Executar os tutoriais do notebook Jupyter

Tutoriais e exemplos são fornecidos com cada origem dos projetos de aprendizado profundo e, na maioria dos casos, eles são executados em qualquer DLAMI. Se você escolher a AMI de aprendizado profundo com Conda, obterá o benefício adicional de alguns tutoriais escolhidos a dedo já configurados e prontos para serem testados.

Importante

Para executar os tutoriais instalados no caderno Jupyter na DLAMI, você precisará Configurar um servidor do caderno Jupyter.

Assim que o servidor do Jupyter estiver em execução, você poderá executar os tutoriais por meio de seu navegador da web. Se estiver executando a AMI de deep learning com Conda ou tiver configurado ambientes do Python, será possível alternar os kernels do Python na interface do caderno Jupyter. Selecione o kernel apropriado antes de tentar executar um tutorial específico à estrutura. Exemplos adicionais são fornecidos para os usuários da AMI de deep learning com Conda.

nota

Muitos tutoriais exigem módulos adicionais do Python que podem não estar configurados na DLAMI. Se você receber um erro, como "xyz module not found", faça login na DLAMI, ative o ambiente conforme descrito acima e, em seguida, instale os módulos necessários.

dica

Com frequência, os tutoriais e exemplos de aprendizado profundo dependem de uma ou mais GPUs. Se seu tipo de instância não tiver uma GPU, talvez seja necessário alterar um pouco o código de exemplo para que ele seja executado.

Navegar pelos tutoriais instalados

Depois de fazer login no servidor do Jupyter e poder ver o diretório dos tutoriais (somente na AMI de deep learning com Conda), serão apresentadas pastas de tutoriais para cada nome de estrutura. Se você não vir uma estrutura listada, os tutoriais não estarão disponíveis para essa estrutura em sua DLAMI atual. Clique no nome da estrutura para ver os tutoriais listados e, em seguida, clique em um tutorial para iniciá-lo.

Na primeira vez que executa um caderno na AMI de deep learning com Conda, você precisará informar qual ambiente deseja usar. Você poderá selecionar de uma lista. Cada ambiente é denominado de acordo com este padrão:

Environment (conda_framework_python-version)

Por exemplo, você pode ver Environment (conda_mxnet_p36), o que significa que o ambiente tem o MXNet e o Python 3. A outra variação disso seria Environment (conda_mxnet_p27), o que significa que o ambiente tem o MXNet e o Python 2.

dica

Se você está preocupado sobre qual versão do CUDA está ativa, uma maneira de ver isso é no MOTD, quando você faz login pela primeira vez na DLAMI.

Alternar ambientes com o Jupyter

Se você decidir experimentar um tutorial para uma estrutura diferente, certifique-se de verificar o kernel em execução. Essas informações podem ser vistas no canto superior direito da interface do Jupyter, logo abaixo do botão de logout. Você pode alterar o kernel em qualquer notebook clicando no item de menu Kernel do Jupyter, em seguida, em Change Kernel e, em seguida, clicando no ambiente que atende ao notebook que você está executando.

Neste ponto, você precisará executar novamente todas as células porque uma alteração no kernel apagará o estado de qualquer coisa que tenha executado anteriormente.

dica

Alternar entre as estruturas pode ser divertido e instrutivo, no entanto, você pode esgotar a memória. Se você começar a receber erros, examine a janela de terminal que tem o servidor do Jupyter em execução. Há mensagens úteis e registros de erros aqui, e você pode ver um out-of-memory erro. Para corrigir isso, você pode ir para a página inicial do servidor do Jupyter, clicar na guia Running e, em seguida, em Shutdown para cada um dos tutoriais que provavelmente ainda estão em execução em segundo plano e consumindo toda a sua memória.