介紹
在本系列的上一篇部落格文章中，我們探索了將GPU用於資料科學工作流的好處，並演示瞭如何在Cloudera Machine Learning（CML）中設定會話以訪問NVIDIA GPU來加速機器學習專案。儘管將GPU用於複雜和大型任務的省時潛力巨大，但設定這些環境和任務（例如整理NVIDIA驅動程式，管理CUDA版本以及為特定專案需求部署自定義引擎）可能既耗時又充滿挑戰。為了簡化這些流程，並使資料科學家更快地在ML用例上工作，我們簡化了在CML中本地配置和利用NVIDIA GPU的工作。在接下來的部分中，我們將為您提供三種簡單的方法，使資料科學團隊可以開始使用GPU來為CML中的深度學習模型提供支援。
場景
為了說明如何利用這些NVIDIA GPU執行時，我們將使用計算機視覺影象分類示例，並訓練一個深度學習模型，以使用Fashion MNIST資料集對時尚商品進行分類。
MNIST是一種手寫數字分類任務，多年來一直是Computer Vision 101示例問題，涉及手寫數字數字的分類。但是，問題集並沒有跟上時代的發展，現代的GPU和演算法現在能夠比閱讀本段內容更快地解決它。
Fashion MNIST面臨著更嚴峻的分類挑戰，旨在取代傳統MNIST。藉助Fashion MNIST資料集，我們的演算法具有10種不同的服裝專案類別，可以分別識別10，000個樣本。
Libraries
對於本文，我將提供三種使用PyTorch、Tensorflow和MXNet中的程式碼解決此情況的方法，以供您遵循。分別參見相關子資料夾pytorch、mxnet和tensorflow。在本文中，我們將探討如何將Tensorflow與NVIDIA GPU結合使用。其他子資料夾的執行方式相同，易於您自行探索。按照此處的程式碼進行操作。請注意，儘管我們在練習中使用上述方法，但GPU非常靈活，並且可以根據專案本身使用各種框架和庫。
教程
每個資料夾（“ pytorch”，“ mxnet”和“ tensorflow”）都包含一個“ main。py”函式，其中包含安裝庫、載入資料、設定網路和訓練模型所需的所有程式碼。讓我們看一下以下螢幕快照中的tensorflow示例：
首先，從主螢幕上的“新建專案”選項卡，git將儲存庫克隆到一個新專案中。
載入完畢後，您將進入專案頁面。
從那裡，您可以在專案頁面的右上角建立一個新會話。建立會話時，我們可以從不同的CPU / RAM和GPU配置中進行選擇。就我而言，我選擇了4核/ 8GB RAM和1個GPU。使用FashionMNIST，1個GPU足以讓我們相對快速地適應演算法。對於更高階的問題和更復雜的深度學習模型，可能需要更多的GPU。但是，利用多個GPU進行深度學習的技術可能會變得複雜，因此我今天不再贅述。
在以下示例中，我將使用本機CML IDE，但如果您願意，JupyterLabis也可在CML中使用。
有了我們的IDE和會話，我們現在需要安裝相關的庫。在我的tensorflow子資料夾的`main。py`指令碼中，您可以在頂部看到pip命令來安裝庫。對於我們正在執行的用於互動編碼的Ipython，`％pip`是我們無需去bash終端即可執行`pip`的方式。
%pip install tensorflow
%pip install scikit-learn pandas
執行這兩行以安裝庫。這可以透過選擇兩行並點選Ctrl + Enter來完成。
安裝了庫之後，我們可以執行庫匯入語句作為快速檢查，以確保Tensorflow正確地利用了我們的GPU資源。您應該看到一系列“成功開啟動態庫xxxx”訊息，最後看到“新增可見的gpu裝置：0”。0是圖形卡的索引。如果您有1個以上的圖形卡，您將看到額外的索引，例如：“新增可見的GPU裝置：0、1”
-
**注意**通常將Tensorflow之類的庫打包併發布到pypi和Conda通道上，以支援特定的NVIDIA CUDA版本，直到發行為止。例如，CUDA 11。0庫可能與CUDA 11。1有關。
如果所安裝的CUDA版本與打包的庫所編譯的版本不匹配，則可能需要重新編譯該庫才能正常工作。
-
要檢視我們使用了多少GPU，我將開啟一個終端會話並載入`nvidia-smi`工具來跟蹤使用情況。執行命令“ nvidia-smi -l”以開啟重新整理跟蹤器以利用GPU
現在，我們可以執行指令碼的其餘部分，並觀看我們的模型訓練
在我們的模型訓練過程中，我們可以看到記憶體使用率從3MiB變為11320MiB，而揮發性GPU-Util為17％，而之前為0％
訓練模型後，我們可以檢視模型訓練結果，以瞭解模型的質量。
成功！您現在就可以在Tensorflow中開始在CML中使用GPU。其他子資料夾可以用相同的方式設定，並可以讓您自己進行探索。
更多資訊
在本文中，我們回顧瞭如何啟動支援GPU的Cloudera機器學習課程，並展示瞭如何利用GPU進行深度學習應用程式。開始使用GPU加速的機器學習技術在現在CDP，你就可以開始在這裡。
原文作者：Brian Law