Google推深度學習容器，用戶能在本地和雲端建立一致的開發環境

Google推出深度學習專用的容器測試版，這是一個預先打包的容器，經過效能最佳化以及相容性測試，供開發者開箱即用，深度學習容器內含資料科學常用的工具包含Python 3環境，以及GPU用的Nvidia堆疊。深度學習容器提供多種版本，Google也為硬體最佳化了內含的TensorFlow，能用戶在GPU進行訓練，也可以在CPU上部署。

Google提到，啟動並執行機器學習專案，所花的時間通常出乎意料，開發者的目標迭代並改善機器學習模型，但是卻要花費不少的時間，管理軟體堆疊的相容性或是其他複雜的環境設定，以維持環境的一致性，確保實驗結果正確且可重複，而且當機器學習專案開發跨本地端以及雲端，要維持相依項目正確打包，並可以在其他Runtime上執行，更是一項不容易的工程。

為此，Google推出了一系列深度學習容器，提供可移植且一致的開發與測試環境，這些Docker映像檔支援了經過調校的熱門開發框架，可讓用戶隨時部署使用。

深度學習容器不只可以部署在本地端，還能在需要的時候部署到雲端，以獲得更強而有力的運算資源，深度學習容器提供了跨Google各雲端服務一致的開發環境，讓用戶可以靈活地在雲端擴展，或是與企業內部部署互通轉移。

不過，在雲端又可能會缺乏本地端資料以及套件的支援，而Google解決了這個問題，讓用戶以本地檔案擴充深度學習容器，用戶可以將這些客製化的容器部署到Cloud AI Platform Notebooks實例以及GKE上。深度學習容器可以自由地部署在GKE、AI Platform、Cloud Run、Compute Engine，甚至是Docker Swarm上。

所有的深度學習容器都擁有預先配置的Jupyter環境，因此每個容器都可以作為開發雛形空間，而且也都擁有與相對應的深度學習虛擬機器相同的Python 3環境，包括資料科學框架Conda，以及GPU映像檔Nvidia堆疊，像是UDA、cuDNN和NCCL。Google提到，要使用支援GPU的容器，用戶電腦必須安裝相容於CUDA 10的GPU，以及相關的驅動程式和nvidia-docker。

目前在深度學習容器初始版本，提供了TensorFlow 1.13、TensorFlow 2.0、PyTorch和R語言容器，Google接下來會補齊所有深度學習虛擬機器有提供的類型。