Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Ejecución de los tutoriales del cuaderno de Jupyter
Los tutoriales y los ejemplos vienen con el código fuente de cada uno de los proyectos de aprendizaje profundo y, en la mayoría de los casos, se ejecutarán en cualquiera DLAMI de ellos. Si eligió la Aprendizaje profundo AMI con Conda, obtendrá la ventaja añadida de unos tutoriales seleccionados específicamente, preconfigurados y listos para probarlos.
importante
Para ejecutar los tutoriales del cuaderno de Jupyter instalados en elDLAMI, tendrás que hacerlo. Configuración de un servidor de cuadernos de Jupyter
Cuando el servidor de Jupyter esté en funcionamiento, puede ejecutar los tutoriales a través de un navegador web. Si está ejecutando el aprendizaje profundo AMI con Conda o si ha configurado entornos de Python, puede cambiar los núcleos de Python desde la interfaz del bloc de notas de Jupyter. Seleccione el kernel adecuado antes de ejecutar un tutorial específico para un marco de trabajo. Se proporcionan más ejemplos de esto para los usuarios del aprendizaje profundo con Conda. AMI
nota
Muchos tutoriales requieren módulos de Python adicionales que pueden no estar configurados en su ordenadorDLAMI. Si recibes un error como iniciar sesión "xyz module not found"DLAMI, activar el entorno tal y como se ha descrito anteriormente e instalar los módulos necesarios.
sugerencia
Los tutoriales y ejemplos de aprendizaje profundo suelen basarse en uno o másGPUs. Si tu tipo de instancia no tiene unaGPU, es posible que tengas que cambiar parte del código del ejemplo para que se ejecute.
Navegación por los tutoriales instalados
Cuando hayas iniciado sesión en el servidor de Jupyter y puedas ver el directorio de tutoriales (solo en Deep Learning AMI con Conda), verás carpetas de tutoriales con cada nombre de framework. Si no ves ningún framework en la lista, significa que los tutoriales para ese framework no están disponibles en el tuyo actual. DLAMI Haga clic en el nombre del marco de trabajo para ver los tutoriales de la lista y, a continuación, haga clic en un tutorial para lanzarlo.
La primera vez que ejecute un cuaderno en el Deep Learning AMI con Conda, querrá saber qué entorno le gustaría usar. Se le pedirá que lo seleccione en una lista. El nombre de cada entorno sigue este patrón:
Environment (conda_framework_python-version)
Por ejemplo, puede verEnvironment (conda_mxnet_p36), lo que significa que el entorno tiene MXNet Python 3. La otra variación de esto seríaEnvironment (conda_mxnet_p27), lo que significa que el entorno tiene MXNet Python 2.
sugerencia
Si te preocupa qué versión de CUDA está activa, una forma de verla es MOTD cuando inicies sesión por primera vez en. DLAMI
Cambio de entorno con Jupyter
Si decide probar un tutorial para otro marco de trabajo, asegúrese de comprobar cuál es el kernel que se está ejecutando actualmente. Esta información se puede ver en la esquina superior derecha de la interfaz de Jupyter, justo debajo del botón de cerrar sesión. Puede cambiar el kernel en cualquier bloc de notas abierto haciendo clic en la opción Kernel del menú de Jupyter, seguido de Change Kernel y, a continuación, haciendo clic en el entorno correspondiente al bloc de notas que esté ejecutando.
En este punto, tendrá que volver a ejecutar todas las celdas, debido a que un cambio en el kernel borrará el estado de cualquier elemento que se haya ejecutado anteriormente.
sugerencia
Cambiar de marco de trabajo puede ser divertido y educativo, pero puede hacer que se agote la memoria. Si comienzan a aparecer errores, examine la ventana de terminal en la que se está ejecutando el servidor de Jupyter. Aquí hay mensajes útiles y un registro de errores, y es posible que veas un out-of-memory error. Para solucionar este problema, vaya a la página de inicio del servidor de Jupyter, haga clic en la pestaña Running y, a continuación, haga clic en Shutdown para cada uno de los tutoriales que probablemente sigan ejecutándose en segundo plano y estén consumiendo toda la memoria.
