如何在谷歌云上启动深度学习虚拟机 | Ubuntu

在本地设置深度学习环境通常是一个复杂且耗时的过程。管理CUDA驱动程序、解决Python库冲突以及确保充足的GPU资源只是开发者在开始编码之前面临的部分挑战。为了解决这些问题，谷歌云和Canonical合作提供了基于Ubuntu Accelerator Optimized OS的深度学习虚拟机镜像。这些虚拟机经过预配置和专门优化，适用于机器学习和数据科学工作负载，大大简化了设置过程。\n\n这些深度学习虚拟机预装了流行的机器学习框架，如PyTorch，并配备了经过验证的NVIDIA GPU驱动程序。这消除了手动安装和配置的需求，使用户能够在部署后立即开始训练模型。此外，这些虚拟机还无缝集成了JupyterLab，开箱即用地提供了交互式开发和实验环境。\n\n在谷歌云平台（GCP）上启动深度学习虚拟机的第一步是访问GCP市场，而不是创建标准的计算引擎实例。登录谷歌云控制台后，在搜索栏输入“Deep Learning VM”即可找到谷歌发布的深度学习虚拟机产品。选择该产品并点击“启动”，即可进入部署配置页面，自定义实例设置。\n\n部署时的关键配置包括选择支持所需GPU类型的区域，选择CPU和内存规格的机器类型，以及指定GPU型号，如NVIDIA T4、A100或H100（如果需要GPU）。设置完成后，点击“部署”即可开始创建虚拟机实例。\n\n部署完成后，虚拟机会出现在计算引擎的虚拟机实例列表中，用户可以通过浏览器内置的SSH终端访问。下一步重要操作是通过在SSH终端运行“nvidia-smi”命令，验证NVIDIA驱动是否正确加载。该命令会输出显示GPU和CUDA版本的表格。用户还应通过执行“pip show torch”等命令确认预装的机器学习库如PyTorch的存在。\n\n总之，使用这些深度学习虚拟机在GCP上创建一个完全配置的深度学习环境是一个简化的流程，节省了大量手动设置时间。凭借GPU支持、预装库和集成工具如JupyterLab，用户可以快速专注于模型开发和训练。然而，需注意GPU虚拟机的费用，并在不使用时停止实例以避免不必要的开销。更多信息，用户可探索Canonical在GCP上的其他产品，或了解使用Ubuntu AI镜像优化AI工作负载。