背景
找计算资源跑CNN demo. rmbp没有gpu，跑一个mini batch都要好几秒（单次trainning CPU狂转估计得跑十来分钟）。阿里云/腾讯云的GPU实例贵得吓人，有一个极客云很便宜，但是感觉很不正规。调查下来，Google Cloud注册送钱，生成一个最低配的实例，这些钱可以用很久。于是就他了。
我选的安装栈
- ubuntu18
- nvidia driver
- cuda toolkits（主要是cuda9.0, cudnn）
- miniconda
- tensorflow-gpu
废话
选ubuntu是因为据说跑DL用得最多，出问题好找，选择了最新的ubuntu。 nvidia driver与cuda套件据说比较经常在nvidia官网找版本手动安装，但是我嫌麻烦，用的是ubuntu-drivers工具。装miniconda是为了方便装tensorflow-gpu系列和cuda系列。没有选择anaconda是因为整个套件太大了（12G）…磁盘占用是要钱的。总之，就是在拒绝任何手工编译的原则下，完成安装。tensorflow官网有指导ubuntu16安装gpu套件，因为发行版不匹配我没有尝试…
来了
首先在google cloud平台上生成一个VM实例，我选的是单核CPU+2G内存，（因为计划跑python…多核应该用处不大），GPU不是每个机房都有，选台湾，1个GPU+12G内存，Nvidia Tesla K80，基本就是最便宜的套路了。系统选ubuntu+20G SSD（磁盘选太小了其实）。（后来发现VM Instance关机的时候是不收钱的…其实可以创建一个配置更高的实例，不用的时候关机就好了）
这里有个麻烦的事情是，google cloud在IAM管理-配额里面可以看到GPU数量限制是0，需要在他的界面上请求加数量，（我加的是1），据说加多了会要求充值，不让白嫖…这个审核是人工的，可能得要一点时间，我差不多等了一个小时不到。
管理这个VM，从网页命令行也可以，我使用了gcloud在我本机的命令行远程操作，需要看一点谷歌的说明配置命令。
安装显卡驱动
参考https://linuxconfig.org/how-to-install-the-nvidia-drivers-on-ubuntu-18-04-bionic-beaver-linux安装N卡驱动，我这里的版本是nvidia-390,小版本390.77，然后重启。
主要的命令是
$ ubuntu-drivers devices
$ sudo ubuntu-drivers autoinstall
完事重启以后，
$ nvidia-smi
查看是否成功
运行nvidia-docker检查一下驱动
这里我选择先跑跑看docker验证一下驱动是不是装好了…免得再然后报错不知道到底是驱动的问题还是cuda套件的问题
顺着docker官方指南，安装docker-ce
https://docs.docker.com/install/linux/docker-ce/ubuntu/#set-up-the-repository
安装完docker-ce，按nvidia-docker readme安装支持
https://github.com/NVIDIA/nvidia-docker
跑完readme的安装与验证不算，我还跑了一个tensorflow官网上的docker实例
https://www.tensorflow.org/install/docker
$ docker run -it --rm tensorflow/tensorflow \
python -c "import tensorflow as tf; tf.enable_eager_execution(); print(tf.reduce_sum(tf.random_normal([1000, 1000])))"
完美运行…心满意足去装cuda
安装tensorflow-gpu运行环境
主要需要安装的是cuda和cuDNN，cuDNN就是专门为深度神经网络加速的一个组件。安装了conda之后，这两个东西都可以傻瓜安装，无需编译。
安装conda
https://conda.io/miniconda.html
执行官方的安装脚本，顺着他安装。
完事之后，创建一个conda env
$ conda create -n test python=3.6
$ conda activate test
然后参考https://mc.ai/install-tensorflow-gpu-to-use-nvidia-gpu-on-ubuntu-18-04-do-ai/
最后部分，使用conda安装所有的python开发套件
$ conda install \
tensorflow-gpu==1.10.0 \
cudatoolkit==9.0 \
cudnn=7.1.2 \
h5py
按照文章中的简单python脚本，测试tensorflow在gpu上的运行
import tensorflow as tf
print("tf version = ", tf.__version__)
with tf.device('/gpu:0'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
with tf.Session() as sess:
print (sess.run(c))
再来一个tensorflow官方给的gpu demo（这个其实我没试）
https://www.tensorflow.org/guide/using_gpu
# Creates a graph.
with tf.device('/device:GPU:0'):
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))
跑一个正式的demo
运行https://github.com/astorfi/TensorFlow-World/tree/master/codes/3-neural_networks/convolutional-neural-network
中CNN在MINIST数据集上的例子（也就是我在本机CPU版本上十几分钟都跑不完的demo）
注意，在train.sh中修改--log_device_placement置为True，观察gpu是否被使用了。
结果十几秒就跑完了一次trainning…相比之下，我RBMP上的3.1GHz的CPU也算是苹果笔记本里能打的了…跑浮点GPU厉害太多了…
总结
下次磁盘可以开大点…CPU，内存，GPU都是可以事后加的，磁盘分区不能直接扩容，挺麻烦的。
以及
白嫖，爽~