想入门深度学习不会搭建环境？手把手教你在Amazon EC2上安装Keras

大数据文摘作品，编译 | Molly、寒小阳、Yawei。

我用的是Keras，一个神经网络的开源python库。由于用法十分简单，它很适合入门深度学习。它基于Tensorflow，一个数值计算的开源库，但是也可以使用Theano。租到的机器可以使用Jupyter Notebook通过浏览器来访问。Jupyter Notebook是一个通过交互式代码来共享和编辑文档的web应用。

通过cuDNN，一个深度神经网络GPU加速库，Keras可以在GPU上运行。由于并行运算的设计，这种方式会比一般的CPU要快很多。建议你看几个CNN指标，对比最流行的神经网络在不同的GPU和CPU的运行时间。

我将向你介绍如何一步步在预置好的Amazon Machine Image (AMI)上搭建这样一个深度学习的环境。

访问 https://aws.amazon.com/ ，并创建一个AWS账户。

然后登陆控制台。

你的控制面板应该看起来像这样。

确保你选择的所在地区是法兰克福，N. Virgiania或新加坡，以便之后可以使用一个预置好的Keras AMI。如果你想自己动手设置这样的AMI，你可以按照这个指南。

现在让我们跳转到EC2控制页面。

“Amazon Elastic Compute Cloud（Amazon EC2）在Amazon Web Services（AWS）云中提供可扩展的计算功能。 Amazon EC2的使用消除了前期对硬件的投资要求，因此你可以更快地开发和部署应用程序。 你可以使用Amazon EC2启动大量或几个虚拟服务器，配置安全性和网络以及存储管理。 Amazon EC2允许你对硬件升级或降级，来应对需求的变化或流量的峰值，因此不太需要进行流量的预测。”。

所以换句话说，你可以在任何时候租一个服务器来进行计算，也就是机器学习模型训练。 现在让我们启动一个实例吧！

首先，你需要选择一个已经安装了所有必需工具的AMI（基于TensorFlow的Kreas和Jupyter Notebook）。

选择实例类型（你租到的计算机的质量）。 当然，你选择的机型越好越贵。 但是你正在创建你的第一个实例，所以你肯定不想选最好的那个。选择t2.micro就够了，它就是一个测试实例。它可以在不掏空你的钱包的情况下，让你体验下环境。  :)

当你比较满意，想要更多的计算能力时，我建议你使用一个g *类型的实例（g代表GPU后端）。比如 g2.2xlarge。 一个默认的GPU实例的定价为每小时0,772美元左右。

这里没什么意思，跳过。

免费使用的最大容量是30 GB。此外，如果你不希望你的数据在关闭实例后消失，要取消选中“终止时删除”复选框。

继续。

这个步骤很重要，因为你不仅要使用ssh，还要通过浏览器访问你的实例。 在端口8888上添加自定义TCP规则。仅允许从你的IP地址，8888和22（ssh）端口访问它。

一切准备好了，现在启动实例！

你只需要设置一个新的（或选择一个现有的）密钥对。通过ssh链接到你的机子时，必须要有密钥。

下载生成的密钥，注意保密！这样除你之外没有其他人可以访问这台机器。

现在让我们查看机器的状态。

如你所见，实例已启动并正在运行。 棒棒哒！ 你刚刚启动了一个AWS实例。

现在让我们使用它。 通过ssh连接。

按照说明，更改私钥的权限并将示例键入终端（或使用PuTTY连接）。在-i参数后插入私钥的路径，使用'ubuntu'替换’root’。 所以命令看起来如下（如果你使用Windows，查看如何通过PuTTY连接）：

ssh -i  ‘path/to/private/key’  ubuntu@public_dns

在终端输入下面命令打开Notebook

sudo jupyter notebook 

你可以通过浏览器访问Notebook，方法是键入your_public_dns：8888（8888是Jupyter默认端口）。

默认密码是“'machinelearningisfun”（我建议你更改密码，在Jupyter Notebook的文档中解释了如何做）。

MNIST数据集是一个著名的手写数字集。 我准备了一个Notebook示例，加载数据集，并拟合一个示例卷积神经网络。 打开mnist.jpynb示例并自行运行其中的cell。

代码来自Keras示例库

当你用完后，记得终止你的实例！账单是依据实例运行的时间来计算的。例如，如果你忘记关掉你的g2.2xlarge 实例，让它运行了一个月，你将要为此支付$0,772*24*30 = $555,84.  :)

那么，接下来呢？ 我建议你看看notMNIST数据集，其中包含来自不同字体的字母集。 你也可能对CIFAR-10感兴趣： 一组彩色图像，对应10个类别，比如飞机，船只，鸟类或猫。

如果你是Keras新手，你可能对这个教程感兴趣。 或者，像我做的案例，检测可能触发密集恐惧症的图片（强烈建议不要google相关的照片）。 我在PiotrMigdał主持的波兰儿童基金会的研讨会上学习了卷积神经网络的基础知识（以及如何设置机器）。 其中另一位参与者的源代码，使用VGG16进行特征提取，可在GitHub上获取。