我使用研究论文的开源Tensorflow实现，例如DCGAN-tensorflow。我使用的大多数库都配置为在本地训练模型，但我想使用Google Cloud ML来训练模型，因为我的笔记本电脑上没有GPU。我发现很难更改代码以支持GCS存储桶。目前，我将我的日志和模型保存到/ tmp，然后运行＆＃39; gsutil＆＃39;命令在训练结束时将目录复制到gs：// my-bucket（example here）。如果我尝试将模型直接保存到gs：// my-bucket，它就永远不会出现。
对于训练数据，其中一个张量流样本将数据从GCS复制到/ tmp进行训练（example here），但这仅在数据集很小时才有效。我想使用celebA，而且每次运行都要复制到/ tmp太大了。是否有任何关于如何更新本地培训代码以使用Google Cloud ML的文档或指南？
这些实现正在运行各种版本的Tensorflow，主要是.11和.12
答案 0 :(得分：11)
目前没有明确的指南。基本思想是用file_io模块中的等价物替换所有出现的本机Python文件操作，最值得注意的是：
open() - ＆gt; file_io.FileIO() os.path.exists() - ＆gt; file_io.file_exists() glob.glob() - ＆gt;
file_io.get_matching_files() 这些功能将在本地和GCS（以及任何已注册的文件系统）上运行。但请注意，file_io和标准文件操作存在一些细微差别（例如，支持一组不同的＆＃39;模式＆＃39;）
幸运的是，检查点和摘要编写工作开箱即用，只需确保将GCS路径传递给tf.train.Saver.save和tf.summary.FileWriter。
在你发送的样本中，这看起来很痛苦。当程序开始只需要执行一次（演示here）时，可以考虑使用猴子修补Python函数来映射到TensorFlow等效项。
作为旁注，this页面上的所有样本都显示从GCS读取文件。