16.3. 使用Amazon EC2实例
Open the notebook in Colab
Open the notebook in Colab
Open the notebook in Colab
Open the notebook in SageMaker Studio Lab

在本节中,我们将向你展示如何在原始Linux机器上安装所有库。回想一下,在 16.2节中,我们讨论了如何使用Amazon SageMaker,而在云上自己构建实例的成本更低。本演示包括三个步骤:

  1. 从AWS EC2请求GPU Linux实例。

  2. 安装CUDA(或使用预装CUDA的Amazon机器映像)。

  3. 安装深度学习框架和其他库以运行本书的代码。

此过程也适用于其他实例(和其他云),尽管需要一些细微的修改。在继续操作之前,你需要创建一个AWS帐户,有关更多详细信息,请参阅 16.2节

16.3.1. 创建和运行EC2实例

登录到你的aws账户后,单击“EC2”(在 图16.3.1中用红色方框标记)进入EC2面板。

../_images/aws.png

图16.3.1 打开EC2控制台

图16.3.2显示EC2面板,敏感帐户信息变为灰色。

../_images/ec2.png

图16.3.2 EC2面板

16.3.1.1. 预置位置

选择附近的数据中心以降低延迟,例如“Oregon”(俄勒冈)( 图16.3.2右上角的红色方框)。如果你位于中国,你可以选择附近的亚太地区,例如首尔或东京。请注意,某些数据中心可能没有GPU实例。

16.3.1.2. 增加限制

在选择实例之前,请点击 图16.3.2所示左侧栏中的“Limits”(限制)标签查看是否有数量限制。 图16.3.3显示了此类限制的一个例子。账号目前无法按地域打开p2.xlarge实例。如果你需要打开一个或多个实例,请点击“Request limit increase”(请求增加限制)链接,申请更高的实例配额。一般来说,需要一个工作日的时间来处理申请。

../_images/limits.png

图16.3.3 实例数量限制

16.3.1.3. 启动实例

接下来,单击 图16.3.2中红框标记的“Launch Instance”(启动实例)按钮,启动你的实例。

我们首先选择一个合适的Amazon机器映像(Amazon Machine Image,AMI)。在搜索框中输入“ubuntu”( 图16.3.4中的红色框标记)。

../_images/ubuntu-new.png

图16.3.4 选择一个AMI

EC2提供了许多不同的实例配置可供选择。对于初学者来说,这有时会让人感到困惑。 图16.3.4列出了不同合适的计算机。

Name

GPU

Notes

g2

Grid K520

过时的

p2

Kepler K80

旧的GPU但Spot实例通常很便宜

g3

Maxwell M60

好的平衡

p3

Volta V100

FP16的高性能

g4

Turing T4

FP16/INT8推理优化

Table: 不同的EC2实例类型

所有这些服务器都有多种类型,显示了使用的GPU数量。例如,p2.xlarge有1个GPU,而p2.16xlarge有16个GPU和更多内存。有关更多详细信息,请参阅Amazon EC2 文档

../_images/p2x.png

图16.3.5 选择一个实例

注意,你应该使用支持GPU的实例以及合适的驱动程序和支持GPU的深度学习框架。否则,你将感受不到使用GPU的任何好处。

到目前为止,我们已经完成了启动EC2实例的七个步骤中的前两个步骤,如 图16.3.6顶部所示。在本例中,我们保留“3. Configure Instance”(3. 配置实例)、“5. Add Tags”(5. 添加标签)和“6. Configure Security Group”(6. 配置安全组)步骤的默认配置。点击“4.添加存储”并将默认硬盘大小增加到64GB( 图16.3.6中的红色框标记)。请注意,CUDA本身已经占用了4GB空间。

../_images/disk.png

图16.3.6 修改硬盘大小

最后,进入“7. Review”(7. 查看),点击“Launch”(启动),即可启动配置好的实例。系统现在将提示你选择用于访问实例的密钥对。如果你没有密钥对,请在 图16.3.7的第一个下拉菜单中选择“Create a new key pair”(新建密钥对),即可生成密钥对。之后,你可以在此菜单中选择“Choose an existing key pair”(选择现有密钥对),然后选择之前生成的密钥对。单击“Launch Instances”(启动实例)即可启动创建的实例。

../_images/keypair.png

图16.3.7 选择一个密钥对

如果生成了新密钥对,请确保下载密钥对并将其存储在安全位置。这是你通过SSH连接到服务器的唯一方式。单击 图16.3.8中显示的实例ID可查看该实例的状态。

../_images/launching.png

图16.3.8 单击实例ID

16.3.1.4. 连接到实例

图16.3.9所示,实例状态变为绿色后,右键单击实例,选择Connect(连接)查看实例访问方式。

../_images/connect.png

图16.3.9 查看实例访问方法

如果这是一个新密钥,它必须是不可公开查看的,SSH才能工作。转到存储D2L_key.pem的文件夹,并执行以下命令以使密钥不可公开查看:

chmod 400 D2L_key.pem
../_images/chmod.png

图16.3.10 查看实例访问和启动方法

现在,复制 图16.3.10下方红色框中的ssh命令并粘贴到命令行:

ssh -i "D2L_key.pem" ubuntu@ec2-xx-xxx-xxx-xxx.y.compute.amazonaws.com

当命令行提示“Are you sure you want to continue connecting (yes/no)”(“你确定要继续连接吗?(是/否)”)时,输入“yes”并按回车键登录实例。

