Uso da AMI de aprendizado profundo com Conda

Introdução à AMI de aprendizado profundo com Conda

O Conda é um sistema de gerenciamento de pacotes e de ambientes de código aberto que é executado no Windows, macOS e Linux. O Conda instala, executa e atualiza pacotes e suas dependências rapidamente. O Conda cria, salva, carrega e alterna facilmente entre ambientes em seu computador local.

A AMI de deep learning com Conda foi configurada para que você alterne facilmente entre ambientes de aprendizado profundo. As instruções a seguir orientam você na execução de alguns comandos básicos com conda. Elas também ajudam você a verificar se a importação básica da estrutura está funcionando e se você pode executar algumas operações simples com a estrutura. Em seguida, você pode continuar com tutoriais mais completos fornecidos com a DLAMI ou os exemplos de estruturas encontrados em cada site de projeto das estruturas.

Faça login na DLAMI

Após fazer login em seu servidor, você verá uma "mensagem do dia" (MOTD) do servidor que descreve vários comandos do Conda que você pode usar para alternar entre as diferentes estruturas de aprendizado profundo. Abaixo está um exemplo de MOTD. Seu MOTD específico pode variar conforme novas versões da DLAMI são lançadas.

=============================================================================
        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
    =============================================================================

Inicie o TensorFlow ambiente

nota

Quando iniciar seu primeiro ambiente Conda, aguarde enquanto ele carrega. A AMI de deep learning com Conda instala automaticamente a versão mais otimizada da estrutura para sua instância do EC2 após a primeira ativação da estrutura. Não deve haver atrasos subsequentes.

1. Ative o ambiente TensorFlow virtual para Python 3.

   $ source activate tensorflow2_p310

2. Inicie o terminal iPython.

   (tensorflow2_p310)$ ipython

3. Execute um TensorFlow programa rápido.

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

Você deve ver "Hello, Tensorflow!"

A seguir

Executar os tutoriais do notebook Jupyter

Mude para o PyTorch ambiente Python 3

Se você ainda estiver no console do iPython, use quit() e, em seguida, prepare-se para alternar os ambientes.

• Ative o ambiente PyTorch virtual para Python 3.

  $ source activate pytorch_p310

Teste alguns PyTorch códigos

Para testar sua instalação, use o Python para escrever um PyTorch código que cria e imprime uma matriz.

1. Inicie o terminal iPython.

   (pytorch_p310)$ ipython

2. Importar PyTorch.

   import torch

   Você pode ver uma mensagem de aviso sobre um pacote de terceiros. Você pode ignorá-lo.

3. Crie uma matriz 5x3 com elementos inicializados de modo aleatório. Imprima a matriz.

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

   Verifique o resultado.

   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]])

Remoção de ambientes

Se ficar sem espaço na DLAMI, você poderá optar por desinstalar pacotes do Conda que não estiver usando:

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