基於ZStack構建深度學習雲平臺

 

  深度學習是機器學習和人工智能研究的熱門分支，也是當今最流行的科學研究趨勢之一。深度學習方法爲計算機視覺、機器學習帶來了革命性的進步，而新的深度學習技術也正在不斷誕生。因爲深度學習正快速發展，新的研究者很難對這一技術實時跟進。國內各大公有云廠商都提供了相應的深度學習相關產品，但對於初學者並不那麼實用。本文將介紹基於產品化雲平臺——ZStack，來構建對初學者友好、易運維、易使用的深度學習雲平臺。

因爲ZStack的輕量性，咱們僅經過一臺普通PC機就能部署雲平臺，進而實現深度學習平臺構建。讀者可結合本文輕鬆擴展出規模更大、功能更爲完備的深度學習雲平臺。

1 、ZStack簡介

ZStack是下一代開源的雲計算IaaS（基礎架構即服務）軟件。它主要面向將來的智能數據中心，經過提靈活完善的APIs來管理包括計算、存儲和網絡在內的數據中心資源。用戶能夠利用ZStack快速構建本身的智能雲數據中心，也能夠在穩定的ZStack之上搭建靈活的雲應用場景。

 

ZStack功能架構

 

ZStack產品優點：

ZStack是基於專有云平臺4S（Simple簡單，Strong健壯，Scalable彈性，Smart智能）標準設計的下一代雲平臺IaaS軟件。

 

1. 簡單（Simple）

• 簡單安裝部署：提供安裝文件網絡下載，30分鐘完成從裸機到雲平臺的安裝部署。

• 簡單搭建雲平臺：支持雲主機的批量（生成，刪除等）操做，提供列表展現和滑窗詳情。

• 簡單實用操做：詳細的用戶手冊，足量的幫助信息，良好的社區，標準的API提供。

• 友好UI交互：設計精良的專業操做界面，精簡操做實現強大的功能。

 

2. 健壯（Strong）

• 穩定且高效的系統架構設計：擁有全異步的後臺架構，進程內微服務架構，無鎖架構，無狀態服務架構，一致性哈希環，保證系統架構的高效穩定。目前已實現：單管理節點管理上萬臺物理主機、數十萬臺雲主機；而多個管理節點構建的集羣使用一個數據庫、一套消息總線可管理十萬臺物理主機、數百萬臺雲主機、併發處理數萬個API。

• 支撐高併發的API請求：單ZStack管理節點能夠輕鬆處理每秒上萬個併發API調用請求。

• 支持HA的嚴格要求：在網絡或節點失效狀況下，業務雲主機可自動切換到其它健康節點運行；利用管理節點虛擬化實現了單管理節點的高可用，故障時支持管理節點動態遷移。

 

3. 彈性（Scalable）

• 支撐規模無限制：單管理節點可管理從一臺到上萬臺物理主機，數十萬臺雲主機。

• 全API交付：ZStack提供了全套IaaS API，用戶可以使用這些APIs完成全新跨地域的可用區域搭建、

網絡配置變動、以及物理服務器的升級。

• 資源可按需調配：雲主機和雲存儲等重要資源可根據用戶需求進行擴縮容。ZStack不只支持對雲主

機的CPU、內存等資源進行在線更改，還可對雲主機的網絡帶寬、磁盤帶寬等資源進行動態調整。

 

4. 智能（Smart）

• 自動化運維管理：在ZStack環境裏，一切由APIs來管理。ZStack利用Ansible庫實現全自動部署和

升級，自動探測和重連，在網絡抖動或物理主機重啓後能自動回連各節點。其中定時任務支持定時

開關雲主機以及定時對雲主機快照等輪詢操做。

• 在線無縫升級：5分鐘一鍵無縫升級，用戶只需升級管控節點。計算節點、存儲節點、網絡節點在

管控軟件啓動後自動升級。

• 智能化的UI交互界面：實時的資源計算，避免用戶誤操做。

• 實時的全局監控：實時掌握整個雲平臺當前系統資源的消耗狀況，經過實時監控，智能化調配，從

而節省IT的軟硬件資源。

 

0x2 構建深度學習平臺

 

