the webpage again ensures that all locally uploaded files are deleted and you can re-run with freshly uploaded files :)

В приведенном выше коде (последняя строка) я пытаюсь изменить размер всего набора данных (35000 элементов). Но Google Colab исчерпывает всю оперативную память. Есть ли другой способ подойти к этой проблеме, пожалуйста?

2 ответа

Попробуйте сделать это итеративно с tf.data.Dataset . Размер изображений будет изменяться только при итерации набора данных, по одному пакету за раз. Таким образом, он не будет создавать новый набор данных в памяти.

Есть ли другой способ подойти к этой проблеме, пожалуйста?

Используйте меньше оперативной памяти. Я не пытаюсь казаться снисходительным, но проблема в том, что вы используете слишком много оперативной памяти, и нет другого выхода, кроме как использовать ее меньше. Каждый раз, когда вы присваиваете значение переменной в Python, он должен выделить память для хранения этого значения. Если вы будете делать это постоянно, не освобождая память, вы столкнетесь с этой проблемой.

Что касается того, как вы должны подойти к этой конкретной проблеме, подумайте, какие данные вам нужно загрузить в память, чтобы ваш код работал, и избегайте загрузки данных, которые не нужны. Например, похоже, что у вас есть DataFrame, df , где вы храните необработанные данные, список, images , где вы храните подмножество этих данных, и список, new_img , где вы храните обработанные данные. По сути, вы дублируете эти данные снова и снова, не выпуская их. Вместо этого вам следует избегать копирования данных (например, вам не нужно копировать данные DataFrame в список images ; просто перебирайте их непосредственно в DataFrame) и освобождая данные, которые вы больше не используете (например, , если вам не нужны предварительно обработанные данные pixels в DataFrame после создания списка new_img , удалите DataFrame / Series с помощью оператора del ).

Вы также можете полностью отказаться от предварительной обработки этих данных (т.е. обрабатывать их по мере необходимости), или работать с ними в пакетном режиме, или уменьшить размер данных, чтобы использовать меньше памяти и т. Д. Есть много способов избежать этих проблем.

is it possible to increase the memory limit. 11G is too small. Can't really do much.

The text was updated successfully, but these errors were encountered:

craigcitro commented Sep 11, 2018

We don't have any support for changing the resource footprint of a managed runtime at this point.

ritubebu commented Mar 29, 2019

Any idea how to increase memory size?

dwy904 commented Jul 5, 2019

any update on this one?

ziatdinovmax commented Jul 9, 2019

Ramstein commented Aug 4, 2019

Just crash your session by using the whole of the 12.5 Gigs of RAM then the door opens where you can directly double your RAM to 25 Gigs in Colab.

juanlp commented Aug 5, 2019

@RamsteinWR is right. Just click on "Get more RAM" and you would be able to work on a 25Gbs instance. Not sure if it is still free?

dwy904 commented Aug 12, 2019

@RamsteinWR Interesting, do you have to crash before you can have more RAM?

Spiffy1 commented Aug 14, 2019

@RamsteinWR Interesting, do you have to crash before you can have more RAM?

Yes. As for how, I was inspecting my data and it maxed out my allocated RAM.

Suvi-dha commented Aug 26, 2019

True, happens with me all the time. My data is huge. After the 12.72 GB RAM is maxed out, I immediately get the prompt of crash and option to increase my RAM.

RamziFsm commented Sep 9, 2019

Google Colab gives free 25 Gb as Ram space. But for my model I need 64 Gb. How can I increase the memory space? Can I buy the rest and How?

In my experience, the easiest way to get more computational recourses without leaving your Colab notebook is to create a GCP deep learning VM with larger memory and more powerful GPU(s) and then connect to that instance from the Colab notebook. -- "Intelligence is the ability to adapt to change." - Stephen Hawking.

RamziFsm commented Sep 9, 2019

Thanks ziatdinovmax for reply,
Do you know any link or tutorial for doing that?

-- "Intelligence is the ability to adapt to change." - Stephen Hawking.

For people searching for the problem, I hope this might help you out
you can just load a very large dataset into the ram,

Download and Unzip a huge dataset
Read the dataset into a var

Colab will crash and show you a message asking if you want to use their High Ram Option

Click yes of course
and voilà

klazaj commented Nov 7, 2019

Just crashed Colab via this code:

Indeed, a message shows up, asking if you want to increase RAM usage. RAM is then upgraded to 35GB.

