本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 使用带 Conda 的深度学习 AMI
<a name="tutorial-conda"></a>

**Topics**
+ [带 Conda 的深度学习 AMI 的简介](#tutorial-conda-overview)
+ [登录到您的 DLAMI](#tutorial-conda-login)
+ [启动 TensorFlow 环境](#tutorial-conda-switch-tf)
+ [切换到 PyTorch Python 3 环境](#tutorial-conda-switch-pytorch)
+ [删除环境](#tutorial-conda-remove-env)

## 带 Conda 的深度学习 AMI 的简介
<a name="tutorial-conda-overview"></a>

Conda 是一个开源程序包管理系统和环境管理系统，在 Windows、macOS 和 Linux 上运行。Conda 快速安装、运行和更新程序包及其依赖项。Conda 可轻松创建、保存、加载和切换本地计算机上的环境。

带 Conda 的深度学习 AMI 已配置完成，以便让您轻松切换深度学习环境。以下说明为您介绍与 `conda` 相关的一些基本命令。它们还可以帮助您验证框架的基本导入正常运行，并且您可以使用框架运行一些简单操作。然后，您可以继续查看随 DLAMI 提供的更全面的教程，或者每个框架的项目站点上提供的框架示例。

## 登录到您的 DLAMI
<a name="tutorial-conda-login"></a>

登录服务器后，您会看到服务器的“每日消息”（MOTD），它介绍了可以用来切换不同深度学习框架的各种 Conda 命令。以下是示例 MOTD。由于新版本 DLAMI 的发布，您的特定 MOTD 可能不同。

```
=============================================================================
        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
    =============================================================================
```

## 启动 TensorFlow 环境
<a name="tutorial-conda-switch-tf"></a>

**注意**  
在启动您的第一个 Conda 环境时，请在其加载期间耐心等待。带 Conda 的深度学习 AMI 会在框架首次激活时自动为您的 EC2 实例安装框架的最优化版本。您不应期望后续的延迟。

1. 激活 Python 3 的 TensorFlow 虚拟环境。

   ```
   $ source activate tensorflow2_p310
   ```

1. 启动 iPython 终端。

   ```
   (tensorflow2_p310)$ ipython
   ```

1. 运行一个快速 TensorFlow 程序。

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

您应该会看到“Hello, Tensorflow\$1”

**后续步骤**  
[运行 Jupyter 笔记本电脑教程](tutorial-jupyter.md)

## 切换到 PyTorch Python 3 环境
<a name="tutorial-conda-switch-pytorch"></a>

如果您仍然处于 iPython 控制台中，则使用 `quit()`，然后准备切换环境。
+ 激活 Python 3 的 PyTorch 虚拟环境。

  ```
  $ source activate pytorch_p310
  ```

### 测试一些 PyTorch 代码
<a name="tutorial-conda-test-pytorch"></a>

要测试您的安装，请使用 Python 编写用于创建和打印数组的 PyTorch 代码。

1. 启动 iPython 终端。

   ```
   (pytorch_p310)$ ipython
   ```

1. 导入 PyTorch。

   ```
   import torch
   ```

   您可能会看到一条关于第三方软件包的警告消息。您可以忽略它。

1. 创建一个 5x3 矩阵，将元素随机初始化。打印数组。

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

   验证结果。

   ```
   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]])
   ```

## 删除环境
<a name="tutorial-conda-remove-env"></a>

如果您用尽了 DLAMI 上的空间，则可以选择卸载不用的 Conda 软件包：

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