谷歌云平台上搭建带有 GPU 计算能力的实例

图片来源于 Unsplash 作者为 chuttersnap

最近，团队里希望能够在神经网络上和深度学习上做些实验，想做些概念证明工作。

因此，我需要搭建一台能给我 GPU 计算能力的计算机。我决定了在谷歌的云平台上搭建一台。以下是考虑的因数，

• 在谷歌上注册新用户都能够获取到300美金的代金券

• 现在谷歌上有的 GPUs 类型有两款 (Nvidia K80/P100)

• 我可以在服务器上安装 CUDA 和 cnDNN

注册新用户

首先，注册新的谷歌帐号。

接着，注册谷歌云平台帐号。

谷歌云平台登入页面

备注

• 谷歌云平台免费实用期为12月，价值300美金代金券
• 在注册谷歌云品台时会用到信用卡。即使是免费注册也需要有效的信用卡号

设置预算预警

我建议在添加任何新的功能前，先吧预算预警设好，应为毕竟我们只有300美金的余额。可以跟着以下步骤，进行设置。

登入到 “结算 > 预算和提醒” 点击 “创建新预算”。

设置新预算提醒网页

创建新预算时，切记把预算金额设置为 $300。

设置 GPU 硬件

谷歌上的免费帐号权限只有最基本的配额。GPU 其实不在这基本的配额上。我们需要向平台申请修改配额。

不过免费帐号是不能申请 GPU 的。我们首先必须做的是从免费版升级到付费版。

升级的步骤如以下，

登入到 “IAM 和管理 > 配额”。右上角附近点击 “升级帐号”。升级后才能申请添加 GPU 的配额。

成功升级后，在列表里的下啦框里，选择适当的指标后应该可在亚洲服务器上找到有关的 GPU。

在写这篇文章时的，只有东亚1 (Asia-East1) 有所需要的 GPU。

选GPU的配额

唯一美中不足的一点是，在提交配额升级的过程时我们需要付一批35美金的激活费。考虑到价格，我的 GPU 选了一架 Nvidia 的 K80 GPU.

备注

• 一般申请流程需要 2–3 工作日
• 还有在写文章的时间时，K80 比 P100 的计算费用按月来算差别为 500美金，因为 P100 已经超出我的预算，所以选择了 K80

以上的流程一旦通过，我们可以开始搭建新的实例。因项目的需求，我选择了以下的配置，

实例配置

• 地区：asia-east1-a
• 机器类型：1 x vCPU
• 内存：3.75GB
• GPU：1 x K80
• OS: Ubuntu 16.04
• Cloud API 访问权限范围：允许所有 Cloud API 的全面访问权限

实例搭建好之后，你可以通过几种方式登入到实例上做一系列的操作。最普遍的方式应该有，

1. 直接从游览器上打开
2. 用 ssh 客户段
3. 用谷歌的 gcloud 命令

我选这了用第三种方式。gcloud 命令。

本地机上安装 gcloud 程序

因为我的本地机上的系统是 macOS，以下的内容将针对我所经验过的步骤。如果需要用其他的系统可以参考以下链接，

• Creating Instance with Custom Machine
• Redhat CentOS Quickstart
• Debian Ubuntu Quickstart
• Windows Quickstart

在你的本地 macOS 上，确保你已经有 python 2.7，如果需要的，可以用 vitualenv 或 conda 安装 python。

登入到 macOS Quickstart 下载针对您的 macOS 系统的 gcloud 安装包。然后运行安装脚本 ./google-cloud-sdk/install.sh。

如果您遇到如以下的问题/报错，

UnicodeDecodeError: 'ascii' codec can't decode byte 0xe2 in position 262: ordinal not in range(128)

您可以直接把程序的命令脚本文件连接到您的 rc 文件里，例如 ~/.bashrc, 记得保存后运行 source ~/.bashrc/。以下的命令，可以把自己的参数替换掉。

$ echo 'export PATH=/where-you-unzipped/google-cloud-sdk/bin:$PATH' >> ~/.bashrc

$ source ~/.bashrc

运行 gcloud init 把初始化的流程走完，问题回答完。

流程走完后，登入到实例的命令如以下，记得把需要的参数改为自己的参数。

$ gcloud compute --project 'your-project' ssh --zone 'your-zone' 'your-instance-name'

Done! You should now have access to GCP instance.

If you want to start using your GPUs, look at the steps I took to install CUDA and cuDNN.