Google推深度学习容器用户能在本地和云端建立一致的开发环境

Google推出深度学习专用的容器测试版，这是一个预先打包的容器，经过效能最佳化以及相容性测试，供开发者开箱即用，深度学习容器内含资料科学常用的工具包含Python 3环境，以及GPU用的Nvidia堆叠。深度学习容器提供多种版本，Google也为硬体最佳化了内含的TensorFlow，能用户在GPU进行训练，也可以在CPU上部署。

Google提到，启动并执行机器学习专案，所花的时间通常出乎意料，开发者的目标迭代并改善机器学习模型，但是却要花费不少的时间，管理软体堆叠的相容性或是其他複杂的环境设定，以维持环境的一致性，确保实验结果正确且可重複，而且当机器学习专案开发跨本地端以及云端，要维持相依项目正确打包，并可以在其他Runtime上执行，更是一项不容易的工程。

为此，Google推出了一系列深度学习容器，提供可移植且一致的开发与测试环境，这些Docker映像档支援了经过调校的热门开发框架，可让用户随时部署使用。

深度学习容器不只可以部署在本地端，还能在需要的时候部署到云端，以获得更强而有力的运算资源，深度学习容器提供了跨Google各云端服务一致的开发环境，让用户可以灵活地在云端扩展，或是与企业内部部署互通转移。

不过，在云端又可能会缺乏本地端资料以及套件的支援，而Google解决了这个问题，让用户以本地档案扩充深度学习容器，用户可以将这些客製化的容器部署到Cloud AI Platform Notebooks实例以及GKE上。深度学习容器可以自由地部署在GKE、AI Platform、Cloud Run、Compute Engine，甚至是Docker Swarm上。

所有的深度学习容器都拥有预先配置的Jupyter环境，因此每个容器都可以作为开发雏形空间，而且也都拥有与相对应的深度学习虚拟机器相同的Python 3环境，包括资料科学框架Conda，以及GPU映像档Nvidia堆叠，像是UDA、cuDNN和NCCL。Google提到，要使用支援GPU的容器，用户电脑必须安装相容于CUDA 10的GPU，以及相关的驱动程式和nvidia-docker。

目前在深度学习容器初始版本，提供了TensorFlow 1.13、TensorFlow 2.0、PyTorch和R语言容器，Google接下来会补齐所有深度学习虚拟机器有提供的类型。