在30分鐘內創建你的深度學習伺服器

每當我開始一個新的項目時，我發現自己一次又一次地創建一個深度學習機器。

從安裝Anaconda開始，最後為Pytorch和Tensorflow創建不同的環境，這樣它們就不會相互幹擾。而在這中間，你不可避免地會搞砸，從頭開始。這種情況經常發生多次。

這不僅是對時間的巨大浪費，它也是令人惱火的。通過所有的堆棧溢出線程，我們經常想知道究竟出了什麼問題。

那麼，有沒有一種方法可以更有效地做到這一點呢？

在這個博客中，我將嘗試在EC2上以最小的努力建立一個深度學習伺服器，這樣我就可以專注於更重要的事情。

本博客明確地由兩部分組成：

• 設置一個預先安裝了深度學習庫的Amazon EC2機器。
• 使用TMUX和SSH隧道設置Jupyter notebook。

別擔心，這不像聽起來那麼難。只需按照步驟操作，然後單擊「下一步」。

設置Amazon EC2計算機

我假設你擁有一個AWS帳戶，並且可以訪問AWS控制臺。如果沒有，你可能需要註冊一個Amazon AWS帳戶。

• AWS控制臺：https://aws.amazon.com/console/
• 首先，我們需要轉到「Services」選項卡以訪問EC2儀錶板。

1. 在EC2儀錶板上，你可以從創建實例開始。

1. 亞馬遜向社區AMI（亞馬遜機器映像）預裝了深度學習軟體。要訪問這些AMI，你需要查看社區AMI，並在「搜索」選項卡中搜索「 Ubuntu深度學習」。你可以選擇其他任何Linux風格，但是我發現Ubuntu對於滿足我的深度學習需求最為有用。在當前設置中，我將使用深度學習AMI（Ubuntu 18.04）27.0版

1. 選擇AMI後，可以選擇「實例類型」。在這裡，你可以指定系統中所需的CPU，內存和GPU的數量。亞馬遜提供了許多根據個人需求選擇的選項。你可以使用「過濾依據」過濾器過濾GPU實例。 在本教程中，我使用了p2.xlarge實例，該實例為NVIDIA K80 GPU提供了2,496個並行處理內核和12GiB的GPU內存。要了解不同的實例類型，你可以查看下方連結中的文檔，並查看價格。 查看文檔：https://aws.amazon.com/ec2/instance-types/ 查看價格：https://aws.amazon.com/emr/pricing/

1. 你可以在第4步中更改連接到機器的存儲。如果你不預先添加存儲，也可以，因為以後也可以這樣做。我將存儲空間從90 GB更改為500 GB，因為大多數深度學習需求都需要適當的存儲空間。

1. 僅此而已，你可以在進入最終審閱實例設置屏幕之後啟動實例。單擊啟動後，你將看到此屏幕。只需在「Key pair name」中輸入任何密鑰名稱，然後單擊「Download Key Pair」即可。你的密鑰將按照你提供的名稱下載到計算機上。對我來說，它被保存為「aws_key.pem」。完成後，你可以單擊「Launch Instances」啟動實例。

請確保此密鑰對的安全，因為每當你要登錄實例時都需要這樣做。

1. 現在，你可以單擊下一頁上的「View Instances」以查看你的實例。這是你的實例的樣子：

1. 要連接到你的實例，只需在本地計算機上打開一個終端窗口，然後瀏覽到保存密鑰對文件並修改一些權限的文件夾。

chmod 400 aws_key.pem

完成此操作後，你將可以通過SSH連接到你的實例。SSH命令的格式為：

ssh -i「 aws_key.pem」 ubuntu @ <你的PublicDNS（IPv4）>

對我來說，命令是：

ssh -i「 aws_key.pem」 [e-mail]

另外，請記住，一旦關閉實例，公用DNS可能會更改。

1. 你已經準備好機器並準備就緒。本機包含不同的環境，這些環境具有你可能需要的各種庫。這臺特定的機器具有MXNet，Tensorflow和Pytorch，以及不同版本的python。最好的事情是，我們已經預先安裝了所有這些功能，因此開箱即用。

