Merge pull request #1026 from d2l-ai/master

Pre-release for v2.0.0-beta0

Author: astonzhang

README.md

@@ -2,7 +2,7 @@
 
 [![Build Status](http://ci.d2l.ai/job/d2l-zh/job/master/badge/icon)](http://ci.d2l.ai/job/d2l-zh/job/master/)
 
-[第一版：zh.D2L.ai](https://zh.d2l.ai/) |  [第二版预览版：zh-v2.D2L.ai](https://zh-v2.d2l.ai)  | 安装和使用书中源代码：[第一版](https://zh.d2l.ai/chapter_prerequisite/install.html) [第二版](https://zh-v2.d2l.ai/chapter_installation/index.html) | 当前版本: v2.0.0-alpha1
+[第一版：zh-v1.D2L.ai](https://zh-v1.d2l.ai/) |  [第二版预览版：zh-v2.D2L.ai](https://zh-v2.d2l.ai)  | 安装和使用书中源代码：[第一版](https://zh-v1.d2l.ai/chapter_prerequisite/install.html) [第二版](https://zh-v2.d2l.ai/chapter_installation/index.html) | 当前版本: v2.0.0-alpha2
 
 <h5 align="center"><i>理解深度学习的最佳方法是学以致用。</i></h5>
 
@@ -42,7 +42,7 @@
 
 虽然纸质书第一版已经出版，但深度学习领域依然在迅速发展。为了得到来自更广泛的英文开源社区的帮助，从而提升本书质量，本书的第二版正在用英文写。英文版正不断被搬回中文版中。
 
-目前，英文版已超过160节（中文版共96节），例如增加了理论背景（如优化收敛分析）、硬件设计（如参数服务器）、全新篇章（如注意力机制、推荐系统、深度学习的数学、生成对抗网络）、应用种类（如自然语言推理）、模型种类（如Transformer、BERT）等，并优化重组了大量章节（如将自然语言处理篇章按从预训练表征、到模型设计、再到下游应用重构）。
+目前，英文版已超过160节（中文版共96节），例如增加了理论背景（如优化收敛分析）、硬件设计（如参数服务器）、全新篇章（如注意力机制、推荐系统、深度学习的数学、生成对抗网络）、应用种类（如自然语言推断）、模型种类（如Transformer、BERT）等，并优化重组了大量章节（如将自然语言处理篇章按从预训练表征、到模型设计、再到下游应用重构）。
 
 欢迎关注本书[第二版的英文开源项目](https://github.com/d2l-ai/d2l-en)。
 
@@ -82,4 +82,4 @@
 
 感谢[社区贡献者们](https://github.com/d2l-ai/d2l-zh/graphs/contributors)为每一位读者改进这本开源书。
 
-[如何贡献](https://zh.d2l.ai/chapter_appendix/how-to-contribute.html) | [致谢](https://zh.d2l.ai/chapter_preface/preface.html#致谢) | [讨论或报告问题](https://discuss.gluon.ai) | [其他](INFO.md)
+[如何贡献](https://zh-v2.d2l.ai/chapter_appendix-tools-for-deep-learning/contributing.html) | [致谢](https://zh-v2.d2l.ai/chapter_preface/index.html) | [讨论或报告问题](https://discuss.d2l.ai/c/chinese-version/16) | [其他](INFO.md)

