隨著我們使用的神經網路越來越複雜，我們需要更強勁的硬體。我們的個人電腦一般很難勝任這樣大的網路，但是你可以相對輕鬆地在Amazon EC2服務中租到一臺強勁的電腦，並按小時支付租金。
我用的是Keras，一個神經網路的開源python庫。由於用法十分簡單，它很適合入門深度學習。它基於Tensorflow，一個數值計算的開源庫，但是也可以使用Theano。租到的機器可以使用Jupyter Notebook透過瀏覽器來訪問。Jupyter Notebook是一個透過互動式程式碼來共享和編輯文件的web應用。
透過cuDNN，一個深度神經網路GPU加速庫，Keras可以在GPU上執行。由於並行運算的設計，這種方式會比一般的CPU要快很多。建議你看幾個CNN指標，對比最流行的神經網路在不同的GPU和CPU的執行時間。
我將向你介紹如何一步步在預置好的Amazon Machine Image (AMI)上搭建這樣一個深度學習的環境。
1) 建立賬戶
訪問 https://aws.amazon.com/ ，並建立一個AWS賬戶。
然後登陸控制檯。
你的控制皮膚應該看起來像這樣。
確保你選擇的所在地區是法蘭克福，N. Virgiania或新加坡，以便之後可以使用一個預置好的Keras AMI。如果你想自己動手設定這樣的AMI，你可以按照這個指南。
2) 啟動例項
現在讓我們跳轉到EC2控制頁面。
“Amazon Elastic Compute Cloud（Amazon EC2）在Amazon Web Services（AWS）雲中提供可擴充套件的計算功能。 Amazon EC2的使用消除了前期對硬體的投資要求，因此你可以更快地開發和部署應用程式。 你可以使用Amazon EC2啟動大量或幾個虛擬伺服器，配置安全性和網路以及儲存管理。 Amazon EC2允許你對硬體升級或降級，來應對需求的變化或流量的峰值，因此不太需要進行流量的預測。”。
所以換句話說，你可以在任何時候租一個伺服器來進行計算，也就是機器學習模型訓練。 現在讓我們啟動一個例項吧！
首先，你需要選擇一個已經安裝了所有必需工具的AMI（基於TensorFlow的Kreas和Jupyter Notebook）。
選擇例項型別（你租到的計算機的質量）。 當然，你選擇的機型越好越貴。 但是你正在建立你的第一個例項，所以你肯定不想選最好的那個。選擇t2.micro就夠了，它就是一個測試例項。它可以在不掏空你的錢包的情況下，讓你體驗下環境。 :)
當你比較滿意，想要更多的計算能力時，我建議你使用一個g *型別的例項（g代表GPU後端）。比如 g2.2xlarge。 一個預設的GPU例項的定價為每小時0,772美元左右。
這裡沒什麼意思，跳過。
免費使用的最大容量是30 GB。此外，如果你不希望你的資料在關閉例項後消失，要取消選中“終止時刪除”核取方塊。
繼續。
這個步驟很重要，因為你不僅要使用ssh，還要透過瀏覽器訪問你的例項。 在埠8888上新增自定義TCP規則。僅允許從你的IP地址，8888和22（ssh）埠訪問它。
一切準備好了，現在啟動例項！
你只需要設定一個新的（或選擇一個現有的）金鑰對。透過ssh連結到你的機子時，必須要有金鑰。
下載生成的金鑰，注意保密！這樣除你之外沒有其他人可以訪問這臺機器。
現在讓我們檢視機器的狀態。
如你所見，例項已啟動並正在執行。 棒棒噠！ 你剛剛啟動了一個AWS例項。
3）設定Jupyter Notebook
現在讓我們使用它。 透過ssh連線。
按照說明，更改私鑰的許可權並將示例鍵入終端（或使用PuTTY連線）。在-i引數後插入私鑰的路徑，使用'ubuntu'替換’root’。 所以命令看起來如下（如果你使用Windows，檢視如何透過PuTTY連線）：
ssh -i ‘path/to/private/key’ ubuntu@public_dns
在終端輸入下面命令開啟Notebook
sudo jupyter notebook
你可以透過瀏覽器訪問Notebook，方法是鍵入your_public_dns：8888（8888是Jupyter預設埠）。
4）連線到你的例項
預設密碼是“'machinelearningisfun”（我建議你更改密碼，在Jupyter Notebook的文件中解釋瞭如何做）。
MNIST資料集是一個著名的手寫數字集。 我準備了一個Notebook示例，載入資料集，並擬合一個示例卷積神經網路。 開啟mnist.jpynb示例並自行執行其中的cell。
程式碼來自Keras示例庫
當你用完後，記得終止你的例項！賬單是依據例項執行的時間來計算的。例如，如果你忘記關掉你的g2.2xlarge 例項，讓它執行了一個月，你將要為此支付$0,772*24*30 = $555,84. :)
那麼，接下來呢？ 我建議你看看notMNIST資料集，其中包含來自不同字型的字母集。 你也可能對CIFAR-10感興趣： 一組彩色影像，對應10個類別，比如飛機，船隻，鳥類或貓。
如果你是Keras新手，你可能對這個教程感興趣。 或者，像我做的案例，檢測可能觸發密集恐懼症的圖片（強烈建議不要google相關的照片）。 我在PiotrMigdał主持的波蘭兒童基金會的研討會上學習了卷積神經網路的基礎知識（以及如何設定機器）。 其中另一位參與者的原始碼，使用VGG16進行特徵提取，可在GitHub上獲取。