在30分钟内创建你的深度学习服务器 _深度学习

文章插图

每当我开始一个新的项目时，我发现自己一次又一次地创建一个深度学习机器。
从安装Anaconda开始，最后为Pytorch和Tensorflow创建不同的环境，这样它们就不会相互干扰。而在这中间，你不可避免地会搞砸，从头开始。这种情况经常发生多次。
这不仅是对时间的巨大浪费，它也是令人恼火的。通过所有的堆栈溢出线程，我们经常想知道究竟出了什么问题。
那么，有没有一种方法可以更有效地做到这一点呢？
在这个博客中，我将尝试在EC2上以最小的努力建立一个深度学习服务器，这样我就可以专注于更重要的事情。
本博客明确地由两部分组成：

设置一个预先安装了深度学习库的Amazon EC2机器。
使用TMUX和SSH隧道设置Jupyter notebook 。

别担心，这不像听起来那么难。只需按照步骤操作，然后单击“下一步” 。
设置Amazon EC2计算机我假设你拥有一个AWS账户，并且可以访问AWS控制台。如果没有，你可能需要注册一个Amazon AWS账户。

AWS控制台：https://aws.amazon.com/console/
首先，我们需要转到“Services”选项卡以访问EC2仪表板。

文章插图

在EC2仪表板上，你可以从创建实例开始。

文章插图

亚马逊向社区AMI（亚马逊机器映像）预装了深度学习软件。要访问这些AMI ，你需要查看社区AMI ，并在“搜索”选项卡中搜索“ Ubuntu深度学习” 。你可以选择其他任何linux风格，但是我发现Ubuntu对于满足我的深度学习需求最为有用。在当前设置中，我将使用深度学习AMI（Ubuntu 18.04）27.0版

文章插图
【在30分钟内创建你的深度学习服务器】

选择AMI后，可以选择“实例类型” 。在这里，你可以指定系统中所需的CPU ，内存和GPU的数量。亚马逊提供了许多根据个人需求选择的选项。你可以使用“过滤依据”过滤器过滤GPU实例。在本教程中，我使用了p2.xlarge实例，该实例为NVIDIA K80 GPU提供了2,496个并行处理内核和12GiB的GPU内存。要了解不同的实例类型，你可以查看下方链接中的文档，并查看价格。查看文档：https://aws.amazon.com/ec2/instance-types/ 查看价格：https://aws.amazon.com/emr/pricing/

文章插图

你可以在第4步中更改连接到机器的存储。如果你不预先添加存储，也可以，因为以后也可以这样做。我将存储空间从90 GB更改为500 GB ，因为大多数深度学习需求都需要适当的存储空间。

文章插图

仅此而已，你可以在进入最终审阅实例设置屏幕之后启动实例。单击启动后，你将看到此屏幕。只需在“Key pair name”中输入任何密钥名称，然后单击“Download Key Pair”即可。你的密钥将按照你提供的名称下载到计算机上。对我来说，它被保存为“aws_key.pem” 。完成后，你可以单击“Launch Instances”启动实例。