我能够成功地按照您提到的教程进行操作，并在此过程中进行了一些修改。
我会提到所有的步骤，尽管你提到了一半。
首先为作业创建一个云存储桶：
gsutil mb -l europe-north1 gs://keras-cloud-tutorial
要回答您应该在哪里编写这些命令的问题，取决于您想要存储将从 GitHub 下载的文件的位置。在您发布的教程中，作者使用自己的计算机运行命令，这就是他使用gcloud init. 但是，如果您在那里下载所需的文件，您也可以从 Cloud Shell 提交作业。我们需要从存储库中获取的唯一文件是trainer文件夹和setup.py文件。因此，如果我们将它们放在一个名为的文件夹中，keras-cloud-tutorial我们将具有以下文件结构：
keras-cloud-tutorial/
├── setup.py
└── trainer
├── __init__.py
├── cloudml-gpu.yaml
└── cnn_with_keras.py
现在，错误的一个可能原因ImportError: No module named eager是您可能更改了文件runtimeVersion内部cloudml-gpu.yaml。正如我们在这里所读到的，eager它是在 Tensorflow 1.5 中引入的。如果您指定了早期版本，则预计会遇到此错误。所以 的结构cloudml-gpu.yaml应该是这样的：
trainingInput:
scaleTier: CUSTOM
# standard_gpu provides 1 GPU. Change to complex_model_m_gpu for 4 GPUs
masterType: standard_gpu
runtimeVersion: "1.5"
注意：“standard_gpu”是旧机器类型。
此外，该setup.py文件应如下所示：
from setuptools import setup, find_packages
setup(name='trainer',
version='0.1',
packages=find_packages(),
description='Example on how to run keras on gcloud ml-engine',
author='Username',
author_email='user@gmail.com',
install_requires=[
'keras==2.1.5',
'h5py'
],
zip_safe=False)
注意：如您所见，我已经指定了我想要2.1.5的keras. 这是因为如果我不这样做，则会使用最新版本，它与2.0.
如果一切都设置好了，您可以通过在文件夹中运行以下命令来提交作业keras-cloud-tutorial：
gcloud ai-platform jobs submit training test_job --module-name=trainer.cnn_with_keras --package-path=./trainer --job-dir=gs://keras-cloud-tutorial --region=europe-west1 --config=trainer/cloudml-gpu.yaml
注意：我使用了命令gcloud ai-platform而不是gcloud ml-engine命令，尽管两者都可以。但在未来的某个时候，gcloud ml-engine将被弃用。
注意：在选择提交作业的区域时要小心。某些区域不支持 GPU，如果选择会抛出错误。例如，如果在我的命令中我将region参数设置为europe-north1而不是europe-west1，我将收到以下错误：
错误：（gcloud.ai-platform.jobs.submit.training）RESOURCE_EXHAUSTED：项目配额失败。对 1 个 K80 加速器的请求超过了 0 K80、0 P100、0 P4、0 T4、0 TPU_V2、0 TPU_V3、0 V100 的允许最大值。要详细了解 Cloud ML Engine 配额，请参阅https://cloud.google.com/ml-engine/quotas。-“@type”：type.googleapis.com/google.rpc.QuotaFailure 违规：-描述：对 1 个 K80 加速器的请求超过了允许的最大值 0 K80、0 P100、0 P4、0 T4、0 TPU_V2、0 TPU_V3 , 0 V100。主题：
您可以在此处和此处阅读有关每个区域的功能的更多信息。
编辑：
训练作业完成后，您指定的存储桶中应该有 3 个文件夹logs/：model/和packages/。模型保存在model/文件夹中的一个.h5文件中。请记住，如果您为目标设置了特定文件夹，则应在末尾包含“/”。例如，您应该设置gs://my-bucket/output/而不是gs://mybucket/output. 如果你做后者，你最终会得到文件夹output,outputlogs和outputmodel. 里面output应该有packages。作业页面链接应指向output文件夹，因此请务必检查存储桶的其余部分！
此外，在 AI-Platform 作业页面中，您应该能够看到有关CPU和利用率的信息：
GPUNetwork
另外，我想澄清一些事情，因为我看到您发布了一些相关问题作为答案：
您的本地环境，无论是您的个人 Mac 还是 Cloud Shell，都与实际的培训工作无关。您不需要在本地安装任何特定的包或框架。您只需要安装 Google Cloud SDK（当然已经安装在 Cloud Shell 中）即可运行相应的gcloud命令gsutil。您可以在此处阅读更多关于 AI 平台上的训练作业如何工作的详细信息。
我希望你会发现我的回答很有帮助。