Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Utilizzo dell'AMI Deep Learning con Conda
<a name="tutorial-conda"></a>

**Topics**
+ [Introduzione all'AMI Deep Learning con Conda](#tutorial-conda-overview)
+ [Accedi al tuo DLAMI](#tutorial-conda-login)
+ [Avvia l'ambiente TensorFlow](#tutorial-conda-switch-tf)
+ [Passa all'ambiente PyTorch Python 3](#tutorial-conda-switch-pytorch)
+ [Rimozione ambienti](#tutorial-conda-remove-env)

## Introduzione all'AMI Deep Learning con Conda
<a name="tutorial-conda-overview"></a>

Conda è un sistema open source per la gestione di pacchetti e di ambienti eseguibile in Windows, macOS e Linux. Conda installa, esegue e aggiorna rapidamente i pacchetti e le relative dipendenze. Conda agevola la creazione, il salvataggio e il caricamento di ambienti sul computer locale nonché il passaggio dall'uno all'altro.

L'AMI Deep Learning con Conda è stata configurata per consentirti di passare facilmente da un ambiente di deep learning all'altro. Le istruzioni seguenti sono relative ad alcuni comandi `conda` di base. Ti consentono inoltre di verificare il corretto funzionamento dell'importazione di base del framework e che puoi eseguire alcune semplici operazioni con il framework. È quindi possibile passare a tutorial più approfonditi forniti con DLAMI o agli esempi dei framework disponibili sul sito del progetto di ciascun framework.

## Accedi al tuo DLAMI
<a name="tutorial-conda-login"></a>

Dopo aver effettuato l'accesso al server, verrà visualizzato un "messaggio del giorno" (MOTD) del server che descrive vari comandi Conda e che puoi utilizzare per passare da un framework di apprendimento profondo all'altro. Di seguito è riportato un esempio di MOTD. Il tuo MOTD specifico può variare man mano che vengono rilasciate nuove versioni di DLAMI.

```
=============================================================================
        AMI Name: Deep Learning OSS Nvidia Driver AMI (Amazon Linux 2) Version 77
        Supported EC2 instances: G4dn, G5, G6, Gr6, P4d, P4de, P5
            * To activate pre-built tensorflow environment, run: 'source activate tensorflow2_p310'
            * To activate pre-built pytorch environment, run: 'source activate pytorch_p310'
            * To activate pre-built python3 environment, run: 'source activate python3'

        NVIDIA driver version: 535.161.08

    CUDA versions available: cuda-11.7 cuda-11.8 cuda-12.0 cuda-12.1 cuda-12.2

    Default CUDA version is 12.1

    Release notes: https://docs.aws.amazon.com/dlami/latest/devguide/appendix-ami-release-notes.html
    AWS Deep Learning AMI Homepage: https://aws.amazon.com/machine-learning/amis/
    Developer Guide and Release Notes: https://docs.aws.amazon.com/dlami/latest/devguide/what-is-dlami.html
    Support: https://forums.aws.amazon.com/forum.jspa?forumID=263
    For a fully managed experience, check out Amazon SageMaker at https://aws.amazon.com/sagemaker
    =============================================================================
```

## Avvia l'ambiente TensorFlow
<a name="tutorial-conda-switch-tf"></a>

**Nota**  
Il caricamento del primo ambiente Conda può risultare alquanto lungo. L'AMI Deep Learning con Conda installa automaticamente la versione più ottimizzata del framework per l'istanza EC2 alla prima attivazione del framework. Non dovrebbero aversi ulteriori ritardi.

1. Attiva l'ambiente TensorFlow virtuale per Python 3.

   ```
   $ source activate tensorflow2_p310
   ```

1. Avviare il terminale iPython.

   ```
   (tensorflow2_p310)$ ipython
   ```

1. Esegui un TensorFlow programma rapido.

   ```
   import tensorflow as tf
   hello = tf.constant('Hello, TensorFlow!')
   sess = tf.Session()
   print(sess.run(hello))
   ```

Viene visualizzato il messaggio "Hello, Tensorflow\$1".

**Argomento successivo**  
[Tutorial per l'esecuzione di notebook Jupyter](tutorial-jupyter.md)

## Passa all'ambiente PyTorch Python 3
<a name="tutorial-conda-switch-pytorch"></a>

Se sei ancora nella console IPython, `quit()` usa, quindi preparati a cambiare ambiente.
+ Attiva l'ambiente PyTorch virtuale per Python 3.

  ```
  $ source activate pytorch_p310
  ```

### Prova del codice PyTorch
<a name="tutorial-conda-test-pytorch"></a>

Per testare la tua installazione, usa Python per scrivere PyTorch codice che crea e stampa un array.

1. Avviare il terminale iPython.

   ```
   (pytorch_p310)$ ipython
   ```

1. Importa PyTorch.

   ```
   import torch
   ```

   È possibile che venga visualizzato un messaggio di avviso su un pacchetto di terze parti. Puoi ignorarla.

1. Crea una matrice 5x3 con gli elementi inizializzati in modo casuale. Stampare la matrice.

   ```
   x = torch.rand(5, 3)
   print(x)
   ```

   Verificare il risultato.

   ```
   tensor([[0.3105, 0.5983, 0.5410],
           [0.0234, 0.0934, 0.0371],
           [0.9740, 0.1439, 0.3107],
           [0.6461, 0.9035, 0.5715],
           [0.4401, 0.7990, 0.8913]])
   ```

## Rimozione ambienti
<a name="tutorial-conda-remove-env"></a>

Se esaurisci lo spazio sul DLAMI, puoi scegliere di disinstallare i pacchetti Conda che non stai utilizzando:

```
conda env list
conda env remove –-name <env_name>
```