创建一个空的setup.py文件， 在trainer文件夹中创建一个空的__init__.py
2. 确认你云端上保存你的所用中间或最终输出结果（比如checkpoint文件）的路径， 这一步很重要！！！！否则你不知道在哪找你训练的参数呀！
在Google Cloud Platfrom左侧的导航栏中选择存储，创建存储分区
如上图所示，创建一个分区，选择regional，位置为us-east1可以使用gpu！！！而且比较便宜呀～～～
这样你在云端上就有了一个路径，比如我的情况就是gs://yzm_bucket
创建完成后，在你本地的代码中把你所有的输出路径都要替换成你的云端路径。这样在云端训练时才能把结果也保存在云端。
比如这样：path_to_latest_checkpoint_file = saver.save(sess, \'gs://yzm_bucket/log/latest.ckpt\')
3. 确认本地代码中所需要的依赖
需要查看cloud ml runtime的版本信息 -> https://cloud.google.com/ml-engine/docs/runtime-version-list
目前的化Cloud ML runtime最新版本为1.6， 支持python 3.5。 查看你想使用的版本有没有所有你所依赖的包。 如果你的程序用pip安装了一些python模块（如pillow）但是使用的runtime版本中并不包含这些包，你需要手动设置你的包依赖。 请在setup.py中（如果你用标准的项目结构，就是你traniner的根目录即它的上一层）添加如下信息：
from setuptools import find_packages from setuptools import setup REQUIRED_PACKAGES = [\'some_PyPI_package>=1.0\'] setup( name=\'trainer\', version=\'0.1\', install_requires=REQUIRED_PACKAGES, packages=find_packages(), include_package_data=True, description=\'My trainer application package.\' )