带 MXNet 的 Keras - 深度学习 AMI
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅中国的 Amazon Web Services 服务入门

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。

激活带 MXNet 后端的 Keras,并在 DLAMI onda 上测试它

  1. 要激活带 MXNet 后端的 Keras,请使用 Conda 打开 DLAMI 的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
  2. 启动 iPython 终端:

    (mxnet_p36)$ ipython
  3. 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

    如果出现错误,或者如果 TensorFlow 后端仍在使用,您需要手动更新您的 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)

  1. 在 DLAMI 中打开终端和 SSSSS连接。

  2. 导航到 ~/examples/keras-mxnet/ 文件夹。

  3. 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)。

  4. (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
  5. (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)
  6. 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

  • 您可以在具有 Conda MXNet 深度学习AMI。~/examples/keras-mxnet目录。

  • 有关更多教程和示例,请参阅Keras-MXNet GitHub 项目.