2.1 組件部署介紹

• TensorFlow

是一個開放源代碼軟件庫，用於進行高性能數值計算。藉助其靈活的架構，用戶能夠輕鬆地將計算工做部署到多種平臺（CPU、GPU、TPU）和設備（桌面設備、服務器集羣、移動設備、邊緣設備等）。TensorFlow最初是由 Google Brain 團隊中的研究人員和工程師開發的，可爲機器學習和深度學習提供強力支持，而且其靈活的數值計算核心普遍應用於許多其餘科學領域。

• cuDNN

NVIDIA CUDA深層神經網絡庫（cuDNN）是一種用於深層神經網絡的GPU加速庫原始圖形。cuDNN爲標準例程提供了高度調優的實現，如前向和後向卷積、池化、歸一化和激活層。cuDNN是NVIDIA深度學習SDK的一部分。

• TensorBoard

是一個可視化工具，可以有效地展現Tensorflow在運行過程當中的計算圖、各類指標隨着時間的變化趨勢以及訓練中使用到的數據信息。

• Jupyter

Jupyter是一個交互式的筆記本，能夠很方便地建立和共享文學化程序文檔，支持實時代碼，數學方程，可視化和 markdown。通常用與作數據清理和轉換，數值模擬，統計建模，機器學習等等。

2.2 雲平臺環境準備

環境介紹

本次使用以下配置構建深度學習平臺：

物理服務器配置	GPU型號	雲主機配置	雲主機系統	IP地址	主機名
Intel(R) i5-3470 DDR3 24G	NVIDIA QuadroP2000	8vCPU16G	CentOS7.4	192.168.66.6	GPU-TF

本次使用一臺普通PC機部署ZStack雲平臺，使用雲平臺中GPU透傳功能將一塊NVIDIA QuadroP2000顯卡透傳給一個CentOS7.4虛擬機，進行平臺的構建。

ZStack雲平臺部署步驟詳情參考官方文檔：https://www.zstack.io/help/product_manuals/user_guide/3.html#c3

2.2.1 建立雲主機

選擇「雲資源池」à點擊「雲主機」à點擊「建立雲主機按鈕」打開雲主機建立頁面；

建立雲主機的步驟：

一、選擇添加方式； 平臺支持建立單個雲主機和建立多個雲主機，根據需求進行選擇。

二、設置雲主機名稱；在設置名稱時建議以業務系統名稱進行命名，方便管理運維。

三、選擇計算規格；根據定義的計算規格結合業務需求選擇適合的計算規格。

四、選擇鏡像模板；根據業務需求選擇相應的鏡像模板。

五、選擇三層網絡；在新版本中平臺三層網絡同時支持IPv4和IPv6，請根據自身業務需求進行選擇；同時也能夠在建立雲主機過程當中設置網卡屬性。

六、確認配置無誤後點擊「肯定」開始建立。

 

