Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Ausführen von Jupyter-Notebook-Tutorials
Tutorials und Beispiele sind im Lieferumfang der einzelnen Deep-Learning-Projekte enthalten und laufen in den meisten Fällen auf jedem DLAMI. Wenn Sie das Deep-Learning-AMI mit Conda auswählen, erhalten Sie zusätzlich einige ausgesuchte Tutorials, die bereits eingerichtet sind und sofort ausprobiert werden können.
Wichtig
Um die auf dem DLAMI installierten Jupyter-Notebook-Tutorials auszuführen, müssen Sie Einrichtung eines Jupyter Notebook-Servers auf einer DLAMI-Instanz
Sobald der Jupyter-Server ausgeführt wird, können Sie die Tutorials über Ihren Webbrowser aufrufen. Wenn Sie das Deep Learning AMI mit Conda ausführen oder Python-Umgebungen eingerichtet haben, können Sie die Python-Kernel von der Jupyter-Notebook-Oberfläche aus wechseln. Wählen Sie den entsprechenden Kernel aus, bevor Sie versuchen, ein Tutorial für ein bestimmtes Framework auszuführen. Weitere Beispiele hierfür werden Benutzern des Deep Learning AMI mit Conda zur Verfügung gestellt.
Anmerkung
Für viele Tutorials sind zusätzliche Python-Module erforderlich, die möglicherweise nicht auf Ihrem DLAMI eingerichtet sind. Wenn Sie eine Fehlermeldung erhalten"xyz module not found", z. B. melden Sie sich beim DLAMI an, aktivieren Sie die Umgebung wie oben beschrieben und installieren Sie dann die erforderlichen Module.
Tipp
Deep-Learning-Tutorials und Beispiele basieren oft auf einer oder mehreren GPUs. Wenn Ihr Instance-Typ keine GPU hat, müssen Sie möglicherweise Codeabschnitte des Beispiels ändern, um dieses ausführen zu können.
Navigation der installierten Tutorials
Sobald Sie am Jupyter-Server angemeldet sind und das Tutorial-Verzeichnis sehen können (nur auf Deep Learning AMI mit Conda), werden Ihnen Ordner mit Tutorials mit jedem Framework-Namen angezeigt. Wenn Sie kein Framework in der Liste sehen, sind auf Ihrem aktuellen DLAMI keine Tutorials für dieses Framework verfügbar. Wählen Sie den Namen des Frameworks, um die aufgelisteten Tutorials anzuzeigen, und wählen Sie dann ein Tutorial aus, um es zu starten.
Wenn Sie zum ersten Mal ein Notebook auf dem Deep Learning AMI mit Conda ausführen, wird es wissen wollen, welche Umgebung Sie verwenden möchten. Es wird eine Liste zur Auswahl bereitgestellt. Jede Umgebung hat einen Namen, der diesem Muster entspricht:
Environment (conda_framework_python-version)
Sie können beispielsweise Environment (conda_mxnet_p36) sehen, was bedeutet, dass die Umgebung MXNet und Python 3 enthält. Die andere Variante davon wäre Environment (conda_mxnet_p27), also eine Umgebung mit MXNet und Python 2.
Tipp
Wenn Sie sich Gedanken darüber machen, welche Version von CUDA aktiv ist, können Sie dies unter anderem im MOTD sehen, wenn Sie sich zum ersten Mal am DLAMI anmelden.
Wechseln von Umgebungen mit Jupyter
Wenn Sie ein Tutorial für ein anderes Framework ausprobieren möchten, überprüfen Sie, welcher Kernel aktuell ausgeführt wird. Diese Information finden Sie oben rechts in der Jupyter-Benutzeroberfläche, direkt unter der Schaltfläche zum Abmelden. Sie können den Kernel auf jedem geöffneten Notebook ändern, indem Sie den Jupyter-Menüpunkt Kernel, dann Change Kernel und dann die Umgebung auswählen, die zu dem Notebook passt, das Sie ausführen.
Nach diesem Schritt müssen Sie alle Zellen erneut ausführen, da eine Änderung des Kernels den Zustand von allen Elementen löscht, die Sie zuvor ausgeführt haben.
Tipp
Der Wechsel zwischen Frameworks kann Spaß machen und lehrreich sein. Es kann aber vorkommen, dass Sie nicht mehr über genügend Speicher verfügen. Wenn Fehler auftreten, prüfen Sie das Terminal-Fenster, in dem der Jupyter-Server ausgeführt wird. Hier sind hilfreiche Meldungen und Fehlerprotokollierungen verfügbar. Möglicherweise sehen Sie einen Out-of-Memory-Fehler. Um dies zu beheben, können Sie auf die Startseite Ihres Jupyter-Servers gehen, den Tab Running auswählen und dann Shutdown für jedes der Tutorials wählen, die wahrscheinlich immer noch im Hintergrund laufen und Ihren gesamten Speicher verbrauchen.