設置Jupyter Notebook

但是，仍然需要使用一些東西才能充分使用計算機。其中之一就是Jupyter Notebook。要在計算機上設置Jupyter Notebook，我建議使用TMUX和隧道。讓我們逐步設置Jupyter Notebook。

1. 使用TMUX運行Jupyter Notebook 我們將首先使用TMUX在實例上運行Jupyter Notebook。我們主要使用它，以便即使終端連接丟失，我們的筆記本電腦仍然可以運行。

為此，你將需要使用以下命令創建一個新的TMUX會話：

tmux new -s StreamSession

完成後，你將看到一個新屏幕，底部帶有綠色邊框。你可以使用jupyter notebook命令在此計算機上啟動Jupyter Notebook 。你將看到類似以下內容：

複製登錄URL將是有益的，這樣以後以後嘗試登錄到jupyter notebook時，我們將能夠獲取令牌。就我而言，它是：

http://localhost:8888/?token=5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872

下一步是分離TMUX會話，以便它在後臺繼續運行，即使你離開ssh shell。要做到這一點，只需按Ctrl+B，然後按D（按D時不要按Ctrl），你將返回到初始屏幕，顯示你已從TMUX會話中分離的消息。

如果需要，可以使用以下方法重新連接到會話：

tmux attach -t StreamSession

1. SSH隧道訪問本地瀏覽器上的notebook

第二步是進入Amazon實例，以便在本地瀏覽器上獲取Jupyter notebook。如我們所見，Jupyter notebook實際上運行在雲實例的本地主機上。我們如何訪問它？我們使用SSH隧道。不用擔心，這很簡單。只需在本地機器終端窗口上使用以下命令：

ssh -i「 aws_key.pem」 -L <本地計算機埠>：localhost：8888 ubuntu @ <你的PublicDNS（IPv4）>

對於這種情況，我使用了：

ssh -i &34; -L 8001:localhost:8888 [e-mail]

這意味著，如果我在本地計算機瀏覽器中打開localhost:8001，則可以使用Jupyter Notebook。我當然可以。現在，我們只需輸入在先前的步驟之一中已經保存的令牌即可訪問notebook。對我來說令牌是5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872

• 令牌: http://localhost:8888/?token=5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872&token=5ccd01f60971d9fc97fd79f64a5bb4ce79f4d96823ab7872

你只需使用你的令牌登錄即可。

現在，你可以通過選擇所需的任何不同環境來選擇新項目。你可以來自Tensorflow或Pythorch，也可以兩者兼得。notebook不會讓你失望的。

故障排除

重新啟動計算機後，你可能會遇到NVIDIA圖形卡的一些問題。具體來說，就我而言，該nvidia-smi命令停止工作。如果遇到此問題，解決方案是從NVIDIA 網站下載圖形驅動程序。

• NVIDIA 網站:https://www.nvidia.in/Download/index.aspx?lang=en-in

以上是我選擇的特定AMI的設置。單擊搜索後，你將可以看到下一頁：

只需通過右鍵單擊並複製連結地址來複製下載連結。並在計算機上運行以下命令。你可能需要在其中更改連結地址和文件名。

# 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=Teslasudo sh NVIDIA-Linux-x86_64-410.129-diagnostic.run --no-drm --disable-nouveau --dkms --silent --install-libglvndmodinfo nvidia | head -7sudo modprobe nvidia

停止實例

就是這樣。你已經掌握並啟動了深度學習機器，並且可以隨意使用它。請記住，無論何時停止工作，都應停止實例，因此，當你不在實例上工作時，無需向Amazon付費。你可以在實例頁面上通過右鍵單擊你的實例來執行此操作。請注意，當你需要再次登錄到該計算機時，你可能需要從實例頁面重新獲得公共DNS（IPv4）地址，因為它可能已更改。

結論

我一直覺得建立深度學習環境非常麻煩。

在此博客中，我們通過使用深度學習社區AMI，TMUX和Jupyter Notebook的隧道技術，在最短的時間內在EC2上設置了新的深度學習伺服器。該伺服器已預先安裝了你在工作中可能需要的所有深度學習庫，並且開箱即用。

那你還在等什麼？只需在你自己的伺服器上開始使用深度學習即可。