Სარჩევი:

როგორ გავუშვა AWS TensorFlow?
როგორ გავუშვა AWS TensorFlow?

ვიდეო: როგორ გავუშვა AWS TensorFlow?

ვიდეო: როგორ გავუშვა AWS TensorFlow?
ვიდეო: Run TensorFlow 2 in Amazon AWS SageMaker Notebooks 2024, მაისი
Anonim

TensorFlow-ის გასააქტიურებლად გახსენით Amazon Elastic Compute Cloud (Amazon EC2) DLAMI-ის ეგზემპლარი Conda-ით

  1. TensorFlow-ისთვის და Keras 2-ისთვის Python 3-ზე CUDA 9.0-ით და MKL-DNN-ისთვის, გაუშვით ეს ბრძანება: $ source activate tensorflow_p36.
  2. TensorFlow-ისთვის და Keras 2-ისთვის Python 2-ზე CUDA 9.0-ით და MKL-DNN-ით, გაუშვით ეს ბრძანება:

შესაბამისად, TensorFlow მუშაობს AWS-ზე?

TensorFlow ™ საშუალებას აძლევს დეველოპერებს სწრაფად და მარტივად დაიწყონ ღრმა სწავლა ღრუბელში. შენ შეუძლია დაიწყეთ AWS სრულად მართული TensorFlow გამოცდილებასთან ერთად ამაზონი SageMaker, პლატფორმა მანქანური სწავლების მოდელების მასშტაბის შესაქმნელად, ტრენინგისა და დანერგვისთვის.

ასევე იცით, რა არის AWS TensorFlow? კატეგორია: ტენსორფლო on AWS TensorFlow არის ღია კოდის მანქანური სწავლების (ML) ბიბლიოთეკა, რომელიც ფართოდ გამოიყენება მძიმე ღრმა ნერვული ქსელების (DNNs) შესაქმნელად, რომლებიც საჭიროებენ განაწილებულ ტრენინგს მრავალი GPU-ის გამოყენებით მრავალ ჰოსტში.

ასევე კითხვაა, როგორ გავატარო AWS მანქანათმცოდნეობა?

დაიწყეთ ღრმა სწავლა AWS Deep Learning AMI-ის გამოყენებით

  1. ნაბიჯი 1: გახსენით EC2 კონსოლი.
  2. ნაბიჯი 1b: აირჩიეთ გაშვების ინსტანციის ღილაკი.
  3. ნაბიჯი 2a: აირჩიეთ AWS Deep Learning AMI.
  4. ნაბიჯი 2b: დეტალების გვერდზე აირჩიეთ გაგრძელება.
  5. ნაბიჯი 3a: აირჩიეთ ინსტანციის ტიპი.
  6. ნაბიჯი 3b: გაუშვით თქვენი ეგზემპლარი.
  7. ნაბიჯი 4: შექმენით ახალი პირადი გასაღების ფაილი.
  8. ნაბიჯი 5: დააწკაპუნეთ View Instance, რათა ნახოთ თქვენი ეგზემპლარის სტატუსი.

როგორ ემსახურებით TensorFlow მოდელს?

  1. შექმენით თქვენი მოდელი. Fashion MNIST მონაცემთა ნაკრების იმპორტი. ივარჯიშეთ და შეაფასეთ თქვენი მოდელი.
  2. შეინახეთ თქვენი მოდელი.
  3. შეამოწმეთ თქვენი შენახული მოდელი.
  4. მიირთვით თქვენი მოდელი TensorFlow სერვისით. დაამატეთ TensorFlow სერვისის განაწილების URI, როგორც პაკეტის წყარო: დააინსტალირეთ TensorFlow Serving.
  5. მიმართეთ თქვენს მოდელს TensorFlow სერვისში. გააკეთეთ REST მოთხოვნები.

გირჩევთ: