【機器學習從零到一】 Day1: 建立 GCP 機器 — VM 執行個體

從學生時期開始接觸機器學習，當初以為的 Machine learning 就只要會處理資料、訓練模型、得到比較高的準確率，然後就此結束，但出社會後發現，從 Jupyter 到 Production 的路還有段距離，那該怎麼辦呢？

因此，接下來將會分幾個章節來介紹：

1. 建立 GCP 機器 — VM 執行個體
2. 建立機器學習環境 (GPU environment)
3. Pytorch 介紹與範例 (image classification)
4. Data science 的版控 → DVC 的建立與使用
5. 利用 Flask 部署機器學習套件
6. 利用Docker 建立機器學習容器

架設機器

這次選擇的平台是 Google Cloud Platform (GCP) ，目前只要一註冊登入後，即享有 300 美元的免費試用額度，並且也提供了完整的服務以及流程。

圖（一）： GCP免費方案

Step 1：建立專案

註冊登入後，由於GCP 是一個以專案為主的環境，不管是在建立機器或者操作 Bucket 等等，都需要先「選擇專案」，建立專案的方法也很簡單如圖（二）以及圖（三）所示。

圖（二）：GCP 建立專案 — 1

圖（三）：GCP 建立專案 — 2

(Step 2: 升級帳號)

如果需要開啟GPU，需要先將Quota打開，打開方式如下：

圖（四）：升級帳號

點擊升級帳戶，並且輸入個人資料，如圖（五）、圖（六）所示

圖（五）：升級帳戶

升級後即可編輯你的配額，我們這次是將原本 GPU 配額為 0 的項目改為 1

圖（六）：修改配額

編輯配額還需要填寫基本資訊

圖（七）：升級帳戶 — 填寫資料

圖（八）：升級帳戶 — 填寫資料

編輯好送出後會跳出訊息：系統處理好後會再寄信到你的 Email 通知你，約等待兩個小時，就被通知同意了。

圖（九）：通知

Step 3: 建立 VM 執行個體

建立好專案後，開機器的方式如下

1. 選擇左方 Compute Engine
2. 再進一步選擇 VM 執行個體

圖（十）：GCP 開機器的步驟

圖（十一）：建立 VM 執行個體

點擊免費申請試用後，會需要先輸入一些基本個資，並且 Google 承諾並不會在免費試用過後自動扣款，如圖（十二）所示，填完個資送出後，約等個3~5分鐘後就會自動跳轉頁面，如圖（十三）所示。

圖（十二）：免費試用

圖（十三）：啟動計費功能

點擊「啟用計費功能」後，會看到圖（十四），會需要等待約3~5分鐘，啟用後即可點擊「建立」。

圖（十四）：啟用 Compute engine

1. OS: Ubuntu 16.04 LTS
2. Hard Disk: 20 GB
3. CPU: 4 顆
4. Memory: 15 GB
5. GPU: 1 顆 Tesla K80 （在不同的區域的 GPU 設備也有可能不同）

圖（十五）：VM 配備

成功後會如同下圖所示

圖（十六）：成功後顯示

Step 4：ssh 連線

在連線之前，需要加入本機端的 ssh key，才可以進一步連線，而本機端的 ssh key 在哪裡呢？ 參考：生成 SSH 公開金鑰

產生好 ssh key 之後，可以直接將全部複製 ssh-rsa ….. MacBook-air 整段複製到 GCP 當中，並且按儲存即可。

$ cat ~/.ssh/id_rsa.pub
ssh-rsa AAAAB3NzaC1yc2EAAAADAQABAA ... SeTR pj@PJs-MacBook-Air

圖（十七）：編輯 VM

完成後，即可從 local 連線上去，IP 為下圖的外部 IP

圖（十八）：外部 IP

$ ssh 34.83.140.188

成功後如下圖所示

圖（十九）：成功連線

Next…

下一章，會來開始安裝大家最苦惱的環境問題，當中會介紹如何建立 GPU 環境、虛擬環境、Jupyter notebook 遠端連線、套件…等

Day 2: 建立機器學習環境 (GPU environment)

Error Message

若出現 Quota ‘GPUS_ALL_REGIONS’ exceeded. Limit: 0.0 globally.等相關錯誤，請返回步驟二。

如果喜歡我的文章內容，請幫我多多鼓掌

1 個鼓掌：喜歡這篇的內容

10個鼓掌：期待這一系列的課程

30個鼓掌：希望未來能有更多相關文章