Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Exécution des didacticiels blocs-notes Jupyter
Les didacticiels et les exemples sont fournis avec la source de chacun des projets d'apprentissage en profondeur et, dans la plupart des cas, ils s'exécuteront sur n'importe quel DLAMI. Si vous avez choisi l'AMI d'apprentissage profond avec Conda, vous bénéficiez de quelques didacticiels déjà configurés et prêts à tester.
Important
Pour exécuter les didacticiels du bloc-notes Jupyter installés sur le DLAMI, vous devez Configuration d'un serveur Jupyter Notebook sur une instance DLAMI
Une fois le serveur Jupyter en cours d'exécution, vous pouvez exécuter les didacticiels via votre navigateur Web. Si vous exécutez l'AMI Deep Learning avec Conda ou si vous avez configuré des environnements Python, vous pouvez changer de noyau Python depuis l'interface du bloc-notes Jupyter. Sélectionnez le noyau approprié avant de tenter d'exécuter un didacticiel spécifique d'une infrastructure. D'autres exemples sont fournis aux utilisateurs de l'AMI Deep Learning avec Conda.
Note
De nombreux didacticiels nécessitent des modules Python supplémentaires qui peuvent ne pas être configurés sur votre DLAMI. Si vous obtenez une erreur telle que"xyz module not found", connectez-vous au DLAMI, activez l'environnement comme décrit ci-dessus, puis installez les modules nécessaires.
Astuce
Les didacticiels et exemples d'apprentissage profond s'appuient souvent sur un ou plusieurs processeurs graphiques. Si votre type d'instance n'a pas de GPU, il est possible que vous deviez modifier une partie du code des exemples pour qu'ils fonctionnent.
Navigation dans les didacticiels installés
Une fois que vous êtes connecté au serveur Jupyter et que vous pouvez voir le répertoire des didacticiels (sur Deep Learning AMI avec Conda uniquement), des dossiers de didacticiels vous seront présentés par nom de framework. Si aucun framework n'est répertorié, cela signifie qu'aucun didacticiel n'est disponible pour ce framework sur votre DLAMI actuel. Choisissez le nom du framework pour afficher la liste des didacticiels, puis choisissez un didacticiel pour le lancer.
La première fois que vous lancerez un bloc-notes sur l'AMI Deep Learning avec Conda, il voudra savoir quel environnement vous souhaitez utiliser. Vous serez invité à le sélectionner dans une liste. Chaque environnement est nommé selon ce modèle :
Environment (conda_framework_python-version)
Par exemple, vous pouvez voir Environment (conda_mxnet_p36), ce qui signifie que l'environnement contient MXNet et Python 3. L'autre variante serait Environment (conda_mxnet_p27), ce qui signifie que l'environnement contient MXNet et Python 2.
Astuce
Si vous vous demandez quelle version de CUDA est active, vous pouvez la voir dans le MOTD lorsque vous vous connectez pour la première fois au DLAMI.
Changer d'environnement avec Jupyter
Si vous décidez de tester un didacticiel pour une infrastructure différente, assurez-vous de vérifier le noyau en cours d'exécution. Cette information est visible dans le coin supérieur droit de l'interface Jupyter, juste sous le bouton de déconnexion. Vous pouvez modifier le noyau de n'importe quel bloc-notes ouvert en choisissant l'élément de menu Jupyter Kernel, puis Changer de noyau, puis en choisissant l'environnement adapté au bloc-notes que vous utilisez.
À ce stade, vous devrez réexécuter toutes les cellules, parce qu'une modification du noyau effacera l'état de tout ce que vous avez exécuté précédemment.
Astuce
Il peut être amusant et instructif de passer d'une infrastructure à une autre, mais vous pouvez manquer de mémoire. Si vous commencez à voir des erreurs, consultez la fenêtre du terminal sur lequel le serveur Jupyter est en cours d'exécution. Elle contient des messages et des journaux d'erreur utiles et vous pouvez y voir une erreur de défaillance de mémoire. Pour résoudre ce problème, vous pouvez vous rendre sur la page d'accueil de votre serveur Jupyter, choisir l'onglet En cours d'exécution, puis choisir Arrêter pour chacun des didacticiels qui s'exécutent probablement toujours en arrière-plan et occupent toute votre mémoire.