  2.2.2 透傳GPU操做

點擊雲主機名稱à點擊配置信息；

找到GPU設備標籤，點擊操做à選擇加載，而後選擇相應的GPU設備給雲主機直接使用。

0x3 開始部署

3.1 運行環境準備

安裝pip # curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py # python get-pip.py # pip --version pip 18.1 from /usr/lib/python2.7/site-packages/pip (python 2.7) # python --version Python 2.7.5 安裝GCC G++ # yum install gcc gcc-c++ # gcc --version gcc (GCC) 4.8.5 20150623 (Red Hat 4.8.5-36) 安裝一些須要的包 #yum -y install zlib* #yum install openssl-devel -y #yum install sqlite* -y 升級CentOS默認Python2.7.5版本到3.6.5 下載Python源碼包 # wget -c https://www.python.org/ftp/python/3.6.5/Python-3.6.5.tgz 解壓源碼包 # tar -zvxf Python-3.6.5.tgz 進入源碼目錄 # cd Python-3.6.5/ # ./configure  --with-ssl 編譯並安裝 # make && make install 查看一下新安裝的python3的文件位置 # ll /usr/local/bin/python* 設置python默認版本號爲3.x # mv /usr/bin/python /usr/bin/python.bak # ln -s /usr/local/bin/python3 /usr/bin/python 查看一下2.x版本的文件位置 # ll /usr/bin/python* 爲使yum命令正常使用，須要將其配置的python依然指向2.x版本 # vim /usr/bin/yum #vim /usr/libexec/urlgrabber-ext-down 將上面兩個文件的頭部文件修改成老版本便可 !/usr/bin/python --> !/usr/bin/python2.7 安裝python-dev、python-pip # yum install python-dev python-pip -y 禁用自帶Nouveau驅動 Nouveau使用 # lsmod | grep nouveau nouveau              1662531  0 mxm_wmi                13021  1 nouveau wmi                    19086  2 mxm_wmi,nouveau video                  24538  1 nouveau i2c_algo_bit           13413  1 nouveau drm_kms_helper        176920  2 qxl,nouveau ttm                    99555  2 qxl,nouveau drm                   397988  5 qxl,ttm,drm_kms_helper,nouveau i2c_core               63151  5 drm,i2c_piix4,drm_kms_helper,i2c_algo_bit,nouveau #vim /usr/lib/modprobe.d/dist-blacklist.conf # nouveau blacklist nouveau options nouveau modeset=0 :wq 保存退出 # mv /boot/initramfs-$(uname -r).img /boot/initramfs-$(uname -r).img.bak 備份引導鏡像 # dracut /boot/initramfs-$(uname -r).img $(uname -r) 重建引導鏡像 # reboot #lsmod | grep nouveau  再次驗證禁用是否生效

 

