每当我开始一个新的项目时，我发现自己一次又一次地创建一个深度学习机器。
从安装Anaconda开始，然后为Pytorch和Tensorflow创建不同的环境，这样它们就不会相互干扰，而在这中间，你不可避免地会搞砸，然后得从头开始。这种情况经常发生。这不仅是对时间的巨大浪费，也是令人恼火的。通过所有的堆栈溢出线程，我们经常想知道究竟出了什么问题。那么，有没有一种方法可以更有效地做到这一点呢？在这个博客中，我将尝试在EC2上以最小的努力建立一个深度学习服务器，这样我就可以专注于更重要的事情。本文章由两部分组成：设置一个预先安装了深度学习库的Amazon EC2机器。使用TMUX和SSH隧道设置Jupyter notebook。别担心，这听起来不难，只需按照步骤操作，然后单击“下一步”。设置Amazon EC2计算机我假设你拥有一个AWS账户，并且可以访问AWS控制台，如果没有，你可能需要注册一个Amazon AWS账户。AWS控制台：https：／／aws．amazon．com／console／首先，我们需要转到“Services”选项卡以访问EC2仪表板。
在EC2仪表板上，你可以从创建实例开始。
3．亚马逊向社区AMI（亚马逊机器映像）预装了深度学习软件。要访问这些AMI，你需要查看社区AMI，并在“搜索”选项卡中搜索“ Ubuntu深度学习”。你可以选择其他任何的Linux风格，但是我发现Ubuntu对于满足我的深度学习需求是最为有用。在当前设置中，我将使用深度学习AMI（Ubuntu 18．04）27．0版
4．选择AMI后，可以选择“实例类型”。在这里，你可以指定系统中所需的CPU，内存和GPU的数量。亚马逊提供了许多根据个人需求选择的选项，你可以使用“过滤依据”过滤器过滤GPU实例。在本教程中，我使用了p2．xlarge实例，该实例为NVIDIA K80 GPU提供了2，496个并行处理内核和12GiB的GPU内存。要了解不同的实例类型，你可以查看下方链接中的文档，并查看价格。查看文档：https：／／aws．amazon．com／ec2／instance－types／查看价格：https：／／aws．amazon．com／emr／pricing／
5．你可以在第4步中更改连接到机器的存储。如果你不预先添加存储也是可以，因为以后也可以这样做。我将存储空间从90 GB更改为500 GB，因为大多数深度学习需求都需要适当的存储空间。
6．仅此而已，你可以在进入最终审阅实例设置屏幕之后启动实例。单击启动后，你将看到此屏幕，只需在“Key pair name”中输入任何密钥名称，然后单击“Download Key Pair”即可。你的密钥将按照你提供的名称下载到计算机上。对我来说，它被保存为“aws＿key．pem”。完成后，你可以单击“Launch Instances”启动实例。
请确保此密钥对的安全，因为每当你要登录实例时都需要这样做。7．现在，你可以单击下一页上的“View Instances”以查看你的实例。这是你的实例的样子：
8．要连接到你的实例，只需在本地计算机上打开一个终端窗口，然后浏览到保存密钥对文件并修改一些权限的文件夹。chmod 400 aws＿key．pem完成此操作后，你将可以通过SSH连接到你的实例。SSH命令的格式为：ssh －i“ aws＿key．pem” ubuntu ＠ ＜你的PublicDNS（IPv4）＞对我来说，命令是：ssh －i“ aws＿key．pem” ubuntu＠ec2－54－202－223－197．us－west－2．compute．amazonaws．com
另外，请记住，一旦关闭实例，公用DNS可能会更改。9．你已经准备好机器并准备就绪。本机包含不同的环境，这些环境具有你可能需要的各种库。这台特定的机器具有MXNet，Tensorflow和Pytorch，以及不同版本的python，最好的事情是，我们已经预先安装了所有这些功能，因此开箱即用。
设置Jupyter Notebook但是，我们仍然需要使用一些东西才能充分使用计算机，其中之一就是Jupyter Notebook。要在计算机上设置Jupyter Notebook，我建议使用TMUX和隧道。让我们逐步设置Jupyter Notebook。1．使用TMUX运行Jupyter Notebook我们将首先使用TMUX在实例上运行Jupyter Notebook。我们使用它是为了即使终端连接丢失，我们的笔记本电脑仍然可以运行。为此，你将需要使用以下命令创建一个新的TMUX会话：tmux new －s StreamSession完成后，你将看到一个新屏幕，底部带有绿色边框。你可以使用jupyter notebook命令在此计算机上启动Jupyter Notebook 。你将看到类似以下内容：
