PyTorch教程23.2之使用亚马逊SageMaker

23.2.1. 报名

首先，我们需要在https://aws.amazon.com/注册一个账户。为了提高安全性，鼓励使用双因素身份验证。设置详细的账单和支出警报以避免任何意外情况也是一个好主意，例如，当忘记停止正在运行的实例时。登录您的 AWS 账户后，转到您的 控制台并搜索“Amazon SageMaker”（见图23.2.1），然后单击它以打开 SageMaker 面板。

图 23.2.1搜索并打开 SageMaker 面板。

23.2.2。创建 SageMaker 实例

接下来，让我们创建一个笔记本实例，如图23.2.2所示 。

图 23.2.2创建 SageMaker 实例。

SageMaker 提供多种具有不同计算能力和价格的实例类型。创建笔记本实例时，我们可以指定其名称和类型。在 图 23.2.3中，我们选择ml.p3.2xlarge：使用一个 Tesla V100 GPU 和一个 8 核 CPU，这个实例对于本书的大部分内容来说已经足够强大了。

图 23.2.3选择实例类型。

图 23.2.4指定 GitHub 仓库。

23.2.3。运行和停止实例

创建实例可能需要几分钟时间。当实例准备好后，点击它旁边的“打开Jupyter”链接（图23.2.5），这样你就可以在这个实例上编辑和运行本书的所有Jupyter笔记本（类似于 23.1节中的步骤）。

图 23.2.5在创建的 SageMaker 实例上打开 Jupyter。

完成您的工作后，不要忘记停止实例以避免进一步收费（图 23.2.6）。

图 23.2.6停止 SageMaker 实例。

23.2.4。更新笔记本

图 23.2.7在 SageMaker 实例上打开一个终端。

您可能希望在从远程存储库中提取更新之前提交您的本地更改。否则，只需在终端中使用以下命令丢弃所有本地更改：

cd SageMaker/d2l-pytorch-sagemaker/
git reset --hard
git pull

cd SageMaker/d2l-en-sagemaker/
git reset --hard
git pull

cd SageMaker/d2l-tensorflow-sagemaker/
git reset --hard
git pull

23.2.5。概括

• 我们可以使用 Amazon SageMaker 创建一个笔记本实例来运行本书的 GPU 密集型代码。

• 我们可以通过 Amazon SageMaker 实例上的终端更新笔记本。

23.2.6. 练习

1. 使用 Amazon SageMaker 编辑并运行任何需要 GPU 的部分。

2. 打开终端以访问托管本书所有笔记本的本地目录。

Discussions