Google Cloud Machine Learning今天以Beta版向世界开放。它提供TensorFlow即服务，因此您不必管理机器和其他原始资源。作为Beta版本的一部分，Datalab已更新，以提供用于机器学习的命令和实用程序。请访问http://cloud.google.com/ml进行检查。

总结答案：

• AI平台笔记本 -一键式Jupyter Lab环境
• 深度学习VM映像 -预装有ML库的原始VM
• 深度学习容器映像 -DLVM映像的容器化版本
• 云ML
• 在Compute Engine上手动安装。请参阅下面的说明。

在Compute Engine上手动运行TensorFlow的说明：

1. 建立专案
2. 打开Cloud Shell （顶部的按钮）
3. 列出计算机类型： gcloud compute machine-types list 。您可以更改我在下一条命令中使用的计算机类型。
4. 创建一个实例：

gcloud compute instances create tf \
  --image container-vm \
  --zone europe-west1-c \
  --machine-type n1-standard-2

4. 运行sudo docker run -d -p 8888:8888 --name tf b.gcr.io/tensorflow-udacity/assignments:0.5.0 （将映像名称更改为所需的名称）
5. 在仪表板中找到您的实例并编辑default网络。
6. 添加防火墙规则以允许您的IP以及协议和端口tcp:8888 。
7. 从仪表板中找到实例的外部IP。在浏览器上打开IP:8888 。做完了！
8. 完成后，请删除创建的集群以避免收费。

这就是我做到的方法，并且有效。我相信有一种更简单的方法可以做到这一点。

更多资源

您可能有兴趣了解更多有关以下方面的信息：

• Google Cloud Shell
• 容器优化的Google Compute Engine图片
• Google Cloud SDK可提供更灵敏的Shell等。

很高兴知道

• “即使虚拟机终止并重新启动之后，Cloud Shell主目录的内容也会在所有Cloud Shell会话之间的项目之间持久存在”
• 列出所有可用的图像版本： gcloud compute images list --project google-containers

感谢@ user728291，@ MattW，@ CJCullen和@ zain-rizvi

Google在受限的Alpha中拥有Cloud ML平台 。

这是有关在Kubernetes / Google容器引擎上运行TensorFlow的博客文章和教程 。

如果这些不是您想要的， TensorFlow教程应该都可以在AWS EC2或Google Compute Engine上运行。

现在，您还可以使用预先配置的DeepLearning 映像 。它们具有TensorFlow所需的一切。