Utilisation de l'AMI Deep Learning avec Conda

Présentation de l'AMI d'apprentissage profond avec Conda

Conda est un système de gestion de packages Open Source et système de gestion d'environnement qui s'exécute sur Windows, macOS et Linux. Conda s'installe, s'exécute et met à jour rapidement des packages et leurs dépendances. Conda crée, enregistre, charge et bascule facilement entre les différents environnements sur votre ordinateur local.

L'AMI Deep Learning avec Conda a été configurée pour que vous puissiez facilement passer d'un environnement d'apprentissage profond à un autre. Les instructions suivantes vous guident pour certaines commandes élémentaires de conda. Elles vous permettent également de vérifier que l'importation de base de l'infrastructure fonctionne et que vous pouvez lancer quelques opérations simples avec l'infrastructure. Vous pouvez ensuite passer à des didacticiels plus approfondis fournis avec le DLAMI ou aux exemples de frameworks trouvés sur le site de projet de chaque framework.

Connectez-vous à votre DLAMI

Une fois que vous êtes connecté à votre serveur, vous verrez un « message du jour » (MOTD) du serveur décrivant diverses commandes Conda que vous pouvez utiliser pour basculer entre les différentes infrastructures d'apprentissage profond (deep learning). Vous trouverez ci-dessous un exemple de MOTD. Votre MOTD spécifique peut varier à mesure que de nouvelles versions du DLAMI sont publiées.

=============================================================================
        AMI Name: Deep Learning OSS Nvidia Driver AMI (Amazon Linux 2) Version 77
        Supported EC2 instances: G4dn, G5, G6, Gr6, P4d, P4de, P5
            * To activate pre-built tensorflow environment, run: 'source activate tensorflow2_p310'
            * To activate pre-built pytorch environment, run: 'source activate pytorch_p310'
            * To activate pre-built python3 environment, run: 'source activate python3'

        NVIDIA driver version: 535.161.08

    CUDA versions available: cuda-11.7 cuda-11.8 cuda-12.0 cuda-12.1 cuda-12.2

    Default CUDA version is 12.1

    Release notes: https://docs.aws.amazon.com/dlami/latest/devguide/appendix-ami-release-notes.html
    AWS Deep Learning AMI Homepage: https://aws.amazon.com/machine-learning/amis/
    Developer Guide and Release Notes: https://docs.aws.amazon.com/dlami/latest/devguide/what-is-dlami.html
    Support: https://forums.aws.amazon.com/forum.jspa?forumID=263
    For a fully managed experience, check out Amazon SageMaker at https://aws.amazon.com/sagemaker
    =============================================================================

Démarrez l' TensorFlow environnement

Note

Lorsque vous lancez votre premier environnement Conda, soyez patient pendant qu'il se charge. L'AMI Deep Learning avec Conda installe automatiquement la version la plus optimisée du framework pour votre instance EC2 lors de la première activation du framework. Des retards ultérieurs sont peu probables.

1. Activez l'environnement TensorFlow virtuel pour Python 3.

   $ source activate tensorflow2_p310

2. Démarrez le terminal iPython.

   (tensorflow2_p310)$ ipython

3. Lancez un TensorFlow programme rapide.

   
   import tensorflow as tf
   hello = tf.constant('Hello, TensorFlow!')
   sess = tf.Session()
   print(sess.run(hello))
   

Vous devez voir « Hello, Tensorflow ! »

Suivant

Exécution des didacticiels blocs-notes Jupyter

Passez à l'environnement PyTorch Python 3

Si vous êtes toujours dans la console IPython, quit() utilisez-la, puis préparez-vous à changer d'environnement.

• Activez l'environnement PyTorch virtuel pour Python 3.

  $ source activate pytorch_p310

Testez PyTorch du code

Pour tester votre installation, utilisez Python pour écrire PyTorch du code qui crée et imprime un tableau.

1. Démarrez le terminal iPython.

   (pytorch_p310)$ ipython

2. Importer PyTorch.

   import torch

   Vous pouvez voir un message d'avertissement concernant un package tiers. Vous pouvez l'ignorer.

3. Créez une matrice 5x3 avec les éléments initialisés de manière aléatoire. Imprimez le tableau.

   x = torch.rand(5, 3)
   print(x)

   Vérifiez le résultat.

   tensor([[0.3105, 0.5983, 0.5410],
           [0.0234, 0.0934, 0.0371],
           [0.9740, 0.1439, 0.3107],
           [0.6461, 0.9035, 0.5715],
           [0.4401, 0.7990, 0.8913]])

Suppression d’environnements

Si vous manquez d'espace sur le DLAMI, vous pouvez choisir de désinstaller les packages Conda que vous n'utilisez pas :

conda env list
conda env remove –-name <env_name>