复制登录URL将是有益的，这样以后尝试登录到jupyter notebook时，我们将能够获取令牌。就我而言，它是：http：／／localhost：8888／？token＝5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872下一步是分离TMUX会话，以便它在后台继续运行，即使你离开ssh shell。要做到这一点，只需按Ctrl＋B，然后按D（按D时不要按Ctrl），你将返回到初始屏幕，显示你已从TMUX会话中分离的消息。
如果需要，可以使用以下方法重新连接到会话：tmux attach －t StreamSession2．SSH隧道访问本地浏览器上的notebook第二步是进入Amazon实例，以便在本地浏览器上获取Jupyter notebook。如我们所见，Jupyter notebook实际上运行在云实例的本地主机上。我们使用SSH隧道来访问它，很简单，只需在本地机器终端窗口上使用以下命令：ssh －i“ aws＿key．pem” －L ＜本地计算机端口＞：localhost：8888 ubuntu ＠ ＜你的PublicDNS（IPv4）＞对于这种情况，我使用了：ssh －i ＂aws＿key．pem＂ －L 8001：localhost：8888 ubuntu＠ec2－54－202－223－197．us－west－2．compute．amazonaws．com这意味着，如果我在本地计算机浏览器中打开localhost：8001，则可以使用Jupyter Notebook。现在，我们只需输入在先前的步骤之一中已经保存的令牌即可访问notebook，对我来说令牌是5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872令牌： http：／／localhost：8888／？token＝5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872＆token＝5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872
你只需使用你的令牌登录即可。
现在，你可以通过选择所需的任何不同环境来选择新项目，可以来自Tensorflow或Pythorch，也可以两者兼得，notebook不会让你失望的。
故障排除重新启动计算机后，你可能会遇到NVIDIA图形卡的一些问题。就我而言，该nvidia－smi命令停止了工作，如果遇到此问题，解决方案是从NVIDIA 网站下载图形驱动程序。NVIDIA 网站：https：／／www．nvidia．in／Download／index．aspx？lang＝en－in
以上是我选择的特定AMI的设置。单击搜索后，你将可以看到下一页：
只需通过右键单击并复制链接地址来复制下载链接，并在计算机上运行以下命令，你可能需要在其中更改链接地址和文件名。＃ When nvidia－smi doesnt work：
wget https：／／www．nvidia．in／content／DriverDownload－March2009／confirmation．php？url＝／tesla／410．129／NVIDIA－Linux－x86＿64－410．129－diagnostic．run＆lang＝in＆type＝Tesla
sudo sh NVIDIA－Linux－x86＿64－410．129－diagnostic．run －－no－drm －－disable－nouveau －－dkms －－silent －－install－libglvnd
modinfo nvidia ｜ head －7
sudo modprobe nvidia停止实例就是这样。你已经掌握并启动了深度学习机器，并且可以随意使用它。请记住，无论何时停止工作，都应停止实例，这样当你不在实例上工作时，无需向Amazon付费。你可以在实例页面上通过右键单击你的实例来执行此操作。请注意，当你需要再次登录到该计算机时，你可能需要从实例页面重新获得公共DNS（IPv4）地址，因为它可能已更改。
结论我一直觉得建立深度学习环境非常麻烦。在此文中，我们通过使用深度学习社区AMI，TMUX和Jupyter Notebook的隧道技术，在最短的时间内在EC2上设置了新的深度学习服务器。该服务器已预先安装了你在工作中可能需要的所有深度学习库，并且开箱即用。那你还在等什么？只需在你自己的服务器上开始使用深度学习即可。参考链接：https：／／towardsdatascience．com／stop－worrying－and－create－your－deep－learning－server－in－30－minutes－bb5bd956b8de
☆ END ☆如果看到这里，说明你喜欢这篇文章，请转发、点赞。
