本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 搭配 Conda 使用深度學習 AMI
<a name="tutorial-conda"></a>

**Topics**
+ [Conda 深度學習 AMI 簡介](#tutorial-conda-overview)
+ [登入您的 DLAMI](#tutorial-conda-login)
+ [啟動 TensorFlow 環境](#tutorial-conda-switch-tf)
+ [切換到 PyTorch Python 3 環境](#tutorial-conda-switch-pytorch)
+ [移除環境](#tutorial-conda-remove-env)

## Conda 深度學習 AMI 簡介
<a name="tutorial-conda-overview"></a>

Conda 是一套可在 Windows、macOS 和 Linux 上執行的開放原始碼套件管理系統以及環境管理系統。Conda 可快速安裝、執行和更新套件及其相依性。Conda 能輕鬆地建立、儲存、載入並在本機電腦的環境之間切換。

搭配 Conda 的 Deep Learning AMI 已設定為讓您在深度學習環境之間輕鬆切換。以下說明引導您使用 `conda` 的一些基本命令。這些說明也協助您確認架構的基本匯入是否運作中，您是否可以使用架構執行幾個簡單操作。然後，您可以繼續進行與 DLAMI 一起提供的更徹底的教學課程，或在每個架構的專案網站上找到的架構範例。

## 登入您的 DLAMI
<a name="tutorial-conda-login"></a>

登入伺服器後，您會看到伺服器的「當日訊息」(MOTD)，描述您可用來切換不同深度學習架構的各種 Conda 命令。以下為範例 MOTD。隨著 DLAMI 的新版本發行，您的特定 MOTD 可能會有所不同。

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

## 啟動 TensorFlow 環境
<a name="tutorial-conda-switch-tf"></a>

**注意**  
當您啟動第一個 Conda 環境時，請耐心等候它載入。搭配 Conda 的 Deep Learning AMI 會在架構第一次啟用時，自動為您的 EC2 執行個體安裝架構最最佳化的版本。您應該不會遇到後續延遲。

1. 為 Python 3 啟用 TensorFlow 虛擬環境。

   ```
   $ source activate tensorflow2_p310
   ```

1. 啟動 iPython 終端機。

   ```
   (tensorflow2_p310)$ ipython
   ```

1. 執行快速 TensorFlow 程式。

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

您應該會看到「Hello, Tensorflow\$1」

**接下來**  
[執行 Jupyter 筆記本教學課程](tutorial-jupyter.md)

## 切換到 PyTorch Python 3 環境
<a name="tutorial-conda-switch-pytorch"></a>

如果您仍在 iPython 主控台中，請使用 `quit()`，然後準備好切換環境。
+ 為 Python 3 啟用 PyTorch 虛擬環境。

  ```
  $ source activate pytorch_p310
  ```

### 測試一些 PyTorch 程式碼
<a name="tutorial-conda-test-pytorch"></a>

若要測試您的安裝，請使用 Python 撰寫建立和列印陣列的 PyTorch 程式碼。

1. 啟動 iPython 終端機。

   ```
   (pytorch_p310)$ ipython
   ```

1. 匯入 PyTorch。

   ```
   import torch
   ```

   您可能會看到有關第三方套件的警告訊息。您可以忽略。

1. 建立 5x3 矩陣，並將元素隨機初始化。列印陣列。

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

   確認結果。

   ```
   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]])
   ```

## 移除環境
<a name="tutorial-conda-remove-env"></a>

如果 DLAMI 的空間不足，您可以選擇解除安裝您未使用的 Conda 套件：

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