Keras mit MXNet

Dieses Tutorial zeigt, wie Sie Keras 2 mit dem MXNet-Backend auf einem Deep Learning-AMI mit Conda aktivieren und verwenden.

Aktivieren Sie Keras mit dem MXNet-Backend und testen Sie es auf dem DLAMI mit Conda

1. Um Keras mit dem MXNet-Backend zu aktivieren, öffnen Sie eine Amazon Elastic Compute Cloud (Amazon EC2) -Instanz des DLAMI mit Conda.

   • Führen Sie diesen Befehl für Python 3 aus:

     $ source activate mxnet_p36

   • Führen Sie diesen Befehl für Python 2 aus:

     $ source activate mxnet_p27

2. Starten Sie das iPython-Terminal:

   (mxnet_p36)$ ipython

3. Testen Sie das Importieren von Keras mit MXNet, um sicherzustellen, dass es korrekt funktioniert:

   
   import keras as k
   

   Folgendes wird auf dem Bildschirm angezeigt (möglicherweise nach ein paar Warnmeldungen).

   
   Using MXNet backend
               

   Anmerkung

   Wenn Sie eine Fehlermeldung erhalten oder wenn das TensorFlow Backend immer noch verwendet wird, müssen Sie Ihre Keras-Konfiguration manuell aktualisieren. Bearbeiten Sie die ~/.keras/keras.json-Datei und ändern Sie die Backendeinstellung in mxnet.

Tutorial der Keras-MXNet-Multi-GPU-Schulung

Schulen eines Convolutional Neural Network (CNN)

1. Öffnen Sie ein Terminal und stellen Sie eine SSH-Verbindung zu Ihrem DLAMI her.

2. Navigieren Sie zum Verzeichnis ~/examples/keras-mxnet/.

3. Führen Sie nvidia-smi in Ihrem Terminal-Fenster aus, um die Anzahl der verfügbaren GPUs in DLAMI zu ermitteln. Im nächsten Schritt führen Sie das Skript unverändert aus, wenn Sie über vier GPUs verfügen.

4. (Optional) Führen Sie den folgenden Befehl aus, um das Skript zur Bearbeitung zu öffnen.

   (mxnet_p36)$ vi cifar10_resnet_multi_gpu.py

5. (Optional) Das Skript hat die folgende Zeile, die die Anzahl der GPUs definiert. Aktualisieren Sie sie bei Bedarf.

   model = multi_gpu_model(model, gpus=4)

6. Führen Sie jetzt die Schulung durch.

   (mxnet_p36)$ python cifar10_resnet_multi_gpu.py

Anmerkung

Keras-MXNet wird mit dem channels_first image_data_format-Satz bis zu zwei Mal schneller ausgeführt. Zum Ändern in channels_first bearbeiten Sie Ihre Keras-Konfigurationsdatei (~/.keras/keras.json) und legen Sie Folgendes fest: "image_data_format": "channels_first".

Weitere Techniken zur Leistungsoptimierung finden Sie im Handbuch zur Leistungsoptimierung für Keras-MXNet.

Weitere Infos

• Beispiele für Keras mit einem MXNet-Backend finden Sie im Verzeichnis Deep Learning AMI with Conda. ~/examples/keras-mxnet

• Noch mehr Tutorials und Beispiele finden Sie im GitHub Keras-MXNet-Projekt.