每当我开始一个新的项目时，我创造自己一次又一次地创建一个深度学习机器。
从安装Anaconda开始，末了为Pytorch和Tensorflow创建不同的环境，这样它们就不会相互滋扰。而在这中间，你不可避免地会搞砸，从头开始。这种情形常常发生多次。
这不仅是对韶光的巨大摧残浪费蹂躏，它也是令人恼火的。通过所有的堆栈溢出线程，我们常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，我将考试测验在EC2上以最小的努力建立一个深度学习做事器，这样我就可以专注于更主要的事情。
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。利用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打算机我假设你拥有一个AWS账户，并且可以访问AWS掌握台。如果没有，你可能须要注册一个Amazon AWS账户。
AWS掌握台：https://aws.amazon.com/console/首先，我们须要转到“Services”选项卡以访问EC2仪表板。在EC2仪表板上，你可以从创建实例开始。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，你须要查看社区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，但是我创造Ubuntu对付知足我的深度学习需求最为有用。在当前设置中，我将利用深度学习AMI（Ubuntu 18.04）27.0版选择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。亚马逊供应了许多根据个人需求选择的选项。你可以利用“过滤依据”过滤器过滤GPU实例。 在本教程中，我利用了p2.xlarge实例，该实例为NVIDIA K80 GPU供应了2,496个并行处理内核和12GiB的GPU内存。要理解不同的实例类型，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/你可以在第4步中变动连接到机器的存储。如果你不预先添加存储，也可以，由于往后也可以这样做。我将存储空间从90 GB变动为500 GB，由于大多数深度学习需求都须要适当的存储空间。仅此而已，你可以在进入终极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。你的密钥将按照你供应的名称下载到打算机上。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。请确保此密钥对的安全，由于每当你要登录实例时都须要这样做。
现在，你可以单击下一页上的“View Instances”以查看你的实例。这是你的实例的样子：要连接到你的实例，只需在本地打算机上打开一个终端窗口，然后浏览到保存密钥对文件并修正一些权限的文件夹。chmod 400 aws_key.pem
完成此操作后，你将可以通过SSH连接到你的实例。SSH命令的格式为：
ssh -i“ aws_key.pem” ubuntu @ <你的PublicDNS（IPv4）>
对我来说，命令是：
ssh -i“ aws_key.pem” ubuntu@ec2-54-202-223-197.us-west-2.compute.amazonaws.com
其余，请记住，一旦关闭实例，公用DNS可能会变动。
你已经准备好机器并准备就绪。本机包含不同的环境，这些环境具有你可能须要的各种库。这台特定的机器具有MXNet，Tensorflow和Pytorch，以及不同版本的python。最好的事情是，我们已经预先安装了所有这些功能，因此开箱即用。设置Jupyter Notebook但是，仍旧须要利用一些东西才能充分利用打算机。个中之一便是Jupyter Notebook。要在打算机上设置Jupyter Notebook，我建议利用TMUX和隧道。让我们逐步设置Jupyter Notebook。
利用TMUX运行Jupyter Notebook 我们将首先利用TMUX在实例上运行Jupyter Notebook。我们紧张利用它，以便纵然终端连接丢失，我们的条记本电脑仍旧可以运行。为此，你将须要利用以下命令创建一个新的TMUX会话：
tmux new -s StreamSession
完成后，你将看到一个新屏幕，底部带有绿色边框。你可以利用jupyter notebook命令在此打算机上启动Jupyter Notebook 。你将看到类似以下内容：
复制登录URL将是有益的，这样往后往后考试测验登录到jupyter notebook时，我们将能够获取令牌。就我而言，它是：
http://localhost:8888/?token=5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872
下一步是分离TMUX会话，以便它在后台连续运行，纵然你离开ssh shell。要做到这一点，只需按Ctrl+B，然后按D（按D时不要按Ctrl），你将返回到初始屏幕，显示你已从TMUX会话等分离的。
如果须要，可以利用以下方法重新连接到会话：
tmux attach -t StreamSessionSSH隧道访问本地浏览器上的notebook
第二步是进入Amazon实例，以便在本地浏览器上获取Jupyter notebook。如我们所见，Jupyter notebook实际上运行在云实例确当田主机上。我们如何访问它？我们利用SSH隧道。不用担心，这很大略。只需在本地机器终端窗口上利用以下命令：
ssh -i“ aws_key.pem” -L <本地打算机端口>：localhost：8888 ubuntu @ <你的PublicDNS（IPv4）>
对付这种情形，我利用了：
ssh -i "aws_key.pem" -L 8001:localhost:8888 ubuntu@ec2-54-202-223-197.us-west-2.compute.amazonaws.com
这意味着，如果我在本地打算机浏览器中打开localhost:8001，则可以利用Jupyter Notebook。我当然可以。现在，我们只需输入在先前的步骤之一中已经保存的令牌即可访问notebook。对我来说令牌是5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872
令牌: http://localhost:8888/?token=5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872&token=5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872你只需利用你的令牌登录即可。
现在，你可以通过选择所需的任何不同环境来选择新项目。你可以来自Tensorflow或Pythorch，也可以两者兼得。notebook不会让你失落望的。
故障打消
重新启动打算机后，你可能会碰着NVIDIA图形卡的一些问题。详细来说，就我而言，该nvidia-smi命令停滞事情。如果碰着此问题，办理方案是从NVIDIA 网站下载图形驱动程序。
NVIDIA 网站:https://www.nvidia.in/Download/index.aspx?lang=en-in以上是我选择的特定AMI的设置。单击搜索后，你将可以看到下一页：
只需通过右键单击并复制链接地址来复制下载链接。并在打算机上运行以下命令。你可能须要在个中变动链接地址和文件名。
# When nvidia-smi doesnt work:wget https://www.nvidia.in/content/DriverDownload-March2009/confirmation.php?url=/tesla/410.129/NVIDIA-Linux-x86_64-410.129-diagnostic.run&lang=in&type=Teslasudo sh NVIDIA-Linux-x86_64-410.129-diagnostic.run --no-drm --disable-nouveau --dkms --silent --install-libglvndmodinfo nvidia | head -7sudo modprobe nvidia停滞实例
便是这样。你已经节制并启动了深度学习机器，并且可以随意利用它。请记住，无论何时停滞事情，都应停滞实例，因此，当你不在实例上事情时，无需向Amazon付费。你可以在实例页面上通过右键单击你的实例来实行此操作。请把稳，当你须要再次登录到该打算机时，你可能须要从实例页面重新得到公共DNS（IPv4）地址，由于它可能已变动。
结论
我一贯以为建立深度学习环境非常麻烦。
在此博客中，我们通过利用深度学习社区AMI，TMUX和Jupyter Notebook的隧道技能，在最短的韶光内在EC2上设置了新的深度学习做事器。该做事器已预先安装了你在事情中可能须要的所有深度学习库，并且开箱即用。
那你还在等什么？只需在你自己的做事器上开始利用深度学习即可。
