📄️ 建立並連線容器
在此篇文章中,您將學會如何從註冊帳號、登入 TWCC 使用者網站,並建立開發型容器、使用 Jupyter Notebook 快速連線進入容器。
📄️ Python 套件安裝指南
本文件主要目的為說明於 TWSC 開發型容器服務上透過 pip 安裝 Python 套件 (package) 的相關操作及應注意事項,以及程式執行失敗的測試及排除方式。
📄️ 設定開發型容器的服務埠
TWSC 容器採用 Port-Forwarding 技術,可將外部連線轉發至相同網域下的不同容器,讓外部網路可以使用指定容器內的服務。
📄️ 設定環境變數
請參考 HowTo:設定環境變數。
📄️ Jupyter Notebook 增加 Python 3 kernel
TWSC 開發型容器預設提供 Jupyter Notebook,為透過網頁與使用者互動的整合型開發環境,能夠撰寫程式、顯示程式輸出內容、視覺化呈現資料...等多種功能,並可依需求安裝多種語言的運算核心 (Kernel)。
📄️ 確保計算工作能持續不中斷
為解決直接以 SSH 方式連線操作容器,計算工作會因網路連線而中斷的問題,以下提供三種解決方法,確保您的計算工作能持續在背景進行。
📄️ 訓練影像辨識模型、生成推論引擎
深度學習分為兩階段:訓練與推論,前者需對大量的資料數據進行無數次的計算,訓練並產生模型;而後者則是將模型對外提供辨識服務。
📄️ 訓練 MNIST 手寫數字辨識模型
以下教學如何在 TWSC 建立一個開發型容器,並使用 Jupyter Notebook 的工作環境,進行 MNIST (手寫數字辨識資料集)的 AI 訓練
📄️ 開啟 TensorFlow 自動混合精度運算與執行效能分析
本文將逐步教學使用者如何運用 TWSC 開發型容器,並以 MNIST 手寫辨識模型程式為例,開啟 TensorFlow 深度學習的自動混合精度 (Automatic Mixed Precision, 以下簡稱 AMP) 運算功能,達到維持模型準確度並縮短運算時間,最後利用 ResNet-50 進行簡易的效能分析,內容大綱如下:
📄️ 視覺化呈現資料分佈
1. 使用 Jupyter Notebook (Python)
📄️ 啟動 TensorBoard
為了增加機器學習模型辨識的準確度,觀察模型訓練變化、除去錯誤,都是必要但複雜的工作。而 TensorBoard 以網頁形式視覺化呈現 TensorFlow 模型資料的變化,可繪製多種圖形,讓資料科學家可輕鬆檢視並理解神經網路的結構與實驗結果,快速找到優化模型的解決方案。
📄️ 檢視運算資源概況-GPU Burn Testing
以下提供如何對 GPU 進行壓力測試的工具使用教學,讓 GPU 在滿載的情況下,檢查 GPU 是否可運作正常:
📄️ 自動完成運算及刪除容器
這篇文章將幫助使用者了解如何運用 TWCC CLI 自動化執行以下工作:
📄️ 部署自動化 AI/ML pipeline
這篇文章將幫助使用者了解如何運用 TWCC CLI 及一台虛擬運算個體 (VCS),將以下工作串接為自動化的流程 (pipeline),提高工作效率並節省容器持續開啟的成本:
📄️ 備份/同步、還原運算資料
請參考 使用 TWSC COS 備份/同步、還原運算資料。