参与：王宇欣、黄小天

本文将指导你逐步在 AWS GPU 实例上运行深度学习 Jupyter notebook，并可在你的浏览器中从任何地方对其编辑。如果你的本地机器上没有 GPU，这将会是一个研究深度学习的理想设置。

什么是 Jupyter noterbook？为什么要在 AWS GPU 上运行 Jupyter notebook？

Jupyter notebook 是一个网页应用程序，允许你以交互的方式编写并注释 Python 代码。这是一种做试验，做研究，并分享工作内容的有效方法。了解什么是 notebook 请点击这里（链接：）。

许多深度学习应用的计算非常密集，且在笔记本的 CPU 内核上运行通常需要耗费几个小时甚至是几天。如果把一个现代的 CPU 换成 GPU，训练和推理的速度可提升 5 到 10 倍。但是，你可能无法在本地计算机上安装 GPU。在 AWS 运行 Jupyter notebook 可以给你在本地计算机上运行时的相同体验，同时允许你利用 AWS 上的一个或多个 GPU。如果你只是偶尔使用深度学习，相比投资专有的 GPU，Jupyter notebook 更为有利，你只需支付所用的东西。

为什么我不想在 AWS 上使用 Jupyter 进行深度学习？

AWS GPU 实例的价格可以迅速变贵。我们建议的使用价格是每小时 0.9 美元。这个价格偶尔使用还可以接受，但是如果你每天都要进行几个小时的实验，那么你最好搭建配备 Titan X 或者 GTX 1080 Ti 的专属深度学习机。

开始之前注意：

你需要一个激活的 AWS 账户

如果你对 AWS EC2 有所了解会有帮助，但并不必须

搭建需要花费 5 到 10 分钟的时间。

　　分步指南

1 - 导航至 EC2 控制面板，并点击「启动实例」链接。

2 -选择官方 AWS 深度学习 Ubuntu AMI

选择「AWS 市场」并在搜索框中搜索「深度学习」。

向下滚动，直到找到名为「深度学习 AMI Ubuntu 版本」的 AMI（如下图），并选择它。

3 -选择 p2.xlarge 实例

该实例类型提供对单个 GPU 的访问，并且每小时的使用成本为 0.9 美元（截至 2017 年 3 月）。点击「配置实例细节」：

4 -配置实例细节

你可以为「配置实例」、「添加存储」和 「添加标签」等步骤保留默认设置。但是我们将自定义步骤「配置安全组」。

创建一个自定义 TCP 规则以允许 8888 端口。

在你当前的公共 IP（例如你的笔记本电脑的 IP），或者在前者不可能的情况下，对于任意 IP，该规则都被允许。请注意，如果你允许任意 IP 均可接入端口 8888，则理论上任何人都可以收听你的实例上的那个端口（这是我们将运行 IPython notebook 的地方）。我们将为笔记本电脑添加密码保护，以便降低任意人员都可以对其进行修改的风险，但这也许是较弱的保护。如果可能的话，你应该考虑限制特定 IP 的访问。但是，如果你的 IP 地址不断更改，这不太实际。如果你打算对任意 IP 开放接入端，请记住不要在实例上留下任何敏感数据。

在启动过程结束时，系统将会询问你是否要创建新的连接密钥，或者是否重复使用现有的密钥。如果你之前从未使用过 EC2, 只需创建新的密钥并下载即可。

5 - 启动你的实例并连接到它

为了连接实例，在 EC2 控制面板上选择并点击「连接」按钮，遵循提供的说明，例如：

注意，实例完全启动之前可能需要几分钟。如果开始时不能连接，请等待并重试。

6 - 设置 SSL 证书

通过 ssh 登录实例后，在实例的根目录下创建一个 ssl 目录，然后对其进行 cd（并非必要，但更干净）。

　　mkdir sslcd ssl

使用 OPenSSL 创建新的 SSL 证书：

　　sudo openssl req -x509 -nodes -days 365 -newkey rsa:1024 -keyout "cert.key" -out "cert.pem" -batch

完成后，你已在当前的 sll 目录中创建了两个文件：cert.key 和 cert.pem.

6 - 配置 Jupyter

在我们开始使用 Jupyte 之前，我们需要调整其默认配置。首先，我需要生成一个新的 Jupyter 配置文件（仍然在远程实例上）：

　　jupyter notebook --generate-config