本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

使用 ARM64 GPU PyTorch DLAMI

AWS 深度學習 AMIs 已準備好與 Arm64 處理器型 搭配使用GPUs，並針對 進行最佳化 PyTorch。ARM64 GPU PyTorch DLAMI 包含預先設定 PyTorch、 和 的 Python 環境TorchVision，TorchServe用於深度學習訓練和推論使用案例。

驗證 PyTorch Python 環境

連線至 G5g 執行個體，並使用下列命令啟用基本 Conda 環境：

source activate base

您的命令提示應指出您正在基礎 Conda 環境中工作，其中包含 PyTorch TorchVision、 和其他程式庫。

(base) $

驗證 PyTorch 環境的預設工具路徑：

(base) $ which python
(base) $ which pip
(base) $ which conda
(base) $ which mamba
>>> import torch, torchvision
>>> torch.__version__
>>> torchvision.__version__
>>> v = torch.autograd.Variable(torch.randn(10, 3, 224, 224))
>>> v = torch.autograd.Variable(torch.randn(10, 3, 224, 224)).cuda()
>>> assert isinstance(v, torch.Tensor)

使用 執行訓練範例 PyTorch

執行MNIST訓練任務範例：

git clone https://github.com/pytorch/examples.git
cd examples/mnist
python main.py

您的輸出應該類似以下內容：

...
Train Epoch: 14 [56320/60000 (94%)]    Loss: 0.021424
Train Epoch: 14 [56960/60000 (95%)]    Loss: 0.023695
Train Epoch: 14 [57600/60000 (96%)]    Loss: 0.001973
Train Epoch: 14 [58240/60000 (97%)]    Loss: 0.007121
Train Epoch: 14 [58880/60000 (98%)]    Loss: 0.003717
Train Epoch: 14 [59520/60000 (99%)]    Loss: 0.001729
Test set: Average loss: 0.0275, Accuracy: 9916/10000 (99%)

使用 執行推論範例 PyTorch

使用以下命令下載預先訓練的 densenet161 模型，並使用 執行推論 TorchServe：

# Set up TorchServe
cd $HOME
git clone https://github.com/pytorch/serve.git
mkdir -p serve/model_store
cd serve

# Download a pre-trained densenet161 model
wget https://download.pytorch.org/models/densenet161-8d451a50.pth >/dev/null

# Save the model using torch-model-archiver
torch-model-archiver --model-name densenet161 \
    --version 1.0 \
    --model-file examples/image_classifier/densenet_161/model.py \
    --serialized-file densenet161-8d451a50.pth \
    --handler image_classifier \
    --extra-files examples/image_classifier/index_to_name.json  \
    --export-path model_store 

# Start the model server
torchserve --start --no-config-snapshots \
    --model-store model_store \
    --models densenet161=densenet161.mar &> torchserve.log

# Wait for the model server to start
sleep 30

# Run a prediction request
curl http://127.0.0.1:8080/predictions/densenet161 -T examples/image_classifier/kitten.jpg

您的輸出應該類似以下內容：

{
  "tiger_cat": 0.4693363308906555,
  "tabby": 0.4633873701095581,
  "Egyptian_cat": 0.06456123292446136,
  "lynx": 0.0012828150065615773,
  "plastic_bag": 0.00023322898778133094
}

使用以下命令取消註冊 densenet161 模型並停止伺服器：

curl -X DELETE http://localhost:8081/models/densenet161/1.0
torchserve --stop

您的輸出應該類似以下內容：

{
  "status": "Model \"densenet161\" unregistered"
}
TorchServe has stopped.