logo

探索Google Cloud Shell，高效开发与测试的全新方式

2025-06-27 by Joshua Nash
image
要启动Google Cloud Shell，请按照以下步骤操作：，1. 打开一个支持网页浏览器的设备。，2. 在浏览器中输入https://cloud.google.com/shell/并按下回车键。，3. 输入您的Google账户密码，然后点击“登录”以继续。，4. 点击页面顶部的“开始使用Cloud Shell”，您将看到一个带有当前日期和时间的新窗口。，您可以访问Google Cloud Shell了，请务必记住，由于它是一个在线工具，因此需要互联网连接才能使用，如果您没有在您的设备上安装浏览器扩展程序或应用程序，则可能无法正常工作，建议在使用之前检查您的网络连接，并确保已安装最新版本的浏览器扩展程序或应用程序。
如何在谷歌云上搭建服务器并创建机器人（Bot）

随着技术的快速发展和互联网应用的日益普及,开发和管理服务器已经成为许多开发者和企业的重要任务，特别是在现代业务环境中，通过使用谷歌云这样的云计算平台来搭建服务器并创建机器人（Bot）变得越来越流行，本文将详细介绍如何在谷歌云上搭建服务器，并探讨如何利用这些资源来构建和管理机器学习（ML）或自然语言处理（NLP）等领域的机器人。

了解谷歌云服务

确保你已经对谷歌云的服务有所了解,谷歌云提供了丰富的计算、存储、网络以及数据安全等服务，使用户能够轻松地部署和扩展各种应用程序和服务。

  • Compute Engine: 谷歌云中的虚拟机服务，允许您创建运行任何Linux操作系统实例的专用计算机。
  • App Engine: 提供了快速启动的应用程序托管服务，适合开发人员迅速部署应用程序。
  • Cloud Storage: 允许您存储和访问大量数据，提供高可用性和高性能选项。
  • Bigtable 和 Datastore: 针对大数据分析和处理的分布式数据库解决方案。
  • AI Platform: 包括TensorFlow、Apache MXNet和其他机器学习框架，适用于训练和部署机器学习模型。
安装必要的软件

在开始之前,请确保您的系统满足以下基本要求：

  • 操作系统：Windows Server 2019/2016, Ubuntu 18.04/20.04, macOS Mojave 或更高版本。
  • 网络连接：稳定的互联网接入。

我们需要安装一些必要的工具和库,以支持我们的服务器操作，对于Google Cloud Shell，这是一个命令行界面，可以直接从浏览器中访问，如果您不熟悉它，可以参考官方文档进行设置。

# 安装Python和pip
sudo apt-get update
sudo apt-get install -y python3 python3-pip
# 更新pip
python3 -m pip install --upgrade pip
# 安装Docker
curl -fsSL https://get.docker.com | sudo sh
创建Google Cloud账户

如果您还没有谷歌云账户,需要注册一个，登录后，选择“试用”计划以获得免费的云服务额度。

配置环境变量

为了简化后续的操作,建议为每个项目创建独立的环境变量文件，这样可以在不同的项目之间切换环境。

echo "export PROJECT_ID=<your-project-id>" > .env
echo "export CLOUDSDK_CORE_PROJECT=${PROJECT_ID}" >> .env
部署Web服务器

现在我们可以部署一个简单的Web服务器来测试我们正在使用的GCE实例,我们可以使用Node.js来创建一个静态网站。

# 创建一个新的项目
gcloud projects create <your-project-id>
# 创建新的虚拟机
gcloud compute instances create my-server \
    --image-family=debian-10 \
    --image-project=debian-cloud \
    --zone=us-central1-a \
    --machine-type=n1-standard-1 \
    --boot-disk-size=50GB \
    --tags=http-server
# 将.env文件添加到实例
gcloud compute ssh my-server --command 'cat .env'
# 在实例上执行npm init命令
npm init -y
# 添加express依赖
npm install express
# 创建一个简单的index.html文件
mkdir public
touch public/index.html
# 修改index.html以包含Express示例代码
echo "<!DOCTYPE html>
<html lang='en'>
<head>
    <meta charset='UTF-8'>My Web Server</title>
</head>
<body>
    <h1>Hello, World!</h1>
</body>
</html>" > public/index.html
# 启动Express服务器
node index.js
# 测试Web服务器是否正常工作
curl http://localhost:3000