你的服务器现在已就绪。

16.3.2. 安装CUDA

在安装CUDA之前,请确保使用最新的驱动程序更新实例。

sudo apt-get update && sudo apt-get install -y build-essential git libgfortran3

我们在这里下载CUDA 10.1。访问NVIDIA的官方存储库 以找到下载链接,如 图16.3.11中所示。

../_images/cuda101.png

图16.3.11 查找CUDA 10.1下载地址

将说明复制粘贴到终端上,以安装CUDA 10.1。

# 链接和文件名可能会发生更改,以NVIDIA的官方为准
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pin
sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget http://developer.download.nvidia.com/compute/cuda/10.1/Prod/local_installers/cuda-repo-ubuntu1804-10-1-local-10.1.243-418.87.00_1.0-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1804-10-1-local-10.1.243-418.87.00_1.0-1_amd64.deb
sudo apt-key add /var/cuda-repo-10-1-local-10.1.243-418.87.00/7fa2af80.pub
sudo apt-get update
sudo apt-get -y install cuda

安装程序后,运行以下命令查看GPU:

nvidia-smi

最后,将CUDA添加到库路径以帮助其他库找到它。

echo "export LD_LIBRARY_PATH=\${LD_LIBRARY_PATH}:/usr/local/cuda/lib64" >> ~/.bashrc

16.3.3. 安装库以运行代码

要运行本书的代码,只需在EC2实例上为linux用户执行 安装中的步骤,并使用以下提示在远程linux服务器上工作:

  • 要在Miniconda安装页面下载bash脚本,请右击下载链接并选择“copy Link address”,然后执行wget [copied link address]

  • 运行~/miniconda3/bin/conda init, 你可能需要执行source~/.bashrc,而不是关闭并重新打开当前shell。

16.3.4. 远程运行Jupyter笔记本

要远程运行Jupyter笔记本,你需要使用SSH端口转发。毕竟,云中的服务器没有显示器或键盘。为此,请从你的台式机(或笔记本电脑)登录到你的服务器,如下所示:

# 此命令必须在本地命令行中运行
ssh -i "/path/to/key.pem" ubuntu@ec2-xx-xxx-xxx-xxx.y.compute.amazonaws.com -L 8889:localhost:8888

接下来,转到EC2实例上本书下载的代码所在的位置,然后运行:

conda activate d2l
jupyter notebook

图16.3.12显示了运行Jupyter笔记本后可能的输出。最后一行是端口8888的URL。

../_images/jupyter.png

图16.3.12 运行Jupyter Notebook后的输出(最后一行是端口8888的URL)

由于你使用端口转发到端口8889,请复制 图16.3.12红色框中的最后一行,将URL中的“8888”替换为“8889”,然后在本地浏览器中打开它。

16.3.5. 关闭未使用的实例

由于云服务是按使用时间计费的,你应该关闭不使用的实例。请注意,还有其他选择:

  • “Stopping”(停止)实例意味着你可以重新启动它。这类似于关闭常规服务器的电源。但是,停止的实例仍将按保留的硬盘空间收取少量费用。

  • “Terminating”(终止)实例将删除与其关联的所有数据。这包括磁盘,因此你不能再次启动它。只有在你知道将来不需要它的情况下才这样做。

如果你想要将该实例用作更多实例的模板,请右击 图16.3.9中的例子,然后选择“Image”\(\rightarrow\)“Create”以创建该实例的镜像。完成后,选择“实例状态”\(\rightarrow\)“终止”以终止实例。下次要使用此实例时,可以按照本节中的步骤基于保存的镜像创建实例。唯一的区别是,在 图16.3.4所示的“1.选择AMI”中,你必须使用左侧的“我的AMI”选项来选择你保存的镜像。创建的实例将保留镜像硬盘上存储的信息。例如,你不必重新安装CUDA和其他运行时环境。

16.3.6. 小结

  • 我们可以按需启动和停止实例,而不必购买和制造我们自己的计算机。

  • 在使用支持GPU的深度学习框架之前,我们需要安装CUDA。

  • 我们可以使用端口转发在远程服务器上运行Jupyter笔记本。

16.3.7. 练习

  1. 云提供了便利,但价格并不便宜。了解如何启动spot实例以降低成本。

  2. 尝试使用不同的GPU服务器。它们有多快?

  3. 尝试使用多GPU服务器。你能把事情扩大到什么程度?

Discussions