机器学习学习笔记--如何在AWS上完成模型训练

如果你在本地无法完成模型训练，采用云主机完成是一个不错的选择。这里推荐 AWS，也就是亚马逊云服务。你可以登陆 https://aws.amazon.com完成注册。然后新建一个 EC2 弹性云计算主机。

使用 AWS 的一个重要原因是它提供了许多优质的镜像，例如我选择的 ami-599a7721 社区镜像已经配置好了 Keras 的开发环境。除此之外，ami-638c1eo3镜像也是不错的选择。启动之后，就无需再自行配置环境。

AWS 大部分主机都在国外，对于访问 GitHub 等外网资源和一些外网服务有着天然优势。

实例类型方面，推荐选择g2.2xlarge。此款实例类型配置了1 个 NVIDIA GRID GPU (Kepler GK104) 以及来自 Intel Xeon E5-2670 的 8 个硬件超线程提供支持。对于本次训练的规模来讲，已经足够了。标准配置的 g2.2xlarge类型实例价格为 $0.65 （4.3 元人民币）每小时。GPU 实例价格昂贵，按需使用完之后，务必注意要终止实例。

配置好实例之后，我们就可以开始训练模型了。g2.2xlarge 使用的 NVIDIA GRID GPU (Kepler GK104)拥有 4 GB 显存，配置一般，比较经济。为了保险起见，我们可以验证一下作为后端的 tensorflow 是否已经成功切换到到 GPU。

# -*- coding:utf8 -*-import numpy as npfrom PIL import Imageimport matplotlib.pyplot as pltfrom keras.preprocessing import imagefrom keras.models import load_model, Sequentialfrom keras.applications.inception_v3 import preprocess_input# 载入模型model = load_model('inceptionv3-tl.model')# 预测函数def predict(model, img):    img = img.resize((299, 299))    # 提取特征    x = image.img_to_array(img)    x = np.expand_dims(x, axis=0)    x = preprocess_input(x)    # 预测    preds = model.predict(x)    return preds[0]# 绘制图像def plot_preds(image, preds):    plt.figure()    plt.subplot(211)    plt.imshow(image)    plt.axis('off')    plt.subplot(212)    labels = ("cat", "dog")    plt.barh([0, 1], preds, alpha=0.5)    plt.yticks([0, 1], labels)    plt.xlabel('Probability')    plt.xlim(0, 1.01)    plt.tight_layout()    plt.show()# 运行if __name__ == "__main__":    # 这里注意改到你放置测试图片的位置    img = Image.open('dog.jpg')    preds = predict(model, img)    print(preds)    plot_preds(img, preds)