Como lançar uma VM de Deep Learning na Google Cloud | Ubuntu

Configurar um ambiente de deep learning localmente pode muitas vezes ser um processo complicado e demorado. Gerir drivers CUDA, resolver conflitos entre bibliotecas Python e garantir recursos adequados de GPU são apenas alguns dos desafios que os programadores enfrentam antes mesmo de começarem a codificar. Para resolver estas questões, a Google Cloud e a Canonical colaboraram para oferecer Imagens de VM de Deep Learning baseadas no Ubuntu Accelerator Optimized OS. Estas máquinas virtuais vêm pré-configuradas e otimizadas especificamente para cargas de trabalho de machine learning e ciência de dados, simplificando significativamente o processo de configuração.\n\nEstas VMs de Deep Learning chegam com frameworks populares de machine learning, como o PyTorch, já instalados, juntamente com drivers NVIDIA GPU verificados. Isto elimina a necessidade de instalação e configuração manual, permitindo aos utilizadores começar a treinar modelos imediatamente após o lançamento. Além disso, estas VMs incluem integração perfeita com o JupyterLab, proporcionando um ambiente interativo para desenvolvimento e experimentação desde o início.\n\nLançar uma VM de Deep Learning na Google Cloud Platform (GCP) começa por navegar no Marketplace da GCP em vez de criar uma instância padrão do Compute Engine. Após iniciar sessão no Google Cloud Console, digitar "Deep Learning VM" na barra de pesquisa levará ao produto Deep Learning VM publicado pela Google. Ao selecionar este produto e clicar em "Lançar", é direcionado para uma página de configuração de implantação onde pode personalizar a sua instância.\n\nAs configurações principais durante a implantação incluem selecionar uma zona que suporte o tipo de GPU preferido, escolher o tipo de máquina para especificações de CPU e RAM, e especificar o modelo de GPU como NVIDIA T4, A100 ou H100 se for necessária uma GPU. Uma vez finalizadas estas definições, clicar em "Implantar" inicia a criação da instância VM.\n\nApós a implantação, a VM aparece na lista de Instâncias VM do Compute Engine, onde pode aceder a ela através do terminal SSH no navegador. O próximo passo importante é verificar se os drivers NVIDIA foram carregados corretamente executando o comando "nvidia-smi" no terminal SSH. Este comando apresenta uma tabela com os detalhes da GPU e da versão CUDA instalada. Os utilizadores devem também confirmar a presença das bibliotecas de machine learning pré-instaladas, como o PyTorch, executando comandos como "pip show torch."\n\nEm resumo, criar um ambiente de deep learning totalmente configurado na GCP usando estas VMs de Deep Learning é um processo simplificado que poupa horas de configuração manual. Com suporte a GPU, bibliotecas pré-instaladas e ferramentas integradas como o JupyterLab, os utilizadores podem concentrar-se em desenvolver e treinar modelos rapidamente. No entanto, é importante estar atento ao custo associado às VMs com GPU e parar as instâncias quando não estiverem em uso para evitar cobranças desnecessárias. Para mais informações, os utilizadores podem explorar ofertas adicionais da Canonical na GCP ou aprender sobre a otimização de cargas de trabalho de IA usando imagens Ubuntu AI.