教小白在Google Cloud Platform搭建tensorflow2的GPU运行环境
本教程仅供个人学习用，有什么问题也欢迎提出和讨论。
引言
笔者是从慕课网的视频一步步把老师的过程扒下来的，第一次写教程，若有错误可指出，有好的操作也可以分享。
浏览器建议使用Chrome，很多相关的API或者环境配置在tensorflow官网都可以查询到，视频资源推荐B站。
需要用到的linux命令， cd ，ls ，sh，vim ，nohup，wget ，sudo等，
需要用到的vim 命令：按下i进入编辑模式，编辑完成按Esc退出编辑，按：进入命令模式，此时输入wq后回车即保存退出。
一、申请一个Google账号(需要梯子)，一张Visa或master卡
二、申请$300的免费余额（有效期一年）
登录cloud.google.com，点击右上角”开始免费试用“，填写信用卡信息和个人信息，即可获得300刀的余额，有效期一年，此时会扣款1刀（会返还，不会入账），返回首页后点击右上角控制台。
进入控制台后，点击左上角的导航栏，可以在Billing中查看余额和使用情况。
三、申请GPU的使用配额（若只是用CPU可跳过此步）
点击IAM&Admin， Quotas
在Metric中清除所有，选中GPUs(all regions) （此时需要升级用户，即自动续费才可继续进行，信用卡可以解绑，平时注意余额不要超了就好），选择Compute Engine API 的GPU（all regions），点击上方Edit quotas，此时需要填写申请，可以稍微写写，比如“for deep learning homeworks "等等之类，提交后等待管理员审核，审核通过后会发送邮件到Gmail。
收到以下邮件说明申请成功
四、创建虚拟机
点击Compute Engine，选择VM instances，点击Create
1、Region , Zone：不同地区的GPU型号，收费、延迟等都有差别，根据自身情况选择。
2、Machine configuration: 选择机器类型，如图选择4核15GB内存，也可自定义，GPU选的K80（不同地区能用的型号不同，甚至可能没有，多选几个地区查看），右上角有预计费用，显卡的费用较贵，不加GPU每小时几美分，K80大概$0.45/h，足够使用，参考设置如图。
PS：GCP是按开机时间收费的，所以不开机就不收费，不用记得关闭，费用显示的是一个月不关机产生的费用
3、Boost disk：硬盘50GB（可以适量大）系统选择Ubuntu18.04 ，Firewall勾选Allow HTTP 和HTTPs，其他保持默认即可，最后点击Create，机器会自动开机，开关机需等待30s左右，开机成功如下图，关机点击右边的Stop，最好等待显示关机成功后再关闭网页。
开机成功：
五、配置网络环境
静态IP地址配置（建议做）和防火墙Firewall配置，这步是为了能够更方便的连接服务器。
此时35.238.131.27是临时的外部IP地址，手动修改为静态IP，左上角菜单选择VPC network，External IP addresses，将Type修改为Static，名字随意。
然后左侧菜单选择Firewall rules，点击上方Create Firewall rule，如下图修改Targets为all instances ，以源地址过滤的IP允许所有，即地址段写为0.0.0.0/0，同时TCP访问端口增加6000-6500保存。
六、配置CUDA环境
点击SSH，连接到机器控制台，此时即为我们创建的机器，现在机器里很多应用都没有，我们需要装上所需要的环境。
0、为什么是步骤0呢？因为一开始直接从后续的步骤1配置机器没有什么问题，但后面重新创建机器的时候遇到过配置不成功，找了很多个原因，最后通过以下方式配置成功，因此讲其写在前面，可尝试跳过。
打开Nvidia官网找到cuda toolkit （下面地址为cuda10.2 的版本），找到对应版本的驱动，此时我们是Linux X64 Ubuntu 18.04，下方会生成安装代码，可以直接复制到刚刚打开的控制台然后回车等待安装完成。
https://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=1804&target_type=debnetwork
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pin
sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
sudo add-apt-repository "deb http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/ /"
sudo apt-get update
sudo apt-get -y install cuda
1、在Tensorflow的官网找到安装指引（https://www.tensorflow.org/install/gpu ），多个版本的linux系统都有对应的安装方式，我们找到Ubuntu18.04（cuda10.1），下方代码直接复制到控制台回车即可安装，或者通过vim建立一个shell来运行。
我使用脚本运行，vim install.sh 创建一个脚本，然后把上面代码粘贴进去，用sh -x install.sh 运行。
2、测试是否安装成功，可以输入nvidia-smi，若如下显示则安装成功。
六、安装python及其相关配置
1、安装python
sudo apt-get install python3-dev python3-pip2、创建虚拟环境
通过source 命令激活。每次开启服务器都需要通过Source命令激活该环境。
创建该环境是为了能够虚拟出一个环境，可以通过设置多个虚拟环境，各个环境之间不会相互影响，相关命令和原理自行查询不再赘述。激活后用户名前会出现环境名称，激活后可直接使用pip进行安装python库：
sudo pip3 install -U virtualenv
mkdir environment
cd environment
virtualenv --system-site-package -p python3 ./tf_py3
source tf_py3/bin/activate
3、在此环境下安装tensorflow和相关库
pip install --upgrade tensorflow-gpu
pip install numpy matplotlib sklearn pandas jupyter pillow4、测试环境
控制栏输入python，导入tensorflow的包后通过内置的测试函数来测试，若不是如下显示的返回True，尝试重新安装cuda
python
>>>import tensorflow as tf
>>>tf.test.is_gpu_available()
5、使用jupyter进行编辑
输入 jupyter notebook --generate-config 生成配置文件，在主目录用ls -a 就可以查看到.jupyter 的一个文件，进入该目录，用vim编辑jupyter_notebook_config.py这个文件
将以下代码复制进空白区，保存退出，port=6006即外部主机访问该云服务器的jupyter时的端口，可自行修改，但是必须在之前设置的TCP端口范围
c=get_config()
c.NotebookApp.ip='*'
c.NotebookApp.open_browser = False
c.NotebookApp.port=6006
c.NotebookApp.allow_remote_access = True然后回到主目录运行jupyter notebook 会发现下面有提示几种本地访问方式，我们选择通过刚刚设定的静态IP地址访问，打开浏览器输入IP地址：6006 （如35.238.131.27:6006）
下方输入需要设定的密码，还有控制台信息中的token（即等号后面的一长串字符），以后登录就可以直接使用自己设定的密码登录了。
到这里就大功告成了！然后就可以在这里编辑自己的代码啦！
jupyter运行的是ipynb文件，可以在本地编辑好py文件，然后直接upload，或者在控制台使用git clone 从GitHub直接导入代码都可以。
Tips：
1、为jupyter是在前台运行的，我们想要在后台运行可以使用以下命令
nohup jupyter notebook & 然后会返回进程的PID，需要结束是直接kill 即可，具体可自行百度
2、为什么要让jupyter后台运行呢？有一个重要的原因是需要启用tensorflow的tensorboard，回到控制台，cd到你tensorboard的生成目录，用以下代码可以可视化你的权重，其中port=6008即访问的端口，可以直接访问IP地址的端口（如35.238.131.27:6008） tensorboard的使用方法功能也可自行百度，这个可以实时监控模型的训练情况，推荐使用。
tensorboard --logdir=logs --port=6008 --bind_all
参考视频是慕课网（B站有资源）的Tensorflow2.0教程，可自行查阅。