# 使用 Amazon SageMaker

🏷 sec_sagemaker

深度学习程序可能需要很多计算资源，这很容易超出你的本地计算机所能提供的范围。云计算服务允许你使用功能更强大的计算机更轻松地运行本书的 GPU 密集型代码。本节将介绍如何使用 Amazon SageMaker 运行本书的代码。

# 注册

首先，我们需要在注册一个帐户 https://aws.amazon.com/。为了增加安全性，鼓励使用双因素身份验证。设置详细的计费和支出警报也是一个好主意，以避免任何意外，例如，当忘记停止运行实例时。登录 AWS 帐户后，转到 console 并搜索 “Amazon SageMaker”（参见 :numref: fig_sagemaker ），然后单击它打开 SageMaker 面板。

搜索并打开SageMaker面板
:width: 300px
🏷 fig_sagemaker

# 创建 SageMaker 实例

接下来，让我们创建一个 notebook 实例，如 :numref: fig_sagemaker-create 所示。

创建一个SageMaker实例
:width: 400px
🏷 fig_sagemaker-create

SageMaker 提供多个具有不同计算能力和价格的实例类型。创建 notebook 实例时，可以指定其名称和类型。在 :numref: fig_sagemaker-create-2 中，我们选择 ml.p3.2xlarge ：使用一个 Tesla V100 GPU 和一个 8 核 CPU，这个实例的性能足够本书的大部分内容使用。

选择实例类型
:width: 400px
🏷 fig_sagemaker-create-2

用于与 SageMaker 一起运行的 ipynb 格式的整本书可从 https://github.com/d2l-ai/d2l-pytorch-sagemaker 获得。
我们可以指定此 GitHub 存储库 URL（ :numref: fig_sagemaker-create-3 ），以允许 SageMaker 在创建实例时克隆它。

指定GitHub存储库
:width: 400px
🏷 fig_sagemaker-create-3

# 运行和停止实例

创建实例可能需要几分钟的时间。当实例准备就绪时，单击它旁边的 “Open Jupyter” 链接（ :numref: fig_sagemaker-open ），以便你可以在此实例上编辑并运行本书的所有 Jupyter Notebook（类似于 :numref: sec_jupyter 中的步骤）。

在创建的SageMaker实例上打开Jupyter
:width: 400px
🏷 fig_sagemaker-open

完成工作后，不要忘记停止实例以避免进一步收费（ :numref: fig_sagemaker-stop ）。

停止SageMaker实例
:width: 300px
🏷 fig_sagemaker-stop

# 更新 Notebook

这本开源书的 notebook 将定期在 GitHub 上的 d2l-ai/d2l-pytorch-sagemaker 存储库中更新。要更新至最新版本，你可以在 SageMaker 实例（ :numref: fig_sagemaker-terminal ）上打开终端。

在SageMaker实例上打开终端
:width: 300px
🏷 fig_sagemaker-terminal

你可能希望在从远程存储库提取更新之前提交本地更改。否则，只需在终端中使用以下命令放弃所有本地更改：

	cd SageMaker/d2l-pytorch-sagemaker/
	git reset --hard
	git pull

# 小结

我们可以使用 Amazon SageMaker 创建一个 GPU 的 notebook 实例来运行本书的密集型代码。
我们可以通过 Amazon SageMaker 实例上的终端更新 notebooks。

# 练习

使用 Amazon SageMaker 编辑并运行任何需要 GPU 的部分。
打开终端以访问保存本书所有 notebooks 的本地目录。

Discussions

chapter_appendix-tools-for-deep-learning