原文： https://machinelearningmastery.com/run-deep-learning-experiments-linux-server/
编写代码后，必须在具有大量 RAM，CPU 和 GPU 资源的大型计算机上运行深度学习实验，通常是云中的 Linux 服务器。
最近，我被问到这个问题：
“你如何进行深度学习实验？”
这是一个我喜欢回答的好问题。
在这篇文章中，您将发现我用于在 Linux 上运行深度学习实验的方法，命令和脚本。
阅读这篇文章后，你会知道：
- 如何设计建模实验以将模型保存到文件。
- 如何运行单个 Python 实验脚本。
- 如何从 shell 脚本顺序运行多个 Python 实验。
让我们开始吧。
如何在 Linux 服务器上运行深度学习实验 Patrik Nygren 的照片，保留一些权利。
我在工作站上编写了所有建模代码，并在远程 Linux 服务器上运行所有代码。
目前，我的偏好是在 EC2 上使用亚马逊深度学习 AMI 。有关为自己的实验设置此服务器的帮助，请参阅帖子：
我编写代码，以便每个 python 文件有一个实验。
大多数情况下，我正在处理大型数据，如图像字幕，文本摘要和机器翻译。
每个实验都适合模型，并将整个模型或权重保存到 HDF5 文件，以便以后重复使用。
有关将模型保存到文件的更多信息，请参阅以下帖子：
我尝试准备一套实验（通常是 10 个或更多）以便在一个批次中运行。我还尝试将数据准备步骤分离为首先运行的脚本，并创建可随时加载和使用的训练数据集的 pickle 版本。
每个实验可能会在训练期间输出一些诊断信息，因此，每个脚本的输出都会重定向到特定于实验的日志文件。如果事情失败，我也会重定向标准错误。
在运行时，Python 解释器可能不会经常刷新输出，尤其是在系统负载不足的情况下。我们可以使用 Python 解释器上的 -u 标志强制将输出刷新到日志中。
运行单个脚本（myscript.py）如下所示：
python -u myscript.py >myscript.py.log 2>&1我可以创建一个“_ 模型”_ 和一个“_ 结果”_ 目录，并更新要保存到这些目录的模型文件和日志文件，以保持代码目录清晰。
每个 Python 脚本都按顺序运行。
创建一个 shell 脚本，按顺序列出多个实验。例如：
#!/bin/sh
# run experiments
python -u myscript1.py >myscript1.py.log 2>&1
python -u myscript2.py >myscript2.py.log 2>&1
python -u myscript3.py >myscript3.py.log 2>&1
python -u myscript4.py >myscript4.py.log 2>&1
python -u myscript5.py >myscript5.py.log 2>&1该文件将保存为“ run.sh”，与代码文件放在同一目录中并在服务器上运行。
例如，如果所有代码和 run.sh 脚本都位于“ ec2-user ”主目录的“experiments”目录中，则脚本将按如下方式运行：
nohup /home/ec2-user/experiments/run.sh > /home/ec2-user/experiments/run.sh.log </dev/null 2>&1 &该脚本作为后台进程运行，无法轻易中断。我还捕获了这个脚本的结果，以防万一。
您可以在本文中了解有关在 Linux 上运行脚本的更多信息：
就是这样。
如果您希望深入了解，本节将提供有关该主题的更多资源。
- 源代码深度学习 AMI（CUDA 8，亚马逊 Linux）
- 保存并加载您的 Keras 深度学习模型
- 如何在 Keras 检查深度学习模型
- 10 个亚马逊网络服务深度学习命令行方案
- 如何使用亚马逊网络服务上的 Keras 开发和评估大型深度学习模型
在这篇文章中，您发现了我用于在 Linux 上运行深度学习实验的方法，命令和脚本。
具体来说，你学到了：
- 如何设计建模实验以将模型保存到文件。
- 如何运行单个 Python 实验脚本。
- 如何从 shell 脚本顺序运行多个 Python 实验。
你有任何问题吗？ 在下面的评论中提出您的问题，我会尽力回答。