每當我開始一個新的項目時，我發現自己一次又一次地創建一個深度學習機器。

從安裝Anaconda開始，然后為Pytorch和Tensorflow創建不同的環境，這樣它們就不會相互干擾，而在這中間，你不可避免地會搞砸，然后得從頭開始。這種情況經常發生。這不僅是對時間的巨大浪費，也是令人惱火的。通過所有的堆棧溢出線程，我們經常想知道究竟出了什么問題。那么，有沒有一種方法可以更有效地做到這一點呢？在這個博客中，我將嘗試在EC2上以最小的努力建立一個深度學習服務器，這樣我就可以專注于更重要的事情。本文章由兩部分組成：設置一個預先安裝了深度學習庫的Amazon EC2機器。使用TMUX和SSH隧道設置Jupyter notebook。別擔心，這聽起來不難，只需按照步驟操作，然后單擊“下一步”。設置Amazon EC2計算機我假設你擁有一個AWS賬戶，并且可以訪問AWS控制臺，如果沒有，你可能需要注冊一個Amazon AWS賬戶。AWS控制臺：首先，我們需要轉到“Services”選項卡以訪問EC2儀表板。

在EC2儀表板上，你可以從創建實例開始。

3．亞馬遜向社區AMI（亞馬遜機器映像）預裝了深度學習軟件。要訪問這些AMI，你需要查看社區AMI，并在“搜索”選項卡中搜索“ Ubuntu深度學習”。你可以選擇其他任何的Linux風格，但是我發現Ubuntu對于滿足我的深度學習需求是最為有用。在當前設置中，我將使用深度學習AMI（Ubuntu 18．04）27．0版

4．選擇AMI后，可以選擇“實例類型”。在這里，你可以指定系統中所需的CPU，內存和GPU的數量。亞馬遜提供了許多根據個人需求選擇的選項，你可以使用“過濾依據”過濾器過濾GPU實例。在本教程中，我使用了p2．xlarge實例，該實例為NVIDIA K80 GPU提供了2，496個并行處理內核和12GiB的GPU內存。要了解不同的實例類型，你可以查看下方鏈接中的文檔，并查看價格。

5．你可以在第4步中更改連接到機器的存儲。如果你不預先添加存儲也是可以，因為以后也可以這樣做。我將存儲空間從90 GB更改為500 GB，因為大多數深度學習需求都需要適當的存儲空間。

6．僅此而已，你可以在進入最終審閱實例設置屏幕之后啟動實例。單擊啟動后，你將看到此屏幕，只需在“Key pair name”中輸入任何密鑰名稱，然后單擊“Download Key Pair”即可。你的密鑰將按照你提供的名稱下載到計算機上。對我來說，它被保存為“aws＿key．pem”。完成后，你可以單擊“Launch Instances”啟動實例。

請確保此密鑰對的安全，因為每當你要登錄實例時都需要這樣做。7．現在，你可以單擊下一頁上的“View Instances”以查看你的實例。這是你的實例的樣子：

8．要連接到你的實例，只需在本地計算機上打開一個終端窗口，然后瀏覽到保存密鑰對文件并修改一些權限的文件夾。chmod 400 aws＿key．pem完成此操作后，你將可以通過SSH連接到你的實例。SSH命令的格式為：ssh －i“ aws＿key．pem” ubuntu ＠ ＜你的PublicDNS（IPv4）＞

另外，請記住，一旦關閉實例，公用DNS可能會更改。9．你已經準備好機器并準備就緒。本機包含不同的環境，這些環境具有你可能需要的各種庫。這臺特定的機器具有MXNet，Tensorflow和Pytorch，以及不同版本的python，最好的事情是，我們已經預先安裝了所有這些功能，因此開箱即用。