3.2 安裝CUDA

升級內核： # rpm -import https://www.elrepo.org/RPM-GPG-KEY-elrepo.org # rpm -Uvh http://www.elrepo.org/elrepo-release-7.0-2.el7.elrepo.noarch.rpm # yum -y --enablerepo=elrepo-kernel install kernel-ml.x86_64 kernel-ml-devel.x86_64 查看內核版本默認啓動順序： awk -F\' '$1=="menuentry " {print $2}' /etc/grub2.cfg CentOS Linux (4.20.0-1.el7.elrepo.x86_64) 7 (Core) CentOS Linux (3.10.0-862.el7.x86_64) 7 (Core) CentOS Linux (0-rescue-c4581dac5b734c11a1881c8eb10d6b09) 7 (Core) #vim /etc/default/grub GRUB_DEFAULT=saved 改成GRUB_0=saved 運行grub2-mkconfig命令來從新建立內核配置 # grub2-mkconfig -o /boot/grub2/grub.cfg #reboot # uname -r 重啓後驗證一下內核版本 4.20.0-1.el7.elrepo.x86_64 CUDA Toolkit安裝有兩種方式： Package安裝 (RPM and Deb packages) Runfile安裝 這裏選擇使用Runfile模式進行安裝 安裝包下載：https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda_10.0.130_410.48_linux 根據自身操做系統進行安裝包篩選，並下載。複製下載連接直接用wget -c命令進行下載 # wget -c https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda_10.0.130_410.48_linux #chmod +x cuda_10.0.130_410.48_linux #./cuda_10.0.130_410.48_linux Do you accept the previously read EULA? accept/decline/quit:    accept Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48? (y)es/(n)o/(q)uit: y Install the CUDA 10.0 Toolkit? (y)es/(n)o/(q)uit: y Enter Toolkit Location [ default is /usr/local/cuda-10.0 ]: Do you want to install a symbolic link at /usr/local/cuda? (y)es/(n)o/(q)uit: y Install the CUDA 10.0 Samples? (y)es/(n)o/(q)uit: y Enter CUDA Samples Location  [ default is /root ]: 配置CUDA運行環境變量： # vim /etc/profile # CUDA export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} # source /etc/profile 檢查版本 # nvcc --version nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2018 NVIDIA Corporation Built on Sat_Aug_25_21:08:01_CDT_2018 Cuda compilation tools, release 10.0, V10.0.130   使用實例驗證測試CUDA是否正常：   #cd /root/NVIDIA_CUDA-10.0_Samples/1_Utilities/deviceQuery # make "/usr/local/cuda-10.0"/bin/nvcc -ccbin g++ -I../../common/inc  -m64    -gencode arch=compute_30,code=sm_30 -gencode arch=compute_35,code=sm_35 -gencode arch=compute_37,code=sm_37 -gencode arch=compute_50,code=sm_50 -gencode arch=compute_52,code=sm_52 -gencode arch=compute_60,code=sm_60 -gencode arch=compute_61,code=sm_61 -gencode arch=compute_70,code=sm_70 -gencode arch=compute_75,code=sm_75 -gencode arch=compute_75,code=compute_75 -o deviceQuery.o -c deviceQuery.cpp "/usr/local/cuda-10.0"/bin/nvcc -ccbin g++   -m64      -gencode arch=compute_30,code=sm_30 -gencode arch=compute_35,code=sm_35 -gencode arch=compute_37,code=sm_37 -gencode arch=compute_50,code=sm_50 -gencode arch=compute_52,code=sm_52 -gencode arch=compute_60,code=sm_60 -gencode arch=compute_61,code=sm_61 -gencode arch=compute_70,code=sm_70 -gencode arch=compute_75,code=sm_75 -gencode arch=compute_75,code=compute_75 -o deviceQuery deviceQuery.o mkdir -p ../../bin/x86_64/linux/release cp deviceQuery ../../bin/x86_64/linux/release # cd ../../bin/x86_64/linux/release/ # ./deviceQuery #./deviceQuery Starting...    CUDA Device Query (Runtime API) version (CUDART static linking)   Detected 1 CUDA Capable device(s)   Device 0: "Quadro P2000"   CUDA Driver Version / Runtime Version          10.0 / 10.0   CUDA Capability Major/Minor version number:    6.1   Total amount of global memory:                 5059 MBytes (5304745984 bytes)   ( 8) Multiprocessors, (128) CUDA Cores/MP:     1024 CUDA Cores   GPU Max Clock rate:                            1481 MHz (1.48 GHz)   Memory Clock rate:                             3504 Mhz   Memory Bus Width:                              160-bit   L2 Cache Size:                                 1310720 bytes   Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)   Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers   Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers   Total amount of constant memory:               65536 bytes   Total amount of shared memory per block:       49152 bytes   Total number of registers available per block: 65536   Warp size:                                     32   Maximum number of threads per multiprocessor:  2048   Maximum number of threads per block:           1024   Max dimension size of a thread block (x,y,z): (1024, 1024, 64)   Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)   Maximum memory pitch:                          2147483647 bytes   Texture alignment:                             512 bytes   Concurrent copy and kernel execution:          Yes with 2 copy engine(s)   Run time limit on kernels:                     No   Integrated GPU sharing Host Memory:            No   Support host page-locked memory mapping:       Yes   Alignment requirement for Surfaces:            Yes   Device has ECC support:                        Disabled   Device supports Unified Addressing (UVA):      Yes   Device supports Compute Preemption:            Yes   Supports Cooperative Kernel Launch:            Yes   Supports MultiDevice Co-op Kernel Launch:      Yes   Device PCI Domain ID / Bus ID / location ID:   0 / 0 / 11   Compute Mode:  < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) > deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.0, CUDA Runtime Version = 10.0, NumDevs = 1 Result = PASS Result = PASS且測試過程當中無報錯，表示測試經過！

 

3.3安裝 cuDNN

cuDNN的全稱爲NVIDIA CUDA® Deep Neural Network library，是NVIDIA專門針對深度神經網絡（Deep Neural Networks）中的基礎操做而設計基於GPU的加速庫。cuDNN爲深度神經網絡中的標準流程提供了高度優化的實現方式。

