在 Amazon EC2 上使用 GPU 的 keras–一步一步的说明
在 Amazon EC2 上使用 GPU 的 keras–一步一步的说明
原文：https://medium.com/hackernoon/keras-with-gpu-on-amazon-ec2-a-step-by-step-instruction-4f90364e49ac
由于需要使用越来越复杂的神经网络，我们也需要更好的硬件。我们的个人电脑往往无法承受如此庞大的网络，但你可以在亚马逊 EC2 服务中相对容易地租用一台按小时付费的功能强大的电脑。
我使用的是Keras——一个开源的神经网络 Python 库。对于开始深度学习之旅来说，这是一个很好的开端，主要是因为它易于使用。它是建立在 TensorFlow (但是 Theano 也可以使用)之上的——一个用于数值计算的开源软件库。租用的机器可以通过浏览器使用 Jupyter Notebook 进行访问，这是一个允许共享和编辑带有实时代码的文档的网络应用程序。
Keras 可以使用cud nn-深度神经网络 GPU 加速库在 GPU 上运行。这种方法比典型的 CPU 快得多，因为是为并行计算而设计的。我建议你看一下几个 CNN 基准比较最流行的神经网络在不同 GPU 和 CPU 上的运行时间。
我将向您一步步介绍如何从预先准备的亚马逊机器映像(AMI)中设置这样的深度学习环境。
1)创建一个帐户
访问https://aws.amazon.com/并创建一个 AWS 帐户。
现在登录到控制台。
您的仪表板应该看起来像这样。
确保您选择了法兰克福、弗吉尼亚或新加坡作为您的地区。稍后这将允许您使用预先准备好的 Keras AMI。如果你想自己建立这样一个 AMI，你可以遵循这个指南。
2)启动一个实例
现在，让我们转到 EC2 仪表板。
“亚马逊弹性计算云(Amazon EC2)在亚马逊网络服务(AWS)云中提供可扩展的计算能力。使用 Amazon EC2 消除了预先投资硬件的需要，因此您可以更快地开发和部署应用程序。您可以使用 Amazon EC2 启动任意数量的虚拟服务器，配置安全性和网络，以及管理存储。Amazon EC2 使您能够扩大或缩小规模，以应对需求的变化或人气的飙升，从而减少预测流量的需求。”(正如亚马逊文档所说)。
换句话说，你可以在任何时候租用一台服务器来进行计算，在这种情况下就是机器学习模型训练。让我们启动这样一个实例！
首先，您需要选择一个已经安装了所有必要工具的 AMI(Keras on TensoFlow with Jupyter Notebook)。
选择一个实例类型(您租用的计算机有多好)。当然，你选择的实例越好，你付出的就越多。但是你正在创建你的第一个实例，所以你不想要最好的类型，是吗？只需选择 t2.micro，它意味着是一个测试实例。它会让你不用掏钱就能站稳脚跟。
当你习惯了它，并且需要更多的计算能力时，我建议你使用 g*类型的实例(g 代表 GPU 后端)例如 g2.2xlarge 。这是一个默认的 GPU 实例，价格约为每小时 0，772 美元。
这里没什么特别的，只是跳过。
最多可以免费使用 30 GB。此外，如果您不希望您的数据在终止实例后消失，您应该取消选中“终止时删除”复选框。
向前看。
好了，这个阶段很重要，因为您不仅要使用 ssh，还要通过浏览器来访问您的实例。在端口 8888 上添加自定义 TCP 规则。使其只能从您的 IP 地址访问，包括 8888 和 22(ssh)。
一切准备就绪，最后让我们启动实例吧！
您只需要设置一个新的(或选择一个现有的)密钥对。它们是通过 ssh 登录到您的机器所必需的。
下载生成的密钥并保持私有！除了你之外，没有人能接触到它。
现在让我们看看机器的状态。
如您所见，实例已经启动并正在运行。干得好！您刚刚启动了一个 AWS 实例。
3)建立 Jupyter 笔记本
现在让我们利用它。通过 ssh 连接。
正如说明所说，更改私钥的特权，并将示例键入终端(或使用 PuTTY 连接)。在-i param 后插入私钥的路径，并键入“ubuntu”而不是“root”。因此，该命令如下所示(如果您使用的是 Windows，请查看如何通过 PuTTY 进行连接):
ssh -i ‘path/to/private/key’ ubuntu@public_dns通过键入以下内容运行笔记本
sudo jupyter notebook 进入终端。你可以通过浏览器输入your public DNS:8888(8888 是 Jupyter 默认端口)来访问笔记本。
4)连接到您的实例
默认密码是' 'machinelingisfun(我建议你修改密码，Jupyter 笔记本文档上的有说明怎么做)。
MNIST 数据库是一个众所周知的手写数字集合。我准备了一个样本笔记本，它加载数据集并适合一个样本卷积神经网络。打开 mnist.jpynb example，自己运行单元格。
Code comes from Keras repository examples
当你完成时记得终止你的实例！付款计算基于实例运行的时间量。例如，如果您忘记了已经运行了一个月的 g 2.2x 大型实例，您将支付$0，7722430 = $555，84 。
那么，下一步是什么？我鼓励你看一下 notMNIST 数据集，它包含了一组来自不同字体的字母。您可能也会对 CIFAR-10 感兴趣——这是一组彩色图像，可以匹配 10 个类别，例如飞机、船只、鸟类或猫。
如果你是 Keras 新手，你可能会对本教程感兴趣。或者，就像我的情况，在照片中检测到恐锥症(为了你的理智，请不要谷歌它的图片)触发。在波兰儿童基金会由Piotr migda辅导的研讨会上，我学习了卷积神经网络的基础知识(以及如何启动机器)。其他参与者之一使用 VGG16 进行特征提取的源代码可在 GitHub 上获得。
如果你对我如何检测恐锥症诱因感兴趣，请关注下一篇文章！
