Veröffentlicht am: Mar 20, 2019
Die neuen AWS Deep-Learning-AMIs sind ab sofort auf Amazon Linux 2 verfügbar, der nächsten Generation von Amazon Linux, und zwar zusätzlich zu Amazon Linux und Ubuntu. Darüber hinaus sind die AWS Deep-Learning-AMIs jetzt mit MXNet 1.4.0, Chainer 5.3.0, PyTorch 1.0.1 und TensorFlow 1.13.1 ausgestattet, die direkt aus der Quelldatei generiert und für ein hocheffektives Training über alle Amazon EC2-Instanzen hinweg optimiert wurden.
Bei CPU-Instanzen wird TensorFlow 1.13 direkt aus der Quelldatei entwickelt, um Leistungssteigerungen auf Intel Xeon Platin-Prozessoren zu erzielen, die EC2-C5-Instanzen betreiben. Das Training von ResNet-50-Modellen mit synthetischen ImageNet-Daten unter Verwendung von Deep-Learning-AMIs führen zu einem um das 9,4-fache schnelleren Durchsatz als bei TensorFlow 1.13 Binärdateien. GPU-Instanzen verfügen über eine optimierte Version von TensorFlow 1.13, die mit NVIDIA CUDA 10 und cuDNNN 7.4 konfiguriert ist, um die Vorteile eines gemischten Präzisionstrainings auf Volta-V100-GPUs zu nutzen, die EC2-P3-Instanzen betreiben. Für Entwickler, die ihr TensorFlow-Training von einer einzelnen GPU auf mehrere GPUs skalieren möchten, werden die Deep-Learning-AMIs zusammen mit dem Horovod Distributed Training Framework ausgeliefert. Das Framework ist komplett optimiert, um verteilte, aus Amazon EC2-P3-Instanzen bestehende Trainingsclustertopologien effizient zu nutzen. Das Training für ein ResNet-50-Modell mit TensorFlow 1.13 und Horovod auf dem Deep Learning-AMI führt zu einem um 27% schnelleren Durchsatz als mit TensorFlow 1.13 auf 8 Knoten.
AWS Deep-Learning-AMIs werden jetzt auch mit der neuesten Version von Apache MXNet 1.4 ausgeliefert, die Verbesserungen in Bezug auf Leistung und Benutzerfreundlichkeit bietet. MXNet 1.4 wurde zudem um Java-Bindungen zur Ausführung von Inferenzen, Julia-Bindungen, experimentellen Kontrollflussoperatoren, JVM-Speicherverwaltungen und vielen weiteren Verbesserungen erweitert. Diese Version verbessert auch den MXNet-Support für Intel MKL-DNN mit verbesserter Grafikoptimierung und Quantisierung. Diese Funktion reduziert den Speicherbedarf und verbessert die Inferenzzeit ohne signifikanten Genauigkeitsverlust.
Machen Sie sich schnell mit den AWS Deep-Learning-AMIs vertraut und verwenden Sie dazu unsere Einführungsanleitungen und Tutorials für Anfänger bis Fortgeschrittene in unserem Entwicklerleitfaden. Wenn Sie eine Conda-Umgebung aktivieren, stellen die Deep-Learning-AMIs automatisch leistungsfähigere Framework-Versionen bereit, die für die EC2-Instanz Ihrer Wahl optimiert sind. Eine vollständige Liste der von den AWS Deep-Learning-AMIs unterstützten Frameworks und Versionen finden Sie in den Versionshinweisen. Sie können sich auch in unserem Diskussionsforum registrieren, um Markteinführungsankündigungen zu erhalten und Ihre Fragen zu posten.