下載安裝包：https://developer.nvidia.com/rdp/cudnn-download 注：下載前需先註冊 NVIDIA Developer Program，而後才能下載。 能夠根據自身的環境選擇相應版本進行下載，這個有身份驗證只能瀏覽器下載而後再上傳到雲主機中。 安裝： #rpm -ivh libcudnn7-7.4.2.24-1.cuda10.0.x86_64.rpm  libcudnn7-devel-7.4.2.24-1.cuda10.0.x86_64.rpm libcudnn7-doc-7.4.2.24-1.cuda10.0.x86_64.rpm 準備中...                          ################################# [100%] 正在升級/安裝...    1:libcudnn7-7.4.2.24-1.cuda10.0    ################################# [ 33%]    2:libcudnn7-devel-7.4.2.24-1.cuda10################################# [ 67%]      3:libcudnn7-doc-7.4.2.24-1.cuda10.0################################# [100%] 驗證cuDNN： # cp -r /usr/src/cudnn_samples_v7/ $HOME # cd  $HOME/cudnn_samples_v7/mnistCUDNN # make clean && make rm -rf *o rm -rf mnistCUDNN /usr/local/cuda/bin/nvcc -ccbin g++ -I/usr/local/cuda/include -IFreeImage/include  -m64    -gencode arch=compute_30,code=sm_30 -gencode arch=compute_35,code=sm_35 -gencode arch=compute_50,code=sm_50 -gencode arch=compute_53,code=sm_53 -gencode arch=compute_53,code=compute_53 -o fp16_dev.o -c fp16_dev.cu g++ -I/usr/local/cuda/include -IFreeImage/include   -o fp16_emu.o -c fp16_emu.cpp g++ -I/usr/local/cuda/include -IFreeImage/include   -o mnistCUDNN.o -c mnistCUDNN.cpp /usr/local/cuda/bin/nvcc -ccbin g++   -m64      -gencode arch=compute_30,code=sm_30 -gencode arch=compute_35,code=sm_35 -gencode arch=compute_50,code=sm_50 -gencode arch=compute_53,code=sm_53 -gencode arch=compute_53,code=compute_53 -o mnistCUDNN fp16_dev.o fp16_emu.o mnistCUDNN.o -I/usr/local/cuda/include -IFreeImage/include  -LFreeImage/lib/linux/x86_64 -LFreeImage/lib/linux -lcudart -lcublas -lcudnn -lfreeimage -lstdc++ -lm     # ./mnistCUDNN cudnnGetVersion() : 7402 , CUDNN_VERSION from cudnn.h : 7402 (7.4.2) Host compiler version : GCC 4.8.5 There are 1 CUDA capable devices on your machine : device 0 : sms  8  Capabilities 6.1, SmClock 1480.5 Mhz, MemSize (Mb) 5059, MemClock 3504.0 Mhz, Ecc=0, boardGroupID=0 Using device 0   Testing single precision Loading image data/one_28x28.pgm Performing forward propagation ... Testing cudnnGetConvolutionForwardAlgorithm ... Fastest algorithm is Algo 1 Testing cudnnFindConvolutionForwardAlgorithm ... ^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.036864 time requiring 0 memory ^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.044032 time requiring 3464 memory ^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.053248 time requiring 57600 memory ^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 0.116544 time requiring 207360 memory ^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 0.181248 time requiring 2057744 memory Resulting weights from Softmax: 0.0000000 0.9999399 0.0000000 0.0000000 0.0000561 0.0000000 0.0000012 0.0000017 0.0000010 0.0000000 Loading image data/three_28x28.pgm Performing forward propagation ... Resulting weights from Softmax: 0.0000000 0.0000000 0.0000000 0.9999288 0.0000000 0.0000711 0.0000000 0.0000000 0.0000000 0.0000000 Loading image data/five_28x28.pgm Performing forward propagation ... Resulting weights from Softmax: 0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 0.9999820 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5 Test passed! Testing half precision (math in single precision) Loading image data/one_28x28.pgm Performing forward propagation ... Testing cudnnGetConvolutionForwardAlgorithm ... Fastest algorithm is Algo 1 Testing cudnnFindConvolutionForwardAlgorithm ... ^^^^ CUDNN_STATUS_SUCCESS for Algo 0: 0.032896 time requiring 0 memory ^^^^ CUDNN_STATUS_SUCCESS for Algo 1: 0.036448 time requiring 3464 memory ^^^^ CUDNN_STATUS_SUCCESS for Algo 2: 0.044000 time requiring 28800 memory ^^^^ CUDNN_STATUS_SUCCESS for Algo 4: 0.115488 time requiring 207360 memory ^^^^ CUDNN_STATUS_SUCCESS for Algo 7: 0.180224 time requiring 2057744 memory Resulting weights from Softmax: 0.0000001 1.0000000 0.0000001 0.0000000 0.0000563 0.0000001 0.0000012 0.0000017 0.0000010 0.0000001 Loading image data/three_28x28.pgm Performing forward propagation ... Resulting weights from Softmax: 0.0000000 0.0000000 0.0000000 1.0000000 0.0000000 0.0000714 0.0000000 0.0000000 0.0000000 0.0000000 Loading image data/five_28x28.pgm Performing forward propagation ... Resulting weights from Softmax: 0.0000000 0.0000008 0.0000000 0.0000002 0.0000000 1.0000000 0.0000154 0.0000000 0.0000012 0.0000006 Result of classification: 1 3 5 Test passed! Test passed!且測試過程當中無報錯，表示測試經過！

