Configurar TensorFlow GPU no AWS SageMaker

Table of Contents

1. Introdução
2. O que é o AWS?
3. Como criar uma instância do notebook no SageMaker
4. Requisitando aumento de cota de serviço
5. Iniciando a instância do notebook
6. Abrindo o JupyterLab
7. Importando a biblioteca TensorFlow
8. Verificando a versão do TensorFlow
9. Verificando a disponibilidade de dispositivos de GPU
10. Conclusão

Introdução

Olá a todos, aqui é o Slammy novamente. Hoje vamos explorar um exemplo de código TensorFlow GPU no AWS SageMaker. Se você não sabe o que é AWS, significa Amazon Web Services, é uma plataforma de serviço de computação em nuvem que oferece a capacidade de executar trabalhos de computação de alto desempenho na nuvem. Precisamos utilizar essa plataforma porque, se você não tiver um bom Tutorial de GPU, o tempo de treinamento do modelo pode ser muito longo. Mas, se você já tiver, por favor, assista a outro vídeo acima. Agora, vamos entrar no console AWS.

O que é o AWS?

O Amazon Web Services (AWS) é uma plataforma de serviço de computação em nuvem que fornece uma ampla gama de serviços e ferramentas para ajudar na execução de operações de negócios de forma eficiente e escalável. Ele oferece recursos de armazenamento, computação, banco de dados, análise, inteligência artificial, machine learning, internet das coisas e muito mais. A AWS é amplamente utilizada por empresas de todos os tamanhos para hospedar aplicativos, armazenar dados e executar operações em escala global.

Como criar uma instância do notebook no SageMaker

O SageMaker é um serviço oferecido pela AWS que permite criar, treinar e implantar modelos de machine learning de forma fácil e escalável. Para começar a utilizar o SageMaker, precisamos criar uma instância do notebook. Vamos seguir os passos a seguir:

1. Acesse o console AWS e faça login na sua conta.
2. Na página inicial do console AWS, utilize a barra de pesquisa no topo para pesquisar "SageMaker".
3. Selecione o serviço SageMaker nos resultados da pesquisa.
4. No menu à esquerda do painel do SageMaker, clique em "Criar instância do notebook".
5. Preencha o nome da instância do notebook com um nome adequado.
6. Escolha o tipo da instância do notebook como "ml.g4dn".
7. Mantenha as outras configurações como padrão.
8. Clique em "Criar instância do notebook" para criar a instância.

Pros:

• Fácil configuração e criação de instância.
• Ampla seleção de tipos de instâncias para atender às necessidades de computação.

Contras:

• Alguns tipos de instâncias podem ser caros.
• Pode levar algum tempo para criar a instância.

Requisitando aumento de cota de serviço

Por padrão, a cota de serviço para instâncias de computação acelerada, como as instâncias "ml.g4dn", é definida como zero. Antes de criar uma instância do notebook com esse tipo de instância, é necessário solicitar o aumento da cota de serviço. Siga os passos abaixo:

1. Utilize a barra de pesquisa no topo do console AWS e pesquise por "service quota".
2. Selecione o serviço AWS e depois o SageMaker na lista de serviços disponíveis.
3. Na lista de códigos de serviço disponíveis, encontre o código para a instância "ml.g4".
4. Copie o código e cole-o na barra de pesquisa.
5. Clique em "Solicitar" e aumente o valor da cota para 1.
6. Clique em "Enviar solicitação".
7. Aguarde a aprovação da solicitação. Isso pode levar até 48 horas.

Iniciando a instância do notebook

Após a aprovação da solicitação de aumento da cota, podemos iniciar a instância do notebook. Siga os passos abaixo:

1. No SageMaker, clique em "Criar instância do notebook".
2. Dê um nome adequado para a instância.
3. Escolha o tipo de instância do notebook como "ml.g4dn.xlarge".
4. Mantenha as outras configurações como padrão.
5. Clique em "Criar instância do notebook" para criar a instância.

Pros:

• Configuração simples e rápida.
• Maior flexibilidade no tipo de instância do notebook.

Contras:

• Possível demora na aprovação da solicitação de aumento da cota.
• Alguns tipos de instâncias podem ser caros.

Abrindo o JupyterLab

Após a criação da instância do notebook, podemos abrir o ambiente JupyterLab e começar a escrever código. Siga os passos abaixo:

1. Na página da instância do notebook, clique no botão "Open JupyterLab".
2. Selecione a opção "conda_tensorflow2_python38" para criar um ambiente com TensorFlow e Python 3.8.
3. Clique em "Abrir" para acessar o JupyterLab.

Importando a biblioteca TensorFlow

No JupyterLab, a primeira coisa que queremos fazer é importar a biblioteca TensorFlow e verificar qual versão estamos usando. Podemos fazer isso executando o seguinte código:

import tensorflow as tf
print(tf.__version__)

Verificando a disponibilidade de dispositivos de GPU

Como estamos utilizando uma instância "ml.g4dn.xlarge", que possui suporte a GPU, vamos verificar se existe algum dispositivo de GPU disponível neste ambiente. Podemos fazer isso executando o seguinte código:

print(tf.config.list_physical_devices('GPU'))

Conclusão

Neste vídeo, exploramos como utilizar uma instância do notebook no SageMaker da AWS para executar código TensorFlow com suporte a GPU. Vimos como criar uma instância do notebook, como solicitar o aumento da cota de serviço, como iniciar a instância do notebook e como abrir o JupyterLab. Também importamos a biblioteca TensorFlow e verificamos a versão. Por fim, verificamos a disponibilidade de dispositivos de GPU. No próximo vídeo, iremos implementar o código do PointNet. Se você encontrou este vídeo útil, por favor, inscreva-se e até breve!

Recursos:

• https://aws.amazon.com/
• Link do exemplo de código no GitHub

FAQ:

Q: Quanto tempo leva para aprovar uma solicitação de aumento de cota de serviço? A: Geralmente, pode levar até 48 horas para que a solicitação seja aprovada.

Q: Posso criar várias instâncias do notebook? A: Sim, é possível criar várias instâncias do notebook no SageMaker.

Q: É necessário pagar pelo tempo em que a instância do notebook está parada? A: Não, você não precisa pagar pelo tempo em que a instância do notebook está parada.