<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                合規國際互聯網加速 OSASE為企業客戶提供高速穩定SD-WAN國際加速解決方案。 廣告
                # 如何在 Linux 服務器上運行深度學習實驗 > 原文: [https://machinelearningmastery.com/run-deep-learning-experiments-linux-server/](https://machinelearningmastery.com/run-deep-learning-experiments-linux-server/) 編寫代碼后,必須在具有大量 RAM,CPU 和 GPU 資源的大型計算機上運行深度學習實驗,通常是云中的 Linux 服務器。 最近,我被問到這個問題: > “你如何進行深度學習實驗?” 這是一個我喜歡回答的好問題。 在這篇文章中,您將發現我用于在 Linux 上運行深度學習實驗的方法,命令和腳本。 閱讀這篇文章后,你會知道: * 如何設計建模實驗以將模型保存到文件。 * 如何運行單個 Python 實驗腳本。 * 如何從 shell 腳本順序運行多個 Python 實驗。 讓我們開始吧。 ![How to Run Deep Learning Experiments on a Linux Server](https://img.kancloud.cn/26/ee/26ee1ff8f66a3de35dc2c8c51d04c00c_640x339.png) 如何在 Linux 服務器上運行深度學習實驗 [Patrik Nygren](https://www.flickr.com/photos/lattefarsan/10538489333/) 的照片,保留一些權利。 ## 1\. Linux 服務器 我在工作站上編寫了所有建模代碼,并在遠程 Linux 服務器上運行所有代碼。 目前,我的偏好是在 EC2 上使用[亞馬遜深度學習 AMI](https://aws.amazon.com/marketplace/pp/B01M0AXXQB) 。有關為自己的實驗設置此服務器的幫助,請參閱帖子: * [如何使用亞馬遜網絡服務上的 Keras 開發和評估大型深度學習模型](https://machinelearningmastery.com/develop-evaluate-large-deep-learning-models-keras-amazon-web-services/) ## 2.建模代碼 我編寫代碼,以便每個 python 文件有一個實驗。 大多數情況下,我正在處理大型數據,如圖像字幕,文本摘要和機器翻譯。 每個實驗都適合模型,并將整個模型或權重保存到 [HDF5 文件](http://www.h5py.org/),以便以后重復使用。 有關將模型保存到文件的更多信息,請參閱以下帖子: * [保存并加載您的 Keras 深度學習模型](https://machinelearningmastery.com/save-load-keras-deep-learning-models/) * [如何在 Keras 檢查深度學習模型](https://machinelearningmastery.com/check-point-deep-learning-models-keras/) 我嘗試準備一套實驗(通常是 10 個或更多)以便在一個批次中運行。我還嘗試將數據準備步驟分離為首先運行的腳本,并創建可隨時加載和使用的訓練數據集的 pickle 版本。 ## 3.運行實驗 每個實驗可能會在訓練期間輸出一些診斷信息,因此,每個腳本的輸出都會重定向到特定于實驗的日志文件。如果事情失敗,我也會重定向標準錯誤。 在運行時,Python 解釋器可能不會經常刷新輸出,尤其是在系統負載不足的情況下。我們可以使用 Python 解釋器上的 _-u_ 標志強制將輸出刷新到日志中。 運行單個腳本( _myscript.py_ )如下所示: ```py python -u myscript.py >myscript.py.log 2>&1 ``` 我可以創建一個“_ 模型”_ 和一個“_ 結果”_ 目錄,并更新要保存到這些目錄的模型文件和日志文件,以保持代碼目錄清晰。 ## 4.運行批量實驗 每個 Python 腳本都按順序運行。 創建一個 shell 腳本,按順序列出多個實驗。例如: ```py #!/bin/sh # run experiments python -u myscript1.py >myscript1.py.log 2>&1 python -u myscript2.py >myscript2.py.log 2>&1 python -u myscript3.py >myscript3.py.log 2>&1 python -u myscript4.py >myscript4.py.log 2>&1 python -u myscript5.py >myscript5.py.log 2>&1 ``` 該文件將保存為“ _run.sh”_,與代碼文件放在同一目錄中并在服務器上運行。 例如,如果所有代碼和 run.sh 腳本都位于“ _ec2-user_ ”主目錄的“ _experiments_ ”目錄中,則腳本將按如下方式運行: ```py nohup /home/ec2-user/experiments/run.sh > /home/ec2-user/experiments/run.sh.log </dev/null 2>&1 & ``` 該腳本作為后臺進程運行,無法輕易中斷。我還捕獲了這個腳本的結果,以防萬一。 您可以在本文中了解有關在 Linux 上運行腳本的更多信息: * [10 個亞馬遜網絡服務深度學習命令行方案](https://machinelearningmastery.com/command-line-recipes-deep-learning-amazon-web-services/) 就是這樣。 ## 進一步閱讀 如果您希望深入了解,本節將提供有關該主題的更多資源。 * [源代碼深度學習 AMI(CUDA 8,亞馬遜 Linux)](https://aws.amazon.com/marketplace/pp/B01M0AXXQB) * [保存并加載您的 Keras 深度學習模型](https://machinelearningmastery.com/save-load-keras-deep-learning-models/) * [如何在 Keras 檢查深度學習模型](https://machinelearningmastery.com/check-point-deep-learning-models-keras/) * [10 個亞馬遜網絡服務深度學習命令行方案](https://machinelearningmastery.com/command-line-recipes-deep-learning-amazon-web-services/) * [如何使用亞馬遜網絡服務上的 Keras 開發和評估大型深度學習模型](https://machinelearningmastery.com/develop-evaluate-large-deep-learning-models-keras-amazon-web-services/) ## 摘要 在這篇文章中,您發現了我用于在 Linux 上運行深度學習實驗的方法,命令和腳本。 具體來說,你學到了: * 如何設計建模實驗以將模型保存到文件。 * 如何運行單個 Python 實驗腳本。 * 如何從 shell 腳本順序運行多個 Python 實驗。 你有任何問題嗎? 在下面的評論中提出您的問題,我會盡力回答。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看