Какая служба Google Cloud Platform проще всего запускать Tensorflow?

Во время работы над назначениями Udacity Deep Learning у меня возникла проблема с памятью. Мне нужно переключиться на облачную платформу. Ранее я работал с AWS EC2, но теперь я хотел бы попробовать Google Cloud Platform (GCP). Мне понадобится не менее 8 ГБ памяти. Я знаю, как использовать докер локально, но никогда не пробовал его в облаке.

Есть ли готовое решение для запуска Tensorflow на GCP?
Если нет, какая служба (вычислительный движок или контейнерный движок) упростит работу?
Также приветствуется любой другой совет!

Ответы

Ответ 1

Подводя ответы:

Datalab
Cloud ML
Ручная установка на вычислительном двигателе. См. Инструкции ниже.

Пошаговые инструкции для запуска TensorFlow на вычислительном процессоре:

Создать проект
Откройте Cloud Shell (кнопка вверху)
Список типов машин: gcloud compute machine-types list. Вы можете изменить тип машины, который я использовал в следующей команде.
Создайте экземпляр:

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

Запустите sudo docker run -d -p 8888:8888 --name tf b.gcr.io/tensorflow-udacity/assignments:0.5.0 (измените имя изображения на желаемый)
Найдите свой экземпляр в панели мониторинга и отредактируйте default сеть.
Добавьте правило брандмауэра, чтобы разрешить ваш IP-адрес, а также протокол и порт tcp:8888.
Найдите внешний IP-адрес экземпляра на панели управления. Откройте IP:8888 в своем браузере. Готово!
Когда вы закончите, удалите созданный кластер, чтобы избежать сбоев.

Вот как я это сделал, и это сработало. Я уверен, что есть более простой способ сделать это.

Дополнительные ресурсы

Вам может быть интересно узнать больше о:

Google Cloud Shell
Оптимизированные контейнером изображения Google Compute Engine
Google Cloud SDK для более отзывчивой оболочки и т.д.

Полезно знать

"Содержимое вашего домашнего каталога Cloud Shell сохраняется в проектах между всеми сеансами Cloud Shell, даже после того, как виртуальная машина завершается и перезапускается.
Чтобы просмотреть все доступные версии изображений: gcloud compute images list --project google-containers

Благодаря @user728291, @MattW. и @CJCullen.

Ответ 2

Google Cloud Machine Learning открыта миру в бета-форме сегодня. Он предоставляет TensorFlow как услугу, поэтому вам не нужно управлять машинами и другими необработанными ресурсами. В составе бета-версии Datalab был обновлен для предоставления команд и утилит для машинного обучения. Проверьте это: http://cloud.google.com/ml.

Ответ 3

Google имеет платформу Cloud ML в ограниченной Alpha.

Вот сообщение в блоге и учебник о запуск TensorFlow на Kubernetes/Google Container Engine.

Если это не то, что вы хотите, TensorFlow tutorials должны быть в состоянии работать как на AWS EC2, так и на Google Compute Engine.

Ответ 4

Я не уверен, что если вам нужно остаться на платформе Google Cloud. Если вы можете использовать другие продукты, вы можете сэкономить много времени и немного денег.

Если вы используете TensorFLow, я бы порекомендовал платформу под названием TensorPort. Это исключительно для TesnorFlow и является простой платформой, о которой я знаю. Код и данные загружаются с помощью git, и они предоставляют модуль python для автоматического переключения путей между удаленным и локальным машинами. Они также предоставляют некоторый код плиты котла для настройки распределенных вычислений, если вам это нужно. Надеюсь это поможет.