Բովանդակություն:

Ինչպե՞ս կարող եմ գործարկել AWS TensorFlow-ը:
Ինչպե՞ս կարող եմ գործարկել AWS TensorFlow-ը:

Video: Ինչպե՞ս կարող եմ գործարկել AWS TensorFlow-ը:

Video: Ինչպե՞ս կարող եմ գործարկել AWS TensorFlow-ը:
Video: BirdBot Software Alpha Launch ➔ Quick GitHub Tutorial 2024, Մայիս
Anonim

TensorFlow-ն ակտիվացնելու համար Conda-ով բացեք DLAMI-ի Amazon Elastic Compute Cloud (Amazon EC2) օրինակը:

  1. TensorFlow-ի և Keras 2-ի համար Python 3-ում CUDA 9.0-ով և MKL-DNN-ով գործարկեք այս հրամանը՝ $ source activate tensorflow_p36:
  2. TensorFlow-ի և Keras 2-ի համար Python 2-ում CUDA 9.0-ով և MKL-DNN-ով գործարկեք այս հրամանը.

Համապատասխանաբար, TensorFlow-ն աշխատում է AWS-ով:

TensorFlow ™ թույլ է տալիս ծրագրավորողներին արագ և հեշտությամբ սկսել խորը ուսուցումը ամպում: Դուք կարող է սկսել AWS լրիվ կառավարվող հետ TensorFlow հետ փորձը Amazon SageMaker՝ հարթակ՝ մեքենայական ուսուցման մոդելներ մասշտաբով ստեղծելու, վարժեցնելու և տեղակայելու համար:

Նաև գիտեք, թե ինչ է AWS TensorFlow-ը: Կարգավիճակ: Tensorflow վրա AWS TensorFlow բաց կոդով մեքենայական ուսուցման (ML) գրադարան է, որը լայնորեն օգտագործվում է ծանր քաշի խորը նեյրոնային ցանցեր (DNN) մշակելու համար, որոնք պահանջում են բաշխված ուսուցում՝ օգտագործելով բազմաթիվ GPU-ներ մի քանի հոսթերների միջև:

Նաև հարցն այն է, թե ինչպես կարող եմ գործարկել AWS մեքենայական ուսուցումը:

Սկսեք խորը ուսուցմամբ՝ օգտագործելով AWS Deep Learning AMI-ը

  1. Քայլ 1. Բացեք EC2 վահանակը:
  2. Քայլ 1բ. Ընտրեք Գործարկման օրինակ կոճակը:
  3. Քայլ 2ա. Ընտրեք AWS Deep Learning AMI-ն:
  4. Քայլ 2բ. Մանրամասների էջում ընտրեք Շարունակել:
  5. Քայլ 3ա. Ընտրեք օրինակի տեսակը:
  6. Քայլ 3բ. Գործարկեք ձեր օրինակը:
  7. Քայլ 4. Ստեղծեք նոր մասնավոր բանալի ֆայլ:
  8. Քայլ 5. Սեղմեք Դիտել օրինակը՝ ձեր օրինակի կարգավիճակը տեսնելու համար:

Ինչպե՞ս եք սպասարկում TensorFlow մոդելը:

  1. Ստեղծեք ձեր մոդելը: Ներմուծեք Fashion MNIST տվյալների բազան: Մարզեք և գնահատեք ձեր մոդելը:
  2. Պահպանեք ձեր մոդելը:
  3. Ուսումնասիրեք ձեր պահպանված մոդելը:
  4. Ծառայեք ձեր մոդելը TensorFlow սպասարկմամբ: Ավելացնել TensorFlow Serving բաշխման URI որպես փաթեթի աղբյուր. Տեղադրեք TensorFlow Serving:
  5. Հարցում կատարեք ձեր մոդելին TensorFlow Serving-ում: Կատարեք REST հարցումներ:

Խորհուրդ ենք տալիս: