Keras 是一个 Python 深度学习库，可以轻松方便地访问功能强大的数学库 Theano 和 TensorFlow.
大型深度学习模型需要大量的计算时间才能运行,您可以在 CPU 上运行它们，但可能需要数小时或数天才能获得结果，如果您可以访问远程桌面上的 GPU，则可以大大加快深度学习模型的训练时间。
在本文中，您将了解如何使用 Amazon Web Service（AWS）基础结构访问 GPU 以加速深度学习模型的训练，每小时不到 1 美元，通常便宜很多，您可以在笔记本或工作站上使用这项服务。
让我们开始吧！
- 2016 年 10 月更新：更新了 Keras 1.1.0 的示例。
- 2017 年 3 月更新：更新后使用新的 AMI，Keras 2.0.2 和 TensorFlow 1.0。
- 2002 年 2 月更新：已更新以使用新的"深度学习 AMI"和"p3.2xlarge"。
亚马逊的网络服务 摄影：Andrew Mager ，保留所属权利
这个过程非常简单，因为大部分工作已经为我们完成了。
以下是该过程的概述:
- 设置您的 AWS 账户。
- 启动您的 AWS 实例。
- 登录并运行您的代码。
- 关闭您的 AWS 实例。
注意，在 Amazon 上使用虚拟服务器实例需要花钱，临时模型开发的成本很低（例如每小时不到一美元），虽然它不是免费的，但确实非常吸引人。
服务器实例运行于 Linux 平台，虽然您可能不知道如何使用 Linux 或者类 Unix 系统，但我们只是运行我们的 Python 脚本，因此不需要高级技能，所以选用 Linux 平台是可取的行为。
您需要在 Amazon Web Services 上拥有一个帐户。
- 1.您可以通过亚马逊网络服务门户创建一个帐户，然后单击“登录到控制台”，从那里，您可以使用现有的亚马逊帐户登录或创建新帐户。
AWS 登录按钮
- 2.您需要提供您的详细信息以及为亚马逊可以支付的有效信用卡，如果您已经是亚马逊客户并且已将您的信用卡存档，那么此过程会快得多。
AWS 登录表单
拥有帐户后，您可以登录 Amazon Web Services 控制台。
您将看到一系列可以访问的不同服务。
现在您已拥有 AWS 账户，您可以启动并运行 Keras 的 EC2 虚拟服务器实例。
启动实例就像选择要加载和启动虚拟服务器的映像一样简单，值得庆幸的是，已经有一个亚马逊创建并维护的实例，被称作深度学习 AMI（亚马逊 Linux），这是一个可用镜像，几乎有我们所需要的一切东西，您可以直接运行这个示例。
- 1.如果您尚未登录 AWS 控制台，请登录。
AWS 控制台
- 2.单击 EC2 以启动新的虚拟服务器。
- 3.从右上角的下拉列表中选择“US West Oregon”，这很重要，否则您将无法找到我们计划使用的镜像。
- 4.单击“启动实例”按钮。
- 5.单击“社区 AMI”。 AMI 是亚马逊机器镜像，这是服务器的固有·实例，您可以在新虚拟服务器上进行选择和实例化。
社区 AMI
- 6.在“搜索社区 AMI”搜索框中输入“深度学习 AMI ”，然后按 Enter 键。
深度学习 AMI
- 7.单击“选择”以在搜索结果中选择 AMI。
- 8.现在您需要选择运行映像的硬件，向下滚动并选择“ p3.2xlarge ”硬件（我以前推荐 g2 或 g3 实例和 p2 实例，但 p3 实例更新更快，这包括一个 Tesla V100 GPU，我们可以用它来显着提高我们模型的训练速度，它还包括 8 个 CPU 内核，61GB 内存和 16GB GPU 内存，注意：使用此实例将花费约 3 美元/小时。
p3.2xlarge EC2 实例
- 9.单击“查看并启动”以完成服务器实例的配置。
- 10.单击“启动”按钮。
- 11.选择您的密钥对。
- 如果您之前使用过 EC2，则选择“选择现有密钥对”并从列表中选择密钥对，然后检查“我”确认......“。
- 如果您没有密钥对，请选择“创建新密钥对”选项并输入“密钥对名称”，例如 keras-keypair，并单击“下载密钥对”按钮。
选择您的密钥对
- 12.打开终端并将目录更改为您下载密钥对的位置。
- 13.如果尚未执行此操作，请限制密钥对文件的访问权限,这也是通过 SSH 访问服务器的一部分，示例如下：
cd Downloads
chmod 600 keras-aws-keypair.pem- 14.单击“启动实例”。如果这是您第一次使用 AWS，亚马逊可能必须验证您的请求，这可能需要长达 2 个小时（通常只需几分钟）。
- 15.可以通过单击“查看实例”以查看实例的状态。
深度学习 AMI 状态
您的服务器现在正在运行，可以登录。
现在您已经启动了服务器实例，现在可以登录并开始使用它了。
- 1.如果您还没有，请单击 Amazon EC2 控制台中的“查看实例”。
- 2.将“公共 IP”（在“描述”中的屏幕底部）复制到剪贴板。在此示例中，我的 IP 地址是 54.186.97.77。 请勿使用此 IP 地址，您的 IP 地址会有所不同。
- 3.打开终端并将目录更改为您下载密钥对的位置。使用 SSH 登录您的服务器，例如：
ssh -i keras-aws-keypair.pem ec2-user@54.186.97.77- 4.出现提示时，键入
yes并按 Enter 键。
您现在已登录到您的服务器。
通过终端登录深度学习 AMI
该实例将询问您希望使用的 Python 环境。我建议使用：
- TensorFlow（+ Keras2）与 Python3（CUDA 9.0 和英特尔 MKL-DNN）
您可以键入以下内容来激活此虚拟环境：
source activate tensorflow_p36这只需要一分钟。
您现在可以开始训练深度学习神经网络模型了。
想要尝试新实例，请参阅本教程：
完成工作后，您必须关闭实例。
请记住，您需要按照使用该实例的时间收费，它很便宜，但如果你不使用它，请关闭该实例。
- 1.在终端注销您的实例，例如您可以输入：
exit- 2.使用 Web 浏览器登录 AWS 账户。
- 3.单击 EC2。
- 4.单击左侧菜单中的“Instances”。
查看运行实例列表
- 5.从列表中选择正在运行的实例（如果您只有一个正在运行的实例，则可能已选中该实例）。
选择您正在运行的 AWS 实例
- 6.单击“操作”按钮并选择“实例状态”，然后选择“终止”。确认您要终止正在运行的实例。
实例可能需要几秒钟才能关闭并从实例列表中删除。
以下是在 AWS 实例上充分利用 Keras 的一些提示和技巧。
- 设计一套预先运行的实验： 实验可能需要很长时间才能运行，而您需要为使用时间付费，花时间设计一批在可以在 AWS 上运行的实验，将每个文件放在一个单独的文件中，并依次从另一个脚本调用它们，这样可以在一个长期的运行过程（也许是一个晚上）中解决您的多个问题。
- 运行脚本作为后台进程：这样您就可以在实验运行时关闭终端并关闭计算机。
您可以轻松地执行以下操作：
nohup /path/to/script >/path/to/script.log 2>&1 < /dev/null &然后，您可以稍后在 script.log 文件中检查状态和结果。 了解有关 nohup 的更多信息。
- 在实验结束时始终关闭您的实例：如果您不想对亚马逊高额的账单感到惊讶，请在实验结束时关闭您的实例。
- 尝试使用更便宜但不太可靠的选项：亚马逊可以以更便宜的价格在硬件上出售未使用的时间，但代价可能是您的实例会在任意时刻被关闭，如果您正在学习或您的实验并不重要，这可能是您的理想选择，您可以从 EC2 Web 控制台左侧菜单中的“竞价型实例”选项选择竞价型实例。
有关在 AWS 上使用的命令行重新复制的更多帮助，请参阅帖子：
以下是有关 AWS 的更多信息以及在云中构建深度学习的资源列表。
- 亚马逊弹性计算云（EC2）（如果您是所有这方面的新手）
- 亚马逊机器图像（AMI）简介
- AMI 市场上的深度学习 AMI（亚马逊 Linux）。
- P3 EC2 实例
在这篇文章中，您了解了如何使用 Amazon Web Service 上的 GPU 在 Keras 中开发和评估您的大型深度学习模型，你学习到了：
- 使用 Elastic Compute Cloud 的 Amazon Web Services 提供了一种在 GPU 硬件上运行大型深度学习模型的经济实惠方式。
- 如何为深度学习实验设置和启动 EC2 服务器。
- 如何更新服务器上的 Keras 版本并确认系统正常运行。
- 如何在 AWS 实例上批量运行 Keras 实验作为后台任务。
您对在 AWS 或此帖子上运行模型有任何疑问吗？在评论中提出您的问题，我会尽力回答。