Exécution des didacticiels blocs-notes Jupyter

Des didacticiels et des exemples sont livrés avec la source de chacun des projets d'apprentissage profond et, dans la plupart des cas, ils peuvent s'exécuter sur n'importe quelle DLAMI. Si vous avez choisi l'Apprentissage profond AMI avec Conda, vous bénéficiez de quelques didacticiels déjà configurés et prêts à tester.

Important

Pour exécuter les didacticiels de blocs-notes Jupyter installés sur l'DLAMI, consultez Configuration d'un serveur Jupyter Notebook sur une instance DLAMI.

Une fois le serveur Jupyter en cours d'exécution, vous pouvez exécuter les didacticiels via votre navigateur Web. Si vous utilisez le Deep Learning AMI avec Conda ou si vous avez configuré des environnements Python, vous pouvez changer de noyau Python depuis l'interface du bloc-notes Jupyter. Sélectionnez le noyau approprié avant de tenter d'exécuter un didacticiel spécifique d'une infrastructure. D'autres exemples sont fournis aux utilisateurs du Deep Learning AMI avec Conda.

Note

De nombreux didacticiels nécessitent des modules Python supplémentaires qui peuvent ne pas être configurés sur votre DLAMI. Si vous obtenez une erreur similaire à "xyz module not found", connectez-vous à la DLAMI, activez l'environnement comme décrit ci-dessus, puis installez les modules nécessaires.

Astuce

Les didacticiels et les exemples de deep learning s'appuient souvent sur un ou plusieurs d'entre euxGPUs. Si votre type d'instance n'en possède pasGPU, vous devrez peut-être modifier une partie du code de l'exemple pour le faire fonctionner.

Navigation dans les didacticiels installés

Une fois que vous êtes connecté au serveur Jupyter et que vous pouvez voir le répertoire des tutoriels (uniquement pour le Deep Learning AMI avec Conda), des dossiers de didacticiels portant le nom de chaque framework vous seront présentés. Si vous ne voyez aucune infrastructure dans la liste, les didacticiels ne sont pas disponibles pour cette infrastructure sur votre DLAMI actuelle. Cliquez sur le nom de l'infrastructure pour voir les didacticiels répertoriés, puis cliquez sur un didacticiel pour le lancer.

La première fois que vous lancerez un bloc-notes sur le Deep Learning AMI avec Conda, il voudra savoir quel environnement vous souhaitez utiliser. Vous serez invité à le sélectionner dans une liste. Chaque environnement est nommé selon ce modèle :

Environment (conda_framework_python-version)

Par exemple, vous pourriez voirEnvironment (conda_mxnet_p36), ce qui signifie que l'environnement possède MXNet Python 3. L'autre variante seraitEnvironment (conda_mxnet_p27), ce qui signifie que l'environnement possède MXNet Python 2.

Astuce

Si vous vous demandez quelle version de CUDA est active, vous pouvez la voir MOTD lorsque vous vous connectez pour la première fois auDLAMI.

Changer d'environnement avec Jupyter

Si vous décidez de tester un didacticiel pour une infrastructure différente, assurez-vous de vérifier le noyau en cours d'exécution. Cette information est visible dans le coin supérieur droit de l'interface Jupyter, juste sous le bouton de déconnexion. Vous pouvez modifier le noyau sur n'importe quel bloc-note ouvert, en cliquant sur l'option de menu Jupyter Kernel, puis sur Change Kernel, puis en cliquant sur l'environnement qui correspond au bloc-notes que vous exécutez.

À ce stade, vous devrez réexécuter toutes les cellules, parce qu'une modification du noyau effacera l'état de tout ce que vous avez exécuté précédemment.

Astuce

Il peut être amusant et instructif de passer d'une infrastructure à une autre, mais vous pouvez manquer de mémoire. Si vous commencez à voir des erreurs, consultez la fenêtre du terminal sur lequel le serveur Jupyter est en cours d'exécution. Vous y trouverez des messages utiles et un journal d'erreurs, et il se peut qu'une out-of-memory erreur s'affiche. Pour corriger ce problème, vous pouvez accéder à la page d'accueil de votre serveur Jupyter, cliquez sur l'onglet En cours d'exécution, puis sur Fermeture pour chacun des didacticiels qui sont probablement toujours en cours d'exécution en arrière-plan et qui consomment toute votre mémoire.