VuongTuanKhanh commented Nov 9, 2019

Just crashed Colab via this code:

Indeed, a message shows up, asking if you want to increase RAM usage. RAM is then upgraded to 35GB.

Thanks in advance, a messagebox shows up and then I have 25.51GB of RAM

umeshpant commented Nov 18, 2019

Just crashed Colab via this code:

Indeed, a message shows up, asking if you want to increase RAM usage. RAM is then upgraded to 35GB.

Thanks in advance, a messagebox shows up and then I have 25.51GB of RAM

Thank you !
you save my day

Abhishek109 commented Dec 31, 2019

Can you help me how to increase my RAM from 25.5GB to higher limit

As far as I know: Nope. Believe me, I've tried a lot of different ways. Maybe Colab limits the Session to a maximum of 25Gb. Perhaps you want to optimize the solution rather than increasing the amount of RAM.

But you know what, I'm happy about that. Isn't 25.5Gb free a great thing ;) I think we can't ask for more

Abhishek109 commented Jan 1, 2020

But you know what, I'm happy about that. Isn't 25.5Gb free a great thing ;) I think we can't ask for more

thats very true. thank you. have a great year ahead.

Abdessamad139 commented Jan 19, 2020

Actually, if you chose to change the runtime type from GPU to TPU, you will get 35.35 Gb instead of 25.5Gb

Thank you Chanaa will follow your advice by changing to TPU. Can you kindly suggest (any other console) if i would like to work on higher than 35.35 GB for faster output. That would be highly appreciative, Thanks in advance. With best regards Abhishek

Keramatfar commented May 25, 2020

Just crash your session by using the whole of the 12.5 Gigs of RAM then the door opens where you can directly double your RAM to 25 Gigs in Colab.

Does not work any more.

Keramatfar commented May 25, 2020

Actually, if you chose to change the runtime type from GPU to TPU, you will get 35.35 Gb instead of 25.5Gb

Does not show the message.

Keramatfar commented May 25, 2020

But you know what, I'm happy about that. Isn't 25.5Gb free a great thing ;) I think we can't ask for more

The problem is that in my case that is 12.75 Gb.

masterzzzen commented May 30, 2020

Unfortunately, I think they closed the "loophole"

So this free ram upgrade doesn't work anymore just when I was trying to train my StyleGAN 2 model I can't get to the 2nd iteration because it always go out of memory, any tips to make it work I'm using a 512x512 input images and using a pretrained model to train but the RAM always go over the limit. I tried adjusting the batch size but no success

bicmfcs commented Jun 1, 2020

@craigcitro I think this issue need to be re-opened.
I can't see get more ram when my session crash because of using all ram (which is about 12 gig).
we really can't do much .
any solution ?

forkbabu commented Jun 1, 2020

Not able to trigger 25GB ram option anymore.

craigcitro commented Jun 1, 2020

KishoreKonakanti commented Jun 4, 2020

I dont think "crashing session" will guarantee you higher RAM. it depends on the usage. Having used both free and pro versions, here are limits on RAM:

**Free Version: ** Regardless of your acclerator (GPU/TPU/CPU), "free" version gives you only 12.5 GB

With Pro, you need to change RAM type:
Navigate to Runtime and click "Change Runtime type" and select Runtime shape as "High RAM". this should give you 35.5 GB

KishoreKonakanti commented Jun 4, 2020

@YukiSakuma did you try smaller resolutions ? Can you please post your config?

YukiSakuma commented Jun 11, 2020

@YukiSakuma did you try smaller resolutions ? Can you please post your config?

Config-e, and I can't lower the resolution because I am trying to train from a pretrained model that was trained on 512x512 images.

karthiikselvam commented Jun 24, 2020

@craigcitro I think this issue need to be re-opened.
I can't see get more ram when my session crash because of using all ram (which is about 12 gig).
we really can't do much .
any solution ?

Didn't work. Any new ways?

SBAESH commented Aug 25, 2020

@craigcitro I think this issue need to be re-opened.
I can't see get more ram when my session crash because of using all ram (which is about 12 gig).
we really can't do much .
any solution ?

Didn't work. Any new ways?

You just need to save a copy of it in your drive (from File -> Save a copy in Drive) and then you have the 25G RAM. Apparently you need to copy the code from the other colab to this one then.

