Πίνακας περιεχομένων:

Πώς μπορώ να εκτελέσω το AWS TensorFlow;
Πώς μπορώ να εκτελέσω το AWS TensorFlow;

Βίντεο: Πώς μπορώ να εκτελέσω το AWS TensorFlow;

Βίντεο: Πώς μπορώ να εκτελέσω το AWS TensorFlow;
Βίντεο: Introduction to Amazon Web Services by Leo Zhadanovsky 2024, Ενδέχεται
Anonim

Για να ενεργοποιήσετε το TensorFlow, ανοίξτε μια παρουσία Amazon Elastic Compute Cloud (Amazon EC2) του DLAMI με το Conda

  1. Για το TensorFlow και το Keras 2 σε Python 3 με CUDA 9.0 και MKL-DNN, εκτελέστε αυτήν την εντολή: $ source activate tensorflow_p36.
  2. Για το TensorFlow και το Keras 2 σε Python 2 με CUDA 9.0 και MKL-DNN, εκτελέστε αυτήν την εντολή:

Αντίστοιχα, το TensorFlow τρέχει σε AWS;

TensorFlow ™ δίνει τη δυνατότητα στους προγραμματιστές να ξεκινήσουν γρήγορα και εύκολα με τη βαθιά εκμάθηση στο cloud. Εσείς μπορώ ξεκινήστε AWS με μια πλήρως διαχειριζόμενη TensorFlow εμπειρία με Αμαζόνα SageMaker, μια πλατφόρμα για την κατασκευή, την εκπαίδευση και την ανάπτυξη μοντέλων μηχανικής εκμάθησης σε κλίμακα.

Γνωρίζετε επίσης, τι είναι το AWS TensorFlow; Κατηγορία: Tensorflow επί AWS TensorFlow είναι μια βιβλιοθήκη μηχανικής μάθησης ανοιχτού κώδικα (ML) που χρησιμοποιείται ευρέως για την ανάπτυξη βαρέων βαθιών νευρωνικών δικτύων (DNN) που απαιτούν κατανεμημένη εκπαίδευση χρησιμοποιώντας πολλαπλές GPU σε πολλούς κεντρικούς υπολογιστές.

Επίσης, το ερώτημα είναι, πώς μπορώ να εκτελέσω τη μηχανική εκμάθηση AWS;

Ξεκινήστε με το Deep Learning Χρησιμοποιώντας το AWS Deep Learning AMI

  1. Βήμα 1: Ανοίξτε την Κονσόλα EC2.
  2. Βήμα 1β: Επιλέξτε το κουμπί Launch Instance.
  3. Βήμα 2α: Επιλέξτε το AWS Deep Learning AMI.
  4. Βήμα 2β: Στη σελίδα λεπτομερειών, επιλέξτε Συνέχεια.
  5. Βήμα 3α: Επιλέξτε έναν τύπο παρουσίας.
  6. Βήμα 3β: Εκκινήστε την παρουσία σας.
  7. Βήμα 4: Δημιουργήστε ένα νέο αρχείο ιδιωτικού κλειδιού.
  8. Βήμα 5: Κάντε κλικ στην Προβολή παρουσίασης για να δείτε την κατάσταση της παρουσίας σας.

Πώς εξυπηρετείτε ένα μοντέλο TensorFlow;

  1. Δημιουργήστε το μοντέλο σας. Εισαγάγετε το σύνολο δεδομένων Fashion MNIST. Εκπαιδεύστε και αξιολογήστε το μοντέλο σας.
  2. Αποθηκεύστε το μοντέλο σας.
  3. Εξετάστε το αποθηκευμένο μοντέλο σας.
  4. Σερβίρετε το μοντέλο σας με το TensorFlow Serving. Προσθήκη URI διανομής υπηρεσίας TensorFlow ως πηγή πακέτου: Εγκαταστήστε την υπηρεσία TensorFlow.
  5. Κάντε ένα αίτημα στο μοντέλο σας στην υπηρεσία TensorFlow. Κάντε αιτήματα REST.

Συνιστάται: