硬件方面，超过一半的被调查者明确表示自己的深度学习硬件是英特尔 Core i7 + 英伟达 Geforce GTX 1080（Ti）的组合。与 TitanX 相比，英伟达 Tesla 系列的应用显得更少，看来英伟达推动的商用机器学习计算卡仍然需要进一步的推广。由于资源限制，GPU 阵列的使用并不流行，而云服务也没有被大部分开发者采用（也是经费原因）。

目前，虽然人们对于多 GPU/分布式机器学习训练/处理的呼声很高，但相关的教程和可以借鉴的方法仍显欠缺，这或许是经费之外人们面临的最大难题。

四、系统

Linux 显然是深度学习的必备系统，虽然 TensorFlow 已有 Windows 支持，但大多数受访者表示自己的深度学习机器使用基于 Linux 的 Ubuntu 系统。

五、面临的难题

在搭建深度学习环境的过程中，各组件的兼容性问题一直是困扰开发者们的难题，部分开发者表示依赖关系处理比较头疼，而使用 Docker 可以部分解决这些问题。英伟达的 cuda/GPU 驱动程序安装困难也是很多调查者提到的问题。

需要配置安装很多不同的开发框架……还有扩展计算集群……

本次深度学习开发环境调查已经结束，由于样本数量限制，这次我们得出的结论可能不甚准确。深度学习的开发环境会随着技术的发展不断进化，未来究竟是百家争鸣，还是一家独大？欢迎大家前来讨论。感谢大家对机器之心此次调查问卷的支持，获得奖品同学的礼物已经寄出。

Jupyter + Tensorflow + Nvidia GPU + Docker + Google Compute Engine

这一部分，我们编译了一篇新的深度学习开发环境配置：Jupyter + Tensorflow + Nvidia GPU + Docker + Google Compute Engine。

动机：商业上喜欢快捷、且由数据驱动的洞见，因此他们聘请了数据科学家来处理这些任务。实践性的数据科学是探索性、迭代性的过程，这个过程要求大量的计算资源和时间。数据科学家经常使用 Jupyter notebook 以更好地支持这种探索性的迭代，同时更倾向于使用 GPU 以加速 Tensorflow 项目的计算。然而，GPU 成本比较高，而计算资源也需要小心地管理以满足商业上对高效运算的需求。

近来云计算倾向于使用 Kubernetes 和 Docker 提高资源利用率。那数据科学的工具（如 Jupyter 和 GPU 等）嵌入 Docker 和 Kubernets 会更有效吗？也许这样更节约时间和内存，我前面已经用过了其他版本，但现在的环境配置是比较优秀的。

创建一个 GCE 实例

首先，创建防火墙规则，将 Jupyter（8888）和 Tensorboard（6006）添加到白名单中。

然后创建一个 GCE 实例，对于该案例：

使用的系统为 Ubuntu 16.04 LTS

分配 50GB 的启动盘

至少需要一个 K80 GPU

将 jupyter 和 tensorboard添加到你创建的防火墙规则中。

安装和确认 CUDA 能访问 GPU

使用英伟达的 CUDA 库取得访问 GPU 的权限。

下一步需要将 SSH 添加到你创建的计算节点中，然后使用脚本安装 CUDA（https://cloud.google.com/compute/docs/gpus/add-gpus）：

#!/bin/bash

echo "Checking for CUDA and installing."

# Check for CUDA and try to install.

if ! dpkg-query -W cuda; then

# The 16.04 installer works with 16.10.

curl -O

dpkg -i ./cuda-repo-ubuntu1604_8.0.61-1_amd64.deb

apt-get update

apt-get install cuda -y

fi

然后你能使用 wget 命令 pull 来源 gist 并输入到 bash 中：

如果 CUDA 安装成功了，运行 nvidia-smi 命令将返回表格显示可用的 Tesla K80 GPU：

nvidia-smi

安装 Docker(-Engine) 和 Nvidia-Docker