使用CCE服务构建深度学习环境

        深度学习环境的搭建一直以来都比较繁琐，本地开发不仅需要安装大量驱动，各类深度学习框架所需的Python版本往往不统一，使用前必须反复切换，从算法编写，到IDE进行调试，使用起来极不方便。本文将介绍使用CCE服务搭建深度学习环境、搭建后不同深度环境可以各自隔离和组合，并可以使用jupyter notebook实现远程调试。用户A和用户B使用容器服务跑在同一台云服务器中，但各自可以jupyter notebook独立调试自己的程序。

        搭建过程

         - 需要购买的服务

           弹性云服务器(ECS)一台

           弹性公网IP(EIP)一个

           云容器引擎服务(CCE)，注：目前仅高可用集群收费

           容器镜像服务(SWR)，注：目前免费，可以上传保存镜像

        步骤1、 到云容器引擎界面上创建集群，并创建节点。如果没有创建虚拟私有云(VPC)和子网(subnet)的话需要先创建一个，购买的节点注意设置密码或keypair，方便ssh远程登录。

        步骤2、 弹性公网IP页面，对购买的节点进行绑定。

        步骤3、 纳管成功后去SWR服务中注册自己的组织。上传镜像那边选择客户端上传，复制docker login命令，先粘贴到到自己的节点中。

        步骤4、 例如要搭建keras环境，则在节点机上docker pull gaarv/jupyter-keras，或者可以使用docker search 命令查找您想要的深度学习框架。可以直接找个已经集成jupyter notebook的镜像。

        步骤5、根据SWR的提示，给pull下来的镜像，上传自己的镜像。

        步骤6、到CCE服务中，在工作负载中创建无状态工作负载，因为不需要主备实例修改为1，如图选择刚刚我们上传的镜像。在容器规格中写明对资源的控制。启动后命令设置为jupyter notebook list。使用HostPath挂在本地路径到容器中，作为代码调试路径(这样容器重启，镜像刷新了，本地的代码依旧可以保留)

                              如上图选择添加服务，选择VPC服务，将容器端口设为8888(jupyter notebook默认端口就是这个)。连续点击确定完成设置。

                            查看工作负载详情，到工作负载运维中查看token，并复制字段，这里是3d067d0a0570e5cb76ba0c45469fcfbb4fb960e41ee9c267

                              返回工作负载列表，查看工作负载的访问地址，这边我搭建了3个不同的环境。

                           在浏览器中输入访问地址，并贴入刚才复制的token登录。

 登录后，进入挂载的HostPath目录，编写自己的代码。

                             使用Keras框架跑个Mnist手写数字集吧

            切换使用tensorflow工作负载地址跑个Mnist手写数字集

      可以看到，不同的对外访问的地址就对应不同的环境，本地也不需要安装IDE，可以使用网页页面直接调试代码。