深度学习需要用到GPU的并行计算能力进行加速，由于不方便安装台式机，计划用云GPU进行，以国内某知名云为例：

CPU: E5 4vCPU，内存: 30G，GPU: NVIDIA P100，SSD: 40G，硅谷节点(无国内节点)，包月5460.80元

而Google Cloud Compute Engine提供以小时计费的GPU计算单元(关机后不收费)，相似配置需要894.06美元/月（约6000元），如果按小时计费，约1.225美元/小时，所以如果是学习为目的的话Google Cloud还是非常划算的。

1.创建Google Compute Engine

选择Compute Engine -> VM instances -> Create Instance

选择适合你的CPU、GPU、内存配置，可以先选低一点，后期随时可以调，GPU也是，我选择了如下配置：

接着配置启动磁盘，这里选择了对新手友好的Ubuntu，如果对速度有要求，建议勾选SSD（后期不能更改类型，但可以更改容量），大小不要太低，也不用太高，后期可以再加存储：

最后勾选上允许HTTP/HTTPS，点击Create创建。

2.配置服务器

服务器创建好后就自动启动了，但是没有添加公钥，还不能访问，在本机生成SSH私钥和公钥（过程略），在Compute Engine页面选择Metadata -> SSH Keys 添加。可以把最后一行==后面的改成密钥的名称 (等号后有一个空格)，保存。

如果需要使用SSH 用户名/密码 的方式登录，需要设置密码：

点击instance旁边网页版的SSH：

连接后 sudo passwd username 设置密码即可

接着就可以选择你喜欢的SSH客户端登录了

为了能正常使用jupyter notebook，需要配置防火墙：

选择VPC network -> Firewall rules

添加一条允许jupyter8888端口通过的规则：

3.安装anaconda

创建环境

进入Anconda的下载页面: https://www.anaconda.com/downloads，选择Linux，下载，然后取消下载(因为太慢，而且还不在服务器上)，进入下载页面，复制刚才的下载链接，例如：https://repo.anaconda.com/archive/Anaconda3-5.2.0-Linux-x86_64.sh

进入服务器，使用wget下载：

下载好后安装：

安装过程中一路Enter，接受条款yes，加入环境yes，安装VSCode No（命令行怎么用VSCode呀）

重新加载bashrc：

4. 安装相关包

首先创建一个专用的环境，这里用python2.7

激活环境

安装包

5. 安装CUDA

使用Google Cloud提供的脚本：

创建文件： touch install-cuda.sh

编辑 vim install-cuda.sh  保存退出

执行： sudo bash install-cuda.sh

完成后执行 nvidia-smi 测试：

可以看到相关GPU的信息，内存，温度，占用等