本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。
带 MXNet 的 Keras
本教程介绍如何在带 Conda 的深度学习 AMI 上激活和使用带 MXNet 后端的 Keras 2。
在带 Conda 的深度学习 AMI 上激活并测试带 MXNet 后端的 Keras
-
要激活带 MXNet 后端的 Keras,请打开带 Conda 的 DLAMI 的 Amazon Elastic Compute Cloud (Amazon EC2) 实例。
-
对于 Python 3,运行以下命令:
$
source activate mxnet_p36 -
对于 Python 2,运行以下命令:
$
source activate mxnet_p27
-
-
启动 iPython 终端:
(mxnet_p36)$
ipython -
测试导入带 MXNet 的 Keras 以验证其是否运行正常:
import keras as k
以下内容应显示在您的屏幕上(可能出现在一些警告消息之后)。
Using MXNet backend
注意
如果您遇到错误,或者 TensorFlow 后端仍在使用中,则需要手动更新 Keras 配置。编辑
~/.keras/keras.json
文件并将后端设置更改为mxnet
。
Keras-MXNet Multi-GPU 训练教程
训练卷积神经网络 (CNN)
-
在 DLAMI 中打开终端和 SSH。
-
导航到
~/examples/keras-mxnet/
文件夹。 -
在终端窗口中运行
nvidia-smi
以确定 DLAMI 上的可用 GPU 数。在下一步骤中,您将按原样运行脚本(如果您有四个 GPU)。 -
(可选)运行以下命令可打开脚本以进行编辑。
(mxnet_p36)$
vi cifar10_resnet_multi_gpu.py -
(可选)脚本具有定义 GPU 数的以下行。如果需要,请更新它。
model = multi_gpu_model(model, gpus=4)
-
现在,运行训练。
(mxnet_p36)$
python cifar10_resnet_multi_gpu.py
注意
利用 channels_first
image_data_format 设置,Keras-MXNet 的运行速度可以加快 2 倍。要更改为 channels_first
,请编辑 Keras 配置文件 (~/.keras/keras.json
) 并设置以下内容:"image_data_format": "channels_first"
。
有关更多的性能优化方法,请参阅 Keras-MXNet 性能优化指南
更多信息
您可以在带 Conda 的深度学习 AMI
~/examples/keras-mxnet
目录中查找有关具有 MXNet 后端的 Keras 的示例。有关更多教程和示例,请参阅 Keras-MX GitHub
net 项目。