随着我们使用的神经网络越来越复杂，我们需要更强劲的硬件。我们的个人电脑一般很难胜任这样大的网络，但是你可以相对轻松地在Amazon EC2服务中租到一台强劲的电脑，并按小时支付租金。
我用的是Keras，一个神经网络的开源python库。由于用法十分简单，它很适合入门深度学习。它基于Tensorflow，一个数值计算的开源库，但是也可以使用Theano。租到的机器可以使用Jupyter Notebook通过浏览器来访问。Jupyter Notebook是一个通过交互式代码来共享和编辑文档的web应用。
通过cuDNN，一个深度神经网络GPU加速库，Keras可以在GPU上运行。由于并行运算的设计，这种方式会比一般的CPU要快很多。建议你看几个CNN指标，对比最流行的神经网络在不同的GPU和CPU的运行时间。
我将向你介绍如何一步步在预置好的Amazon Machine Image (AMI)上搭建这样一个深度学习的环境。
1) 创建账户
访问 https://aws.amazon.com/ ，并创建一个AWS账户。
然后登陆控制台。
你的控制面板应该看起来像这样。
确保你选择的所在地区是法兰克福，N. Virgiania或新加坡，以便之后可以使用一个预置好的Keras AMI。如果你想自己动手设置这样的AMI，你可以按照这个指南。
2) 启动实例
现在让我们跳转到EC2控制页面。
“Amazon Elastic Compute Cloud（Amazon EC2）在Amazon Web Services（AWS）云中提供可扩展的计算功能。 Amazon EC2的使用消除了前期对硬件的投资要求，因此你可以更快地开发和部署应用程序。 你可以使用Amazon EC2启动大量或几个虚拟服务器，配置安全性和网络以及存储管理。 Amazon EC2允许你对硬件升级或降级，来应对需求的变化或流量的峰值，因此不太需要进行流量的预测。”。
所以换句话说，你可以在任何时候租一个服务器来进行计算，也就是机器学习模型训练。 现在让我们启动一个实例吧！
首先，你需要选择一个已经安装了所有必需工具的AMI（基于TensorFlow的Kreas和Jupyter Notebook）。
选择实例类型（你租到的计算机的质量）。 当然，你选择的机型越好越贵。 但是你正在创建你的第一个实例，所以你肯定不想选最好的那个。选择t2.micro就够了，它就是一个测试实例。它可以在不掏空你的钱包的情况下，让你体验下环境。 :)
当你比较满意，想要更多的计算能力时，我建议你使用一个g *类型的实例（g代表GPU后端）。比如 g2.2xlarge。 一个默认的GPU实例的定价为每小时0,772美元左右。
这里没什么意思，跳过。
免费使用的最大容量是30 GB。此外，如果你不希望你的数据在关闭实例后消失，要取消选中“终止时删除”复选框。
继续。
这个步骤很重要，因为你不仅要使用ssh，还要通过浏览器访问你的实例。 在端口8888上添加自定义TCP规则。仅允许从你的IP地址，8888和22（ssh）端口访问它。
一切准备好了，现在启动实例！
你只需要设置一个新的（或选择一个现有的）密钥对。通过ssh链接到你的机子时，必须要有密钥。
下载生成的密钥，注意保密！这样除你之外没有其他人可以访问这台机器。
现在让我们查看机器的状态。
如你所见，实例已启动并正在运行。 棒棒哒！ 你刚刚启动了一个AWS实例。
3）设置Jupyter Notebook
现在让我们使用它。 通过ssh连接。
按照说明，更改私钥的权限并将示例键入终端（或使用PuTTY连接）。在-i参数后插入私钥的路径，使用'ubuntu'替换’root’。 所以命令看起来如下（如果你使用Windows，查看如何通过PuTTY连接）：
ssh -i ‘path/to/private/key’ ubuntu@public_dns
在终端输入下面命令打开Notebook
sudo jupyter notebook
你可以通过浏览器访问Notebook，方法是键入your_public_dns：8888（8888是Jupyter默认端口）。
4）连接到你的实例
默认密码是“'machinelearningisfun”（我建议你更改密码，在Jupyter Notebook的文档中解释了如何做）。
MNIST数据集是一个著名的手写数字集。 我准备了一个Notebook示例，加载数据集，并拟合一个示例卷积神经网络。 打开mnist.jpynb示例并自行运行其中的cell。
代码来自Keras示例库
当你用完后，记得终止你的实例！账单是依据实例运行的时间来计算的。例如，如果你忘记关掉你的g2.2xlarge 实例，让它运行了一个月，你将要为此支付$0,772*24*30 = $555,84. :)
那么，接下来呢？ 我建议你看看notMNIST数据集，其中包含来自不同字体的字母集。 你也可能对CIFAR-10感兴趣： 一组彩色图像，对应10个类别，比如飞机，船只，鸟类或猫。
如果你是Keras新手，你可能对这个教程感兴趣。 或者，像我做的案例，检测可能触发密集恐惧症的图片（强烈建议不要google相关的照片）。 我在PiotrMigdał主持的波兰儿童基金会的研讨会上学习了卷积神经网络的基础知识（以及如何设置机器）。 其中另一位参与者的源代码，使用VGG16进行特征提取，可在GitHub上获取。