3.4安裝 TensorFlow

# pip3 install --upgrade setuptools==30.1.0 # pip3 install tf-nightly-gpu 驗證測試： 在 Python 交互式 shell 中輸入如下幾行簡短的程序代碼： # python import tensorflow as tf hello = tf.constant('Hello, TensorFlow!') sess = tf.Session() print(sess.run(hello))   若是系統輸出如下內容，就說明您能夠開始編寫 TensorFlow 程序了： Hello, TensorFlow! 同時使用nvidia-smi命令能夠看到當前顯卡的處理任務。

 

3.5 安裝TensorBoard 可視化工具

能夠用 TensorBoard 來展示 TensorFlow 圖，繪製圖像生成的定量指標圖以及顯示附加數據（如其中傳遞的圖像）。經過 pip 安裝 TensorFlow 時，也會自動安裝 TensorBoard：

驗證版本：

# pip3 show tensorboard

Name: tensorboard

Version: 1.12.2

Summary: TensorBoard lets you watch Tensors Flow

Home-page: https://github.com/tensorflow/tensorboard

Author: Google Inc.

Author-email: opensource@google.com

License: Apache 2.0

Location: /usr/lib/python2.7/site-packages

Requires: protobuf, numpy, futures, grpcio, wheel, markdown, werkzeug, six

Required-by:

啓動服務：

# tensorboard  --logdir /var/log/tensorboard.log

TensorBoard 1.13.0a20190107 at http://GPU-TF:6006 (Press CTRL+C to quit)

根據提示在瀏覽器上輸入http://服務器IP:6006

3.6 安裝Jupyter

Jupyter是一個交互式的筆記本，能夠很方便地建立和共享文學化程序文檔，支持實時代碼，數學方程，可視化和 markdown。通常用與作數據清理和轉換，數值模擬，統計建模，機器學習等等。

安裝：

# sudo pip3 install jupyter

生成配置文件：

# jupyter notebook --generate-config

Writing default config to: /root/.jupyter/jupyter_notebook_config.py

生成Jupyter密碼：

# python

Python 3.6.5 (default, Jan 15 2019, 02:51:51)

[GCC 4.8.5 20150623 (Red Hat 4.8.5-36)] on linux

Type "help", "copyright", "credits" or "license" for more information.

>>> from notebook.auth import passwd;

>>> passwd()

Enter password:

Verify password:

'sha1:6067bcf7350b:8407670bb3f94487c9404ed3c20c1ebf7ddee32e'

>>>

將生成的hash串寫入Jupyter配置文件：

# vim /root/.jupyter/jupyter_notebook_config.py

啓動服務

# jupyter notebook --allow-root --ip='192.168.66.11' 

瀏覽器登錄

輸入密碼後登錄：便可正常訪問

執行測試任務：

運行TensorFlow Demo示例

Jupyter中新建 HelloWorld 示例，代碼以下：

import tensorflow as tf

# Simple hello world using TensorFlow

# Create a Constant op

# The op is added as a node to the default graph.

#

# The value returned by the constructor represents the output

# of the Constant op.

hello = tf.constant('Hello, TensorFlow!')

# Start tf session

sess = tf.Session()

# Run the op

print(sess.run(hello))

0x4總結

經過使用ZStack雲平臺能夠快速構建深度學習平臺，雲平臺自身無需太多的複雜配置，在安裝各類驅動及深度學習組件時也與物理機無異。安裝好驅動後進行性能測試發現與同配置物理邏輯性能至關，GPU部分沒有任何性能損失。

當上述軟件環境都準備完成之後，可配置多塊GPU並從模板建立多個雲主機一一透傳，結合ZStack自己的多租戶屬性，可以使得多人在同一套環境中互不影響進行開發或者運行應用程序，從而成爲一個真正的深度學習「雲」平臺。