Lorsque vous essayez de faire du deep learning dans un environnement local sans GPU, il est lent et stressant Mach. D'un autre côté, si vous essayez de le faire sur AWS où le GPU est facile à utiliser, vous devez écrire du code sans IDE (vim ou emacs). Alors, essayons d'utiliser jupyter sur AWS pour le rendre un peu plus facile.
Peut être complété par tab. c'est tout! Eh bien, il y a des choses comme seaborn qui ont l'air graphique et des pandas qui donnent une belle apparence à la table. Facile lorsque vous parlez aux autres. Et
#installation jupyter
pip install jupyter
#Génération du fichier de configuration jupyter, etc.
jupyter notebook --generate-config
#Si vous le faites en tant qu'utilisateur root, vous devriez arrêter de le faire. Si tu fais autre chose--allow-Ajoutez la racine en plus.
#Paramètres de connexion locale
vi ~/.jupyter/jupyter_notebook_config.py
#Ajoutez ce qui suit
c.NotebookApp.ip ='*' #Contrôle IP de la source de connexion
c.NotebookApp.port = 8888 #Contrôle du port de la source de connexion
jupyter notebook --allow-root
Après cela, si vous autorisez l'adresse IP et le port globaux: 8888 de la source de connexion dans le groupe de sécurité AWS, c'est OK.
Vous pouvez maintenant utiliser caffe, keras, etc. sur jypyter comme vous le souhaitez et coder avec GPU.
Recommended Posts