0
| 本文作者： 孔令雙 | 2018-05-23 16:43 |
雷鋒網(wǎng) AI 研習社按，近期，AWS 表示 MXNet 支持 Keras 2，開發(fā)者可以使用 Keras-MXNet 更加方便快捷地實現(xiàn) CNN 及 RNN 分布式訓練。AI 研習社將 AWS 官方博文編譯如下。
Keras-MXNet 深度學習后端現(xiàn)在可用，這要歸功于 Keras 和 Apache MXNet（孵化）開源項目的貢獻者。Keras 是用 Python 編寫的高級神經(jīng)網(wǎng)絡(luò) API，以快速簡單的 CNN 和 RNN 原型而聞名。
Keras 開發(fā)人員現(xiàn)在可以使用高性能 MXNet 深度學習引擎進行 CNN 和遞歸神經(jīng)網(wǎng)絡(luò) RNN 的分布式訓練。通過更新幾行代碼，Keras 開發(fā)人員可以使用 MXNet 的多 GPU 分布式訓練功能來提高訓練速度。保存 MXNet 模型是該發(fā)行版本一個極具價值的功能。開發(fā)者可以在 Keras 中進行設(shè)計，使用 Keras-MXNet 進行訓練，并且在生產(chǎn)中用 MXNet 進行大規(guī)模推算。
本文介紹如何安裝 Keras-MXNet 并演示如何訓練 CNN 和 RNN。如果您之前嘗試過使用其他深度學習引擎做分布式訓練，那么您應(yīng)該知道這過程可能很乏味而且很困難?，F(xiàn)在，讓我們看看用 Keras-MXNet 訓練會怎樣。
部署 AWS Deep Learning AMI
安裝 Keras-MXNet
配置 Keras-MXNet
1.部署 AWS Deep Learning AMI
按照此教程部署 AWS Deep Learning AMI（DLAMI）。要利用多 GPU 訓練示例，請啟動一個 p3.8xlarge 或類似的多 GPU 實例類型。
想要自己安裝依賴來運行 CUDA，Keras，MXNet 和其他框架（比如 TensorFlow）？ 請按照 Keras-MXNet 安裝指南來安裝。
2.安裝 Keras-MXNet
將 Keras-MXnet 及其依賴項安裝在您 DLAMI 上的 MXNet Conda 環(huán)境中。 由于它已經(jīng)有Keras 1.0，所以你需要首先卸載它。登錄您的 DLAMI 并運行以下命令：
# Activate the MXNet Python 3 environment on the DLAMI
$ source activate mxnet_p36
# Install a dependency needed for Keras datasets
$ pip install h5py
# Uninstall older versions Keras-MXNet
$ pip uninstall keras-mxnet
# Install Keras-MXNet v2.1.6
$ pip install keras-mxnet
Keras-MXnet 及其依賴現(xiàn)已安裝在 DLAMI 的 MXNet Conda 環(huán)境中。
3.驗證 Keras-MXNet 安裝
使用以下方式運行 MXNet 后端來驗證你的 Keras：
$ python
>>>import keras as k
Using MXNet backend
現(xiàn)在讓我們在 CIFAR-10 數(shù)據(jù)集上訓練一個 ResNet 模型以確定 10 個分類：飛機、汽車、鳥、貓、鹿、狗、青蛙、馬、船和卡車。
我們可以使用 Keras-MXNet 存儲庫的示例的部分 Keras 2 腳本。用 MXNet 作為 Keras 的后端只需要對腳本進行非常少的更新。
首先從 Keras-MXNet 庫文件中下載示例腳本。
$ wget https://raw.githubusercontent.com/awslabs/keras-apache-mxnet/master/examples/cifar10_resnet_multi_gpu.py
該腳本調(diào)用 multi_gpu_model API 并傳遞要使用的 GPU 數(shù)量。
其次，在終端窗口中運行 nvidia-smi 以確定 DLAMI 上可用的 GPU 數(shù)量。 在下一步中，如果您有四個 GPU，您將按原樣運行腳本，否則運行以下命令打開腳本進行編輯。
$ vi cifar10_resnet_multi_gpu.py
該腳本以下行可以定義 GPU 的數(shù)量，如果有必要的話可以更新它：
model = multi_gpu_model(model, gpus=4)
訓練：
$ python cifar10_resnet_multi_gpu.py
（可選）在訓練運行期間，使用 nvidia-smi 命令檢查 GPU 利用率和內(nèi)存使用情況。
Keras-MXNet 目前提供 RNN 實驗性的支持。 在使用帶有 MXNet 后端的 RNN 時存在一些限制。更多相關(guān)信息，請查閱 Keras-MXNet 文檔。 這里的例子包括你需要的解決方法，以便使用 LSTM 層訓練 IMDB 數(shù)據(jù)集。盡管有解決方法，但在多 GPU AMI 上訓練此 RNN 將比你習慣的要容易和快速。
使用 imdb_lstm 示例腳本。 在嵌入層中傳遞輸入長度，并按如下所示設(shè)置 unroll = True。
首先，在 DLAMI 的終端會話中，從 Keras-MXNet repo 文件夾下載示例腳本。
$ wget https://raw.githubusercontent.com/awslabs/keras-apache-mxnet/master/examples/imdb_lstm.py
其次，打開腳本并跳轉(zhuǎn)到下面一行來查看它：
model.add(Embedding(max_features, 128, input_length=maxlen))
model.add(LSTM(128, unroll=True))
第三，示例腳本已被修改為與 MXNet 后端兼容，因此您可以運行它：
$ python imdb_lstm.py
（可選）在訓練運行期間，使用 nvidia-smi 命令檢查 GPU 利用率和內(nèi)存使用情況。 為此打開另一個終端會話。
為幫助您評估不同 Keras 后端的性能，我們?yōu)?Keras-MXNet 添加了基準測試模塊。通過在該表中描述的 CPU，單 GPU 和多 GPU 機器上使用各種模型和數(shù)據(jù)集，您可以看到 Keras-MXNet 具有更快的 CNN 訓練速度，以及跨多個 GPU 的高效縮放， 這將顯示在訓練速度的條形圖中。有關(guān)如何運行基準腳本并生成詳細基準測試結(jié)果的信息，請參閱 Keras 基準測試自述文件。
基準配置：
Keras Version 2.1.6
MXNet Version 1.2.0
Image Data Format: Channel first
由于數(shù)據(jù)集圖像本身較小，因此對 CIFAR10 數(shù)據(jù)集進行訓練會導(dǎo)致子線性縮放。該數(shù)據(jù)集由 50,000 個尺寸為 32×32 像素的圖像組成，傳送這些小圖像的通信開銷高于從四個跳轉(zhuǎn)到八個 GPU 所提供的計算能力。
與 Keras-MXNet 的圖像處理速度比較
嘗試一些額外的 Keras-MXNet 教程或閱讀發(fā)行說明中的詳細信息。
Via：AWS Blog
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