这将在本地返回"Hello, World!"，表明你的Web服务器已成功部署。

集成机器学习和自然语言处理

一旦你的服务器上有了Web应用,下一步是将它们与机器学习和自然语言处理功能相结合，这可以通过在谷歌云平台上运行的TensorFlow或其他流行的深度学习框架实现。

导入TensorFlow

pip install tensorflow

构建机器学习模型

假设我们要构建一个用于识别图片中的对象的机器学习模型,你需要准备数据集，并将其加载到TensorFlow中。

import tensorflow as tf
from tensorflow.keras import layers
# 加载MNIST数据集
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()
# 归一化输入数据
x_train = x_train / 255.0
x_test = x_test / 255.0
# 创建模型
model = tf.keras.Sequential([
    layers.Flatten(input_shape=(28, 28)),
    layers.Dense(128, activation='relu'),
    layers.Dropout(0.2),
    layers.Dense(10)
])
# 编译模型
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
# 训练模型
history = model.fit(x_train, y_train, epochs=5)
# 测试模型
test_loss, test_acc = model.evaluate(x_test,  y_test, verbose=2)
print('\nTest accuracy:', test_acc)

使用机器学习模型创建机器人

你可以使用训练好的模型来创建一个聊天机器人,这里我们将使用Flask作为微服务框架。

Flask应用基础

在Google Cloud Shell中初始化Flask应用：

mkdir flask-app
cd flask-app
git init
git add .
git commit -m "Initial commit"

创建一个名为app.py的文件：

from flask import Flask, request, jsonify
import os
import tensorflow as tf
app = Flask(__name__)
# 设置路径
MODEL_PATH = '/tmp/model.h5'
LABELS_PATH = '/tmp/labels.txt'
# 加载模型和标签
model = tf.keras.models.load_model(MODEL_PATH)
with open(LABELS_PATH, 'r') as f:
    labels = [line.strip() for line in f]
@app.route('/predict', methods=['POST'])
def predict():
    image_file = request.files['image']
    image_path = os.path.join('/tmp/', image_file.filename)
    image_file.save(image_path)
    # 运行图像预测
    predictions = model.predict([tf.keras.preprocessing.image.img_to_array(tf.keras.preprocessing.image.load_img(image_path))])
    predicted_label = labels[predictions.argmax()]
    return jsonify({'label': predicted_label})
if __name__ == '__main__':
    app.run(host='0.0.0.0', port=os.getenv('PORT'))

连接Google Cloud Storage

为了让机器人可以从外部源获取图像数据,你需要配置Google Cloud Storage来上传和下载图像。

from google.cloud import storage
client = storage.Client()
bucket = client.get_bucket('<your-bucket-name>')
blob = bucket.blob('images/my_image.jpg')
blob.upload_from_filename(image_path)
# 下载图像
downloaded_blob = bucket.download_blob(blob.name)

步骤展示了如何在谷歌云上搭建服务器并创建机器人的基本流程,实际应用可能涉及更复杂的逻辑和更多的数据处理，但这是构建和管理机器学习和自然语言处理服务的一个良好起点。

Tags: Google Cloud Shell 高效开发 测试新方式
image
超值优选 限时抢购 轻量云服务器 1核1G 15元/起

热卖推荐 上云必备低价长效云服务器99元/1年，OSS 低至 118.99 元/1年，官方优选推荐

热卖推荐 香港、美国、韩国、日本、限时优惠 立刻购买

优质托管支持

高质量、安全的网络托管方面拥有十多年的经验我们是您在线旅程的战略合作伙伴。

联系我们 企业微信




轻量云服务器 1核1G 15元/起

立即购买 热卖推荐
image image