带 Conda 的深度学习 AMI 的简介登录到你的 DLAMI 启动 TensorFlow 环境切换到 PyTorch Python 3 环境切换到 MXNet Python 3 环境删除环境

使用带 Conda 的深度学习 AMI

主题

带 Conda 的深度学习 AMI 的简介
登录到你的 DLAMI
启动 TensorFlow 环境
切换到 PyTorch Python 3 环境
切换到 MXNet Python 3 环境
删除环境

带 Conda 的深度学习 AMI 的简介

Conda 是一个开源程序包管理系统和环境管理系统，在 Windows、macOS 和 Linux 上运行。Conda 快速安装、运行和更新程序包及其依赖项。Conda 可轻松创建、保存、加载和切换本地计算机上的环境。

带 Conda 的深度学习 AMI 已配置完成，以便让您轻松切换深度学习环境。以下说明为您介绍与 conda 相关的一些基本命令。它们还可以帮助您验证框架的基本导入正常运行，并且您可以使用框架运行一些简单操作。然后，您可以继续查看随 DLAMI 提供的更全面的教程，或者每个框架的项目站点上提供的框架示例。

登录服务器后，您会看到服务器的“每日消息”（MOTD），它介绍了可以用来切换不同深度学习框架的各种 Conda 命令。以下是示例 MOTD。由于新版本 DLAMI 的发布，您的特定 MOTD 可能不同。

注意

从 v28 版本开始，我们就不再包含 CNTK、Caffe、Caffe2、Theano、Chainer 和 Keras Conda 环境了。 Amazon Deep Learning AMI 包含这些环境 Amazon Deep Learning AMI 的先前版本将继续可用。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。


=============================================================================
       __|  __|_  )
       _|  (     /   Deep Learning AMI (Ubuntu 18.04) Version 40.0
      ___|\___|___|
=============================================================================

Welcome to Ubuntu 18.04.5 LTS (GNU/Linux 5.4.0-1037-aws x86_64v)

Please use one of the following commands to start the required environment with the framework of your choice:
for AWS MX 1.7 (+Keras2) with Python3 (CUDA 10.1 and Intel MKL-DNN) _______________________________ source activate mxnet_p36
for AWS MX 1.8 (+Keras2) with Python3 (CUDA + and Intel MKL-DNN) ___________________________ source activate mxnet_latest_p37
for AWS MX(+AWS Neuron) with Python3 ___________________________________________________ source activate aws_neuron_mxnet_p36
for AWS MX(+Amazon Elastic Inference) with Python3 _______________________________________ source activate amazonei_mxnet_p36
for TensorFlow(+Keras2) with Python3 (CUDA + and Intel MKL-DNN) _____________________________ source activate tensorflow_p37
for Tensorflow(+AWS Neuron) with Python3 _________________________________________ source activate aws_neuron_tensorflow_p36
for TensorFlow 2(+Keras2) with Python3 (CUDA 10.1 and Intel MKL-DNN) _______________________ source activate tensorflow2_p36
for TensorFlow 2.3 with Python3.7 (CUDA + and Intel MKL-DNN) ________________________ source activate tensorflow2_latest_p37
for PyTorch 1.4 with Python3 (CUDA 10.1 and Intel MKL) _________________________________________ source activate pytorch_p36
for PyTorch 1.7.1 with Python3.7 (CUDA 11.0 and Intel MKL) ________________________________ source activate pytorch_latest_p37
for PyTorch (+AWS Neuron) with Python3 ______________________________________________ source activate aws_neuron_pytorch_p36
for base Python3 (CUDA 10.0) _______________________________________________________________________ source activate python3

每个 Conda 命令具有以下模式：

source activate framework_python-version

例如，您可能会看到 for MXNet(+Keras1) with Python3 (CUDA 10.1) _____________________ source activate mxnet_p36，这意味着该环境具有 MXNet、Keras 1、Python 3 和 CUDA 10.1。要激活此环境，您可以使用以下命令：


$ source activate mxnet_p36

启动 TensorFlow 环境

注意

在启动您的第一个 Conda 环境时，请在其加载期间耐心等待。带 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。您不应期望后续的延迟。

激活 Python 3 的 TensorFlow 虚拟环境。
```
$ source activate tensorflow_p37
```
启动 iPython 终端。
```
(tensorflow_37)$ ipython
```

运行一个快速 TensorFlow 程序。



import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

您应该会看到“Hello, Tensorflow!”

后续步骤

运行 Jupyter 笔记本电脑教程

切换到 PyTorch Python 3 环境

如果您仍然处于 iPython 控制台中，则使用 quit()，然后准备切换环境。

激活 Python 3 的 PyTorch 虚拟环境。
```
$ source activate pytorch_p36
```

测试一些 PyTorch 代码

要测试您的安装，请使用 Python 编写用于创建和打印数组的 PyTorch 代码。

启动 iPython 终端。
```
(pytorch_p36)$ ipython
```
导入 PyTorch。
```
import torch
```
您可能会看到一条关于第三方软件包的警告消息。您可以忽略它。

创建一个 5x3 矩阵，将元素随机初始化。打印数组。


x = torch.rand(5, 3)
print(x)

验证结果。


tensor([[0.3105, 0.5983, 0.5410],
        [0.0234, 0.0934, 0.0371],
        [0.9740, 0.1439, 0.3107],
        [0.6461, 0.9035, 0.5715],
        [0.4401, 0.7990, 0.8913]])

切换到 MXNet Python 3 环境

如果您仍然处于 iPython 控制台中，则使用 quit()，然后准备切换环境。

激活适用于 Python 3 的 MXNet 虚拟环境。
```
$ source activate mxnet_p36
```

测试一些 MXNet 代码

要测试您的安装，请使用 Python 编写 MXNet 代码，以使用 NDArray API 创建并打印数组。有关更多信息，请参阅 NDArray API。

启动 iPython 终端。
```
(mxnet_p36)$ ipython
```
导入 MXNet。
```
import mxnet as mx
```
您可能会看到一条关于第三方软件包的警告消息。您可以忽略它。

创建一个 5x5 矩阵、一个 NDArray 实例，将元素初始化为 0。打印数组。


mx.ndarray.zeros((5,5)).asnumpy()

验证结果。


array([[ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.],
       [ 0.,  0.,  0.,  0.,  0.]], dtype=float32)

您可以在 MXNet 教程部分找到 MXNet 的更多示例。

删除环境

如果您用尽了 DLAMI 上的空间，则可以选择卸载不用的 Conda 软件包：


conda env list
conda env remove –-name <env_name>

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

使用 DLAMI

基础 DLAMI