Menggunakan TensorFlow Enterprise dengan instance Deep Learning Containers lokal

Halaman ini memberikan ringkasan singkat tentang Deep Learning Containers dan menjelaskan cara mulai menggunakan TensorFlow Enterprise dengan instance Deep Learning Containers lokal.

Dalam contoh ini, Anda membuat dan menjalankan instance Deep Learning Containers TensorFlow Enterprise di komputer lokal. Kemudian, Anda membuka notebook JupyterLab (disertakan secara default dalam instance container) dan menjalankan tutorial klasifikasi tentang penggunaan jaringan saraf dengan Keras.

Ringkasan Deep Learning Containers

Deep Learning Containers adalah serangkaian container Docker dengan framework, library, dan alat data science utama yang telah diinstal sebelumnya. Container ini memberi Anda lingkungan yang konsisten dan dioptimalkan untuk performa yang dapat membantu Anda membuat prototipe dan mengimplementasikan alur kerja dengan cepat.

Sebelum memulai

Selesaikan langkah-langkah berikut untuk menginstal Google Cloud CLI dan Docker, lalu siapkan komputer lokal Anda.

Instal gcloud CLI dan Docker

Selesaikan langkah-langkah berikut untuk menginstal gcloud CLI dan Docker di komputer lokal Anda.

  1. Download dan instal gcloud CLI di komputer lokal Anda. Anda dapat menggunakan gcloud CLI untuk berinteraksi dengan instance.

  2. Download dan instal Docker.

Menyiapkan komputer lokal

Selesaikan langkah-langkah berikut untuk menyiapkan komputer lokal Anda.

  1. Jika Anda menggunakan sistem operasi berbasis Linux, seperti Ubuntu atau Debian, gunakan perintah berikut untuk menambahkan nama pengguna Anda ke grup docker agar Anda dapat menjalankan Docker tanpa menggunakan sudo. Ganti USERNAME dengan nama pengguna Anda.

    sudo usermod -a -G docker USERNAME

    Anda mungkin perlu memulai ulang sistem setelah menambahkan diri Anda ke grup docker.

  2. Buka Docker. Untuk memastikan Docker berjalan, jalankan perintah Docker berikut, yang menampilkan waktu dan tanggal saat ini:

    docker run busybox date

  3. Gunakan gcloud sebagai helper kredensial untuk Docker:

    gcloud auth configure-docker

  4. Opsional: Jika Anda ingin menggunakan container yang mendukung GPU, pastikan Anda memiliki GPU yang kompatibel dengan CUDA 10, driver terkait, dan nvidia-docker yang diinstal.

Membuat instance Deep Learning Containers

Untuk membuat instance Deep Learning Containers TensorFlow Enterprise, selesaikan langkah-langkah berikut untuk jenis container lokal yang ingin Anda buat.

Jika Anda tidak perlu menggunakan container yang mendukung GPU, gunakan perintah berikut. Ganti /path/to/local/dir dengan jalur ke direktori lokal yang ingin Anda gunakan.

docker run -d -p 8080:8080 -v /path/to/local/dir:/home \
  gcr.io/deeplearning-platform-release/tf2-cpu.2-3

Jika Anda ingin menggunakan container yang mendukung GPU, gunakan perintah berikut. Ganti /path/to/local/dir dengan jalur ke direktori lokal yang ingin Anda gunakan.

docker run --runtime=nvidia -d -p 8080:8080 -v /path/to/local/dir:/home \
  gcr.io/deeplearning-platform-release/tf2-gpu.2-3

Perintah ini memulai container dalam mode terpisah, memasang direktori lokal /path/to/local/dir ke /home di container, dan memetakan port 8080 di container ke port 8080 di komputer lokal Anda.

Membuka notebook JupyterLab dan menjalankan tutorial klasifikasi

Container telah dikonfigurasi sebelumnya untuk memulai server JupyterLab. Selesaikan langkah-langkah ini untuk membuka notebook JupyterLab dan menjalankan tutorial klasifikasi.

  1. Di browser lokal Anda, buka http://localhost:8080 untuk mengakses notebook JupyterLab.

  2. Di sebelah kiri, klik dua kali tutorials untuk membuka folder, lalu buka tutorials/tf2_course/01_neural_nets_with_keras.ipynb.

  3. Klik tombol jalankan untuk menjalankan sel tutorial.

Menjalankan instance Deep Learning Containers di Google Cloud

Untuk menjalankan instance Deep Learning Containers TensorFlow Enterprise di lingkungan cloud, pelajari lebih lanjut opsi untuk menjalankan container di Google Cloud. Misalnya, Anda mungkin ingin menjalankan container di cluster Google Kubernetes Engine.

Langkah berikutnya