Несмотря на значительный объем выделенного дискового пространства, как и любое другое устройство для хранения данных, «Google Диск» также постепенно заполняется, и доступное свободное место для хранение постепенно уменьшается. Однако есть несколько способов освободить занятое пространство в приложении «Google Диск» без непосредственного удаления важных данных, и в этой статье мы подробнее на них остановимся.

Введение

С развитием международной компьютерной сети «Интернет» и массовым распространением облачных технологий, большую популярность приобрели удаленные сетевые хранилища данных от доверенных мировых лидеров цифровой индустрии. Популярные сервисы облачного хранения данных, такие как «Microsoft OneDrive» , «iCloud» , «Dropbox» и другие обеспечивают удаленный доступ к хранящейся пользовательской информации в любой момент времени и с любого компьютерного устройства, при наличии сетевого соединения и соблюдения минимальных системных требований. Облачные хранилища позволяют надежно хранить снимки и изображения, видеосюжеты, документы и архивные базы данных, музыкальные композиции, приложения и множество других материалов, а также поддерживать их в актуальном обновленном состоянии на всех устройствах.

Не менее востребованным и массово используемым облачным сервисом, управляемым из единой учетной записи, включающей дополнительно целый ряд удобных сетевых приложений, несомненно является «Google Диск» . Благодаря простоте использования и значительному зарезервированному объему на удаленном сервере, величина которого для каждого пользователя составляет пятнадцать гигабайт, приложение «Google Диск» является важным инструментом, когда речь заходит о безопасном способе хранения пользовательской информации и резервном копировании данных.

Несмотря на значительный объем выделенного дискового пространства, как и любое другое устройство для хранения данных, «Google Диск» также постепенно заполняется разнообразными цифровыми материалами, и доступное свободное место для хранение постепенно уменьшается. Однако есть несколько способов освободить занятое пространство в приложении «Google Диск» без непосредственного удаления важных пользовательских данных, и далее мы подробнее на них остановимся.

На мобильных устройствах под управлением операционной системы «Android»

Большим преимуществом разнообразных облачных хранилищ и приложения «Google Диск» в частности является возможность получать доступ, управлять и обрабатывать, скачивать и удалять сохраненные пользовательские данные в любом месте, и выполнять требуемые действия на различных вариантах компьютерных устройств, как стационарных, так и мобильных.

В данном разделе мы рассмотрим способы очистки дискового пространства хранилища «Google Диск» из мобильного устройства на базе операционной системы «Android» . Система установлена на подавляющем большинстве смартфонов и коммуникаторов. И представленные способы будут особенно полезны, так как мобильные устройства особо чувствительны к отсутствию свободного пространства, по причине ежедневного их использования пользователями на регулярной основе. И поддержка удаленного облачного хранилища максимально свободным от лишних, временных и неиспользуемых файлов приобретает первостепенное значение.

Функция «Очистка кеша»

Откройте приложение «Google Диск» на своем мобильном устройстве, использующем систему «Android» . В левом верхнем углу экрана нажмите на кнопку вызова главного меню, представленную в виде трех горизонтальных линий, расположенных вертикально одна над другой.

Дождитесь отображения всплывающей боковой панели навигации, отвечающей за все элементы управления приложения «Google Диск» . Перейдите в самый низ панели и выберите из представленных вариантов раздел «Настройки» .

На открывшейся странице прокрутите ленту представленных настроек диска и найдите в данном списке заголовок раздела «Кеш документов» , в котором нажмите на кнопку «Очистка кеша» , отвечающую за удаление всех документов из специальной области временного хранения информации.

Удаление файлов

Процедура удаления файлов довольно проста и не займет много времени. Повторно откройте приложение «Google Диск» на своем «Android –устройстве» . На основной странице «Мой диск» будут представлены все файлы, упорядоченные по названию.

Нажмите и удерживайте файл, который желаете удалить. Длительное нажатие выделит файл, и позволит продолжить процедуру дальнейшего выделения остальных файлов и добавления их к выбору на удаление.

Выберите все файлы, которые необходимо удалить из приложения. Отмеченные файлы будут маркироваться значком синей галочки.

Если какой-либо файл был выбран ошибочно, то повторное нажатие на него отменит выделение.

При желании пользователей выбрать все файлы для дальнейшего удаления, особенно при наличии большого количества файлов в хранилище, чтобы не тратить время на выделение каждого из них, нажмите на кнопку меню раздела «Мой диск» , выполненную в виде трех вертикально расположенных точек.

А затем во всплывающей панели меню выберите раздел «Выбрать все» .

Читайте также: