tensorflow - 哪种 Google Cloud Platform 服务最容易运行 Tensorflow？

Question

在做 Udacity 深度学习作业时，我遇到了内存问题。我需要切换到云平台。我以前使用过 AWS EC2，但现在我想尝试 Google Cloud Platform (GCP)。我至少需要 8GB 内存。我知道如何在本地使用 docker，但从未在云端尝试过。

1. 有没有现成的解决方案可以在 GCP 上运行 Tensorflow？
2. 如果没有，哪种服务(Compute Engine 或 Container Engine)可以让您更轻松地开始使用？
3. 如有任何其他提示，我们也将不胜感激!

Answer 1

总结答案:

• AI Platform Notebooks - 一键Jupyter Lab环境
• Deep Learning VMs images - 预装机器学习库的原始虚拟机
• Deep Learning Container Images - DLVM 镜像的容器化版本
• Cloud ML
• 在 Compute Engine 上手动安装。请参阅下面的说明。

在 Compute Engine 上手动运行 TensorFlow 的说明:

1. Create a project
2. 打开Cloud Shell (顶部的按钮)
3. 列出机器类型:gcloud 计算机器类型列表。您可以更改我在下一个命令中使用的机器类型。
4. 创建实例:

gcloud compute instances create tf \
  --image container-vm \
  --zone europe-west1-c \
  --machine-type n1-standard-2

运行 sudo docker run -d -p 8888:8888 --name tf b.gcr.io/tensorflow-udacity/assignments:0.5.0 (将镜像名称更改为所需的名称)

在 dashboard 中查找您的实例并编辑默认网络。

添加防火墙规则以允许您的 IP 以及协议(protocol)和端口 tcp:8888。

从仪表板中查找实例的外部 IP。在浏览器中打开 IP:8888。完成!

完成后，删除创建的集群以避免产生费用。

我就是这样做的，而且成功了。我确信有一种更简单的方法可以做到这一点。

更多资源

您可能有兴趣了解更多信息:

• Google Cloud Shell
• Container-Optimized Google Compute Engine Images
• Google Cloud SDK获得响应速度更快的 shell 等等。

很高兴知道

• “即使在虚拟机终止并重新启动后，您的 Cloud Shell 主目录的内容也会在所有 Cloud Shell session 之间的项目中持续存在”
• 要列出所有可用的镜像版本:gcloudcomputeimageslist --project google-containers

感谢@user728291、@MattW、@CJCullen 和@zain-rizvi