访问官网
Github
文档项目介绍：AWS 深度学习容器
什么是AWS深度学习容器？
AWS 深度学习容器（Deep Learning Containers, DLCs）是一组为训练和部署 TensorFlow、TensorFlow 2、PyTorch 和 MXNet 模型而优化的 Docker 镜像。这些容器提供了优化的环境，包含了 NVIDIA CUDA（用于 GPU 实例）和 Intel MKL（用于 CPU 实例）库，并已在 Amazon Elastic Container Registry（Amazon ECR）中发布。
使用场景与优势
AWS 深度学习容器在 Amazon SageMaker 中作为默认的计算环境使用，支持训练、推理、数据转换等任务。这些容器已在 Amazon EC2、Amazon ECS 和 Amazon EKS 等服务的机器学习工作负载中经过测试。
- 自适应各类服务：这些容器不仅支持 SageMaker，还可在 EC2、ECS 和 EKS 平台上顺畅运行。
- 优化性能：集成了 CUDA 和 MKL库，可以发挥 GPU 和 CPU 的最大性能优势。
授权协议
AWS 深度学习容器项目使用 Apache-2.0 许可证发布，smdistributed.dataparallel 和 smdistributed.modelparallel 模块根据 AWS 客户协议发布。
如何开始使用
要开始使用 AWS 深度学习容器，首先需要具备一个 AWS 账户，并设置 AWS 命令行界面（awscli）以便访问账户。此外，您需要安装 Docker 客户端，以便在本地构建和测试容器。
以下是一个简单的示例说明如何在 Amazon 平台上构建和测试 MXNet GPU Python3 训练容器：
- 访问与设置：确保您拥有 AWS 访问权限，例如配置一个 IAM 用户或 IAM 角色。
- 创建 ECR 仓库：在一个特定区域（如 us-west-2 区域）创建一个 ECR 仓库。
- 环境配置：克隆代码库并设置必要的环境变量，安装 Docker 和所需的 Python 库。
- 构建与测试：通过特定命令构建您的 Docker 镜像，并使用 pytest 框架进行本地测试。
自定义与扩展
- 构建新镜像：通过修改 buildspec.yml 文件，您可以构建各个框架和特定版本的 Docker 镜像。
- 升级框架版本：如果有新的框架版本发布，可以在 buildspec.yml 文件中更新版本信息并重新构建。
- 添加新的组件：您也可以通过修改 Dockerfile 来添加新的 Python 包或其他依赖，从而定制您的深度学习容器。
本地测试
AWS 深度学习容器支持在本地进行测试，以节省资源和时间。在本地测试过程中，可以通过 pytest 运行针对不同平台（如 EC2、ECS 或 EKS）编写的测试文件。
本地测试的具体步骤包括：在本地克隆代码库，安装测试所需依赖，配置测试环境变量，并使用 pytest 执行测试。
结语
AWS 深度学习容器提供了一个强大而灵活的平台，可以加速深度学习模型的开发、训练和部署。这些容器经过优化和验证，适用于各种不同的 AWS 服务和环境，是机器学习和深度学习项目的绝佳辅助工具。
