שימוש ב-TensorFlow Enterprise עם מופע מקומי של Deep Learning Containers

בדף הזה מופיעה סקירה כללית קצרה על Deep Learning Containers ומוסבר איך להתחיל להשתמש ב-TensorFlow Enterprise עם מופע מקומי של Deep Learning Containers.

בדוגמה הזו, יוצרים ומריצים מכונה של קונטיינרים של למידה עמוקה של TensorFlow Enterprise במחשב המקומי. לאחר מכן פותחים מחברת JupyterLab (שכלולה כברירת מחדל במופע של הקונטיינר) ומריצים הדרכה בנושא סיווג באמצעות רשתות עצביות עם Keras.

סקירה כללית על קונטיינרים של למידה עמוקה (Deep Learning)

קונטיינרים של למידה עמוקה (Deep Learning) הם קבוצה של קונטיינרים של Docker עם frameworks, ספריות וכלים מרכזיים של מדעי נתונים שמותקנים מראש. הקונטיינרים האלה מספקים סביבות עקביות שעברו אופטימיזציה לביצועים, ויכולות לעזור לכם ליצור אב טיפוס ולהטמיע תהליכי עבודה במהירות.

לפני שמתחילים

כדי להתקין את Google Cloud CLI ואת Docker, ואז להגדיר את המחשב המקומי, צריך לבצע את השלבים הבאים.

התקנה של ה-CLI של gcloud ו-Docker

כדי להתקין את ה-CLI של gcloud ואת Docker במחשב המקומי, צריך לבצע את השלבים הבאים.

  1. מורידים ומתקינים את ה-CLI של gcloud במחשב המקומי. אתם יכולים להשתמש ב-CLI של gcloud כדי ליצור ממשק עם המופע.

  2. מורידים ומתקינים את Docker.

הגדרת המחשב המקומי

כדי להגדיר את המחשב המקומי, צריך לבצע את השלבים הבאים.

  1. אם אתם משתמשים במערכת הפעלה מבוססת-Linux, כמו Ubuntu או Debian, אתם יכולים להשתמש בפקודה הבאה כדי להוסיף את שם המשתמש שלכם לקבוצה docker, וכך להריץ את Docker בלי להשתמש ב-sudo. מחליפים את USERNAME בשם המשתמש.

    sudo usermod -a -G docker USERNAME

    יכול להיות שתצטרכו להפעיל מחדש את המערכת אחרי שתצטרפו לקבוצה docker.

  2. פותחים את Docker. כדי לוודא ש-Docker פועל, מריצים את פקודת Docker הבאה, שמחזירה את השעה והתאריך הנוכחיים:

    docker run busybox date

  3. שימוש ב-gcloud ככלי עזר לפרטי הכניסה ל-Docker:

    gcloud auth configure-docker

  4. אופציונלי: אם רוצים להשתמש בקונטיינרים עם תמיכה ב-GPU, צריך לוודא שיש GPU שתואם ל-CUDA 10, את הדרייבר המשויך וnvidia-docker מותקנים.

יצירת מכונה של קונטיינרים של למידה עמוקה (Deep Learning)

כדי ליצור מופע של TensorFlow Enterprise Deep Learning Containers, מבצעים את השלבים הבאים עבור סוג המכולה המקומית שרוצים ליצור.

אם אתם לא צריכים להשתמש במאגר עם תמיכה ב-GPU, משתמשים בפקודה הבאה. מחליפים את /path/to/local/dir בנתיב לספרייה המקומית שרוצים להשתמש בה.

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

אם רוצים להשתמש במאגר תמונות עם תמיכה ב-GPU, משתמשים בפקודה הבאה. מחליפים את /path/to/local/dir בנתיב לספרייה המקומית שרוצים להשתמש בה.

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

הפקודה הזו מפעילה את מאגר התגים במצב מנותק, מטמיעה את הספרייה המקומית /path/to/local/dir ב-/home במאגר התגים וממפה את יציאה 8080 במאגר התגים ליציאה 8080 במחשב המקומי.

פתיחת נוטבוק של JupyterLab והפעלת הדרכה לסיווג

הקונטיינר מוגדר מראש להפעלת שרת JupyterLab. כדי לפתוח נוטבוק של JupyterLab ולהפעיל הדרכה לסיווג, מבצעים את השלבים הבאים.

  1. בדפדפן המקומי, עוברים אל http://localhost:8080 כדי לגשת למחברת JupyterLab.

  2. בצד ימין, לוחצים לחיצה כפולה על tutorials כדי לפתוח את התיקייה, ועוברים אל tutorials/tf2_course/01_neural_nets_with_keras.ipynb ופותחים אותו.

  3. לוחצים על לחצן ההפעלה כדי להפעיל תאים במדריך.

הפעלת מופע של Deep Learning Containers ב- Google Cloud

כדי להריץ את TensorFlow Enterprise Deep Learning Containers בסביבת ענן, אפשר לקרוא מידע נוסף על האפשרויות להרצת קונטיינרים ב- Google Cloud. לדוגמה, יכול להיות שתרצו להריץ את הקונטיינר שלכם באשכול של Google Kubernetes Engine.

המאמרים הבאים