...宣布支持 Keras 2,可更加方便快捷地實現 CNN 及 RNN 分布式訓練

雷鋒網(公眾號：雷鋒網) AI 研習社按，近期，AWS 表示 MXNet 支持 Keras 2，開發者可以使用 Keras-MXNet 更加方便快捷地實現 CNN 及 RNN 分布式訓練。AI 研習社將 AWS 官方博文編譯如下。

Keras-MXNet 深度學習後端現在可用，這要歸功於 Keras 和 Apache MXNet（孵化）開源項目的貢獻者。Keras 是用 Python 編寫的高級神經網絡 API，以快速簡單的 CNN 和  RNN 原型而聞名。

Keras 開發人員現在可以使用高性能 MXNet 深度學習引擎進行 CNN 和遞歸神經網絡 RNN 的分布式訓練。通過更新幾行代碼，Keras 開發人員可以使用 MXNet 的多 GPU 分布式訓練功能來提高訓練速度。保存 MXNet 模型是該發行版本一個極具價值的功能。開發者可以在 Keras 中進行設計，使用 Keras-MXNet 進行訓練，並且在生產中用 MXNet 進行大規模推算。

用 Keras 2 和 MXNet 做分布式訓練

本文介紹如何安裝 Keras-MXNet 並演示如何訓練 CNN 和 RNN。如果您之前嘗試過使用其他深度學習引擎做分布式訓練，那麼您應該知道這過程可能很乏味而且很困難。現在，讓我們看看用 Keras-MXNet  訓練會怎樣。

安裝只需要幾步

• 部署 AWS Deep Learning AMI

• 安裝 Keras-MXNet

• 配置 Keras-MXNet

1.部署 AWS Deep Learning AMI

按照此教程部署 AWS Deep Learning AMI（DLAMI）。要利用多 GPU 訓練示例，請啟動一個 p3.8xlarge 或類似的多 GPU 實例類型。

想要自己安裝依賴來運行 CUDA，Keras，MXNet 和其他框架（比如 TensorFlow）？ 請按照 Keras-MXNet 安裝指南來安裝。

2.安裝 Keras-MXNet

將 Keras-MXnet 及其依賴項安裝在您 DLAMI 上的 MXNet Conda 環境中。 由於它已經有Keras 1.0，所以你需要首先卸載它。登錄您的 DLAMI 並運行以下命令：

# Activate the MXNet Python 3 environment on the DLAMI

$ source activate mxnet_p36

# Install a dependency needed for Keras datasets

$ pip install h5py

# Uninstall older versions Keras-MXNet

$ pip uninstall keras-mxnet

# Install Keras-MXNet v2.1.6 

$ pip install keras-mxnet

Keras-MXnet 及其依賴現已安裝在 DLAMI 的 MXNet Conda 環境中。

3.驗證 Keras-MXNet 安裝

使用以下方式運行 MXNet 後端來驗證你的 Keras：

$ python

>>>import keras as k

   Using MXNet backend

CNN 支持

現在讓我們在 CIFAR-10 數據集上訓練一個 ResNet 模型以確定 10 個分類：飛機、汽車、鳥、貓、鹿、狗、青蛙、馬、船和卡車。

我們可以使用 Keras-MXNet 存儲庫的示例的部分 Keras 2 腳本。用 MXNet 作為 Keras 的後端只需要對腳本進行非常少的更新。

首先從 Keras-MXNet 庫文件中下載示例腳本。

$ wget https://raw.githubusercontent.com/awslabs/keras-apache-mxnet/master/examples/cifar10_resnet_multi_gpu.py

該腳本調用 multi_gpu_model API 並傳遞要使用的 GPU 數量。

其次，在終端窗口中運行 nvidia-smi 以確定 DLAMI 上可用的 GPU 數量。 在下一步中，如果您有四個 GPU，您將按原樣運行腳本，否則運行以下命令打開腳本進行編輯。

$ vi cifar10_resnet_multi_gpu.py

該腳本以下行可以定義 GPU 的數量，如果有必要的話可以更新它：

model = multi_gpu_model(model, gpus=4)

訓練：

$ python cifar10_resnet_multi_gpu.py

（可選）在訓練運行期間，使用 nvidia-smi 命令檢查 GPU 利用率和內存使用情況。

RNN 支持

Keras-MXNet 目前提供 RNN 實驗性的支持。 在使用帶有 MXNet 後端的 RNN 時存在一些限制。更多相關信息，請查閱 Keras-MXNet 文檔。 這裡的例子包括你需要的解決方法，以便使用 LSTM 層訓練 IMDB 數據集。儘管有解決方法，但在多 GPU AMI 上訓練此 RNN 將比你習慣的要容易和快速。

使用 imdb_lstm 示例腳本。 在嵌入層中傳遞輸入長度，並按如下所示設置 unroll = True。

首先，在 DLAMI 的終端會話中，從 Keras-MXNet repo 文件夾下載示例腳本。

$ wget https://raw.githubusercontent.com/awslabs/keras-apache-mxnet/master/examples/imdb_lstm.py

其次，打開腳本並跳轉到下面一行來查看它：

model.add(Embedding(max_features, 128, input_length=maxlen))

model.add(LSTM(128, unroll=True))

第三，示例腳本已被修改為與 MXNet 後端兼容，因此您可以運行它：

$ python imdb_lstm.py

（可選）在訓練運行期間，使用 nvidia-smi 命令檢查 GPU 利用率和內存使用情況。 為此打開另一個終端會話。

Benchmarks

為幫助您評估不同 Keras 後端的性能，我們為 Keras-MXNet 添加了基準測試模塊。通過在該表中描述的 CPU，單 GPU 和多 GPU 機器上使用各種模型和數據集，您可以看到 Keras-MXNet 具有更快的 CNN 訓練速度，以及跨多個 GPU 的高效縮放， 這將顯示在訓練速度的條形圖中。有關如何運行基準腳本並生成詳細基準測試結果的信息，請參閱 Keras 基準測試自述文件。

基準配置：

由於數據集圖像本身較小，因此對 CIFAR10 數據集進行訓練會導致子線性縮放。該數據集由 50,000 個尺寸為 32×32 像素的圖像組成，傳送這些小圖像的通信開銷高於從四個跳轉到八個 GPU 所提供的計算能力。

與 Keras-MXNet 的圖像處理速度比較

下一步？

嘗試一些額外的 Keras-MXNet 教程或閱讀發行說明中的詳細信息。

更多資料

Via：AWS Blog

雷鋒網原創文章，未經授權禁止轉載。詳情見轉載須知。