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。
使用 Conda 的深度学习 AMI AMI AM
Conda DLAMI 使用 Anaconda 虚拟环境。这些环境配置为单独安装不同的框架。它还可以让您轻松切换框架。这对了解和体验 DLAMI 提供的所有框架很有好处。大多数用户会发现采用 Conda 的新深度学习 AMI 非常适合他们。
这些 “Conda” AMI 将是主要的 DLAMI。它将经常使用框架中的最新版本进行更新，并拥有最新的 GPU 驱动程序和软件。它通常被称为的AWS 深度学习 AMI 在大多数文档中提供。
-
Ubuntu 18.04 DLAMI 具有以下框架：Apache MXNet (孵化)、Chainer、PyTorch、TensorFlow 和 TensorFlow 2
-
Ubuntu 16.04 和 Amazon Linux Linux DLAMI 具有以下框架：Apache MXNet (孵化)、Chainer、Keras、PyTorch、TensorFlow 和 TensorFlow 2
-
亚马逊 Linux 2 DLAMI 具有以下框架：Apache MXNet (孵化)、Chainer、PyTorch、TensorFlow 2 和 Keras
从 v28 版本开始，我们不再在 AWS 深度学习 AMI 中包含 CNTK、Caffe、Caffe2 和 Theano Conda 环境。包含这些环境的早期 AWS 深度学习 AMI 版本的继续可用。但是，只有在开源社区针对这些框架发布安全修补程序时，我们才会为这些环境提供更新。
稳定版本与候选版本
Conda AMI 使用每个框架中最新正式版本的优化二进制文件。不会有候选版本和实验性功能。优化取决于框架对 Intel 的 MKL DNN 等加速技术的支持，这些技术可加快在 C5 和 C4 CPU 实例类型上的训练和推理速度。二进制文件也将被编译以支持高级 Intel 指令集，包括但不限于 AVX、AVX-2、SSE4.1 和 SSE4.2。这些指令将加快 Intel CPU 架构上向量和浮点运算的速度。此外，对于 GPU 实例类型，将使用最新官方版本支持的任何版本更新 CUDA 和 cuDNN。
使用 Conda 的深度学习 AMI 会在框架首次激活时自动为您的 EC2 实例安装框架的最优化版本。有关更多信息，请参阅 将深度学习 AMI 与 Conda 结合使用。
如果要使用自定义或优化的版本选项从源安装，深度学习 Base AMI AMI 可能是更好的选择。
Python 2 弃用
Python 开源社区已于 2020 年 1 月 1 日正式结束对 Python 2 的支持。TensorFlow 和 PyTorch 社区已经宣布，TensorFlow 2.1 和 PyTorch 1.4 版本将是支持 Python 2 的最后版本。包含 Python 2 Conda 环境的先前版本（v26、v25 等）将继续可用。但是，只有在开源社区针对先前发布的 DLAI 版本发布了安全修补程序时，我们才会在这些版本上提供关于 Python 2 Conda 环境的更新。DLAMI 版本的 TensorFlow 和 PyTorch 框架的下一个版本将不包含 Python 2 康达环境。
Elastic Inference 支持
采用 Conda 的深度学习 AMI 附带具有支持 Elastic Inference 的环境，适用于 Conda 的深度学习AWS 深度学习 AMI，Ubuntu 16.04 选项和AWS 深度学习 AMI Amazon Linux 选项。弹性推理环境目前不支持AWS 深度学习 AMI，Ubuntu 18.04 选项和AWS 深度学习 AMI Amazon Linux 2 选项。有关 Elastic Inference 的教程和更多信息，请参阅Elastic Inference 文档。
CUDA 支持
采用 Conda CUDA 版本的深度学习 AMI 以及每个版本都支持的框架：
-
使用 cuDNN 7 的 CUDA 10.1：Apache MXNet
-
使用 cuDNN 7 的 CUDA 10：PyTorch、TensorFlow、TensorFlow 2、Apache MXNet、Chainer
可以在 的发行说明中找到特定的框架版本号
选择这个 DLAMI 类型，或通过 “后续步骤” 选项了解有关不同 DLAMI 的更多信息。
后续步骤
相关主题
-
有关使用深度学习 AMI 的教程，请参阅 Conda 的将深度学习 AMI 与 Conda 结合使用教程。