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。

带 MXNet 的 Keras

在带 Conda 的深度学习 AMI 上激活并测试带 MXNet 后端的 Keras

注意

Keras-MXNet Multi-GPU 训练教程

训练卷积神经网络 (CNN)

注意

更多信息