TERMINOLOGY.md

@@ -84,7 +84,7 @@
 
 广播，broadcast
 
-归一化，normalization
+规范化，normalization
 
 过拟合，overfitting
 

chapter_appendix-tools-for-deep-learning/aws.md

@@ -0,0 +1,205 @@
+# 使用Amazon EC2实例
+:label:`sec_aws`
+
+在本节中，我们将向你展示如何在原始Linux机器上安装所有库。回想一下，在 :numref:`sec_sagemaker`中，我们讨论了如何使用Amazon SageMaker，而在云上自己构建实例的成本更低。本演示包括三个步骤：
+
+1. 从AWS EC2请求GPU Linux实例。
+1. 安装CUDA（或使用预装CUDA的Amazon机器映像）。
+1. 安装深度学习框架和其他库以运行本书的代码。
+
+此过程也适用于其他实例（和其他云），尽管需要一些细微的修改。在继续操作之前，你需要创建一个aws帐户，有关更多详细信息，请参阅 :numref:`sec_sagemaker`。
+
+## 创建和运行EC2实例
+
+登录到你的aws账户后，单击“EC2”（在 :numref:`fig_aws`中用红色方框标记）进入EC2面板。
+
+![打开EC2控制台](../img/aws.png)
+:width:`400px`
+:label:`fig_aws`
+
+:numref:`fig_ec2`显示EC2面板，敏感帐户信息变为灰色。
+
+![EC2面板](../img/ec2.png)
+:width:`700px`
+:label:`fig_ec2`
+
+### 预置位置
+选择附近的数据中心以降低延迟，例如“Oregon”（俄勒冈）( :numref:`fig_ec2`右上角的红色方框）。如果你位于中国，你可以选择附近的亚太地区，例如首尔或东京。请注意，某些数据中心可能没有GPU实例。
+
+### 增加限制
+
+在选择实例之前，请点击 :numref:`fig_ec2`所示左侧栏中的“Limits”（限制）标签查看是否有数量限制。 :numref:`fig_limits`显示了此类限制的一个例子。账号目前无法按地域打开p2.xlarge实例。如果你需要打开一个或多个实例，请点击“Request limit increase”（请求增加限制）链接，申请更高的实例配额。一般来说，需要一个工作日的时间来处理申请。
+
+![实例数量限制](../img/limits.png)
+:width:`700px`
+:label:`fig_limits`
+
+### 启动实例
+
+接下来，单击 :numref:`fig_ec2`中红框标记的“Launch Instance”（启动实例）按钮，启动你的实例。
+
+我们首先选择一个合适的Amazon机器映像（Amazon Machine Image，AMI）。在搜索框中输入“ubuntu”（ :numref:`fig_ubuntu`中的红色框标记）。
+
+![选择一个AMI](../img/ubuntu-new.png)
+:width:`700px`
+:label:`fig_ubuntu`
+
+EC2提供了许多不同的实例配置可供选择。对于初学者来说，这有时会让人感到困惑。 :numref:`tab_ec2`列出了不同合适的计算机。
+
+:不同的EC2实例类型
+
+| Name | GPU         | Notes                         |
+|------|-------------|-------------------------------|
+| g2   | Grid K520   | 过时的                         |
+| p2   | Kepler K80  | 旧的GPU但Spot实例通常很便宜         |
+| g3   | Maxwell M60 | 好的平衡                       |
+| p3   | Volta V100  | FP16的高性能                   |
+| g4   | Turing T4   | FP16/INT8推理优化              |
+:label:`tab_ec2`
+
+所有这些服务器都有多种类型，显示了使用的GPU数量。例如，p2.xlarge有1个GPU，而p2.16xlarge有16个GPU和更多内存。有关更多详细信息，请参阅[Amazon EC2 文档](https://aws.amazon.com/ec2/instance-types/)。
+
+![选择一个实例](../img/p2x.png)
+:width:`700px`
+:label:`fig_p2x`
+
+注意，你应该使用支持GPU的实例以及合适的驱动程序和支持GPU的深度学习框架。否则，你将感受不到使用GPU的任何好处。
+
+到目前为止，我们已经完成了启动EC2实例的七个步骤中的前两个步骤，如 :numref:`fig_disk`顶部所示。在本例中，我们保留“3. Configure Instance”（3. 配置实例）、“5. Add Tags”（5. 添加标签）和“6. Configure Security Group”（6. 配置安全组）步骤的默认配置。点击“4.添加存储”并将默认硬盘大小增加到64GB( :numref:`fig_disk`中的红色框标记)。请注意，CUDA本身已经占用了4GB空间。
+
+![修改硬盘大小](../img/disk.png)
+:width:`700px`
+:label:`fig_disk`
+
+最后，进入“7. Review”（7. 查看），点击“Launch”（启动），即可启动配置好的实例。系统现在将提示你选择用于访问实例的密钥对。如果你没有密钥对，请在 :numref:`fig_keypair`的第一个下拉菜单中选择“Create a new key pair”（新建密钥对），即可生成密钥对。之后，你可以在此菜单中选择“Choose an existing key pair”（选择现有密钥对），然后选择之前生成的密钥对。单击“Launch Instances”（启动实例）即可启动创建的实例。
+
+![选择一个密钥对](../img/keypair.png)
+:width:`500px`
+:label:`fig_keypair`
+
+如果生成了新密钥对，请确保下载密钥对并将其存储在安全位置。这是你通过SSH连接到服务器的唯一方式。单击 :numref:`fig_launching`中显示的实例ID可查看该实例的状态。
+
+![单击实例ID](../img/launching.png)
+:width:`700px`
+:label:`fig_launching`
+
+### 连接到实例
+
+如 :numref:`fig_connect`所示，实例状态变为绿色后，右键单击实例，选择`Connect`（连接）查看实例访问方式。
+
+![查看实例访问方法](../img/connect.png)
+:width:`700px`
+:label:`fig_connect`
+
+如果这是一个新密钥，它必须是不可公开查看的，SSH才能工作。转到存储`D2L_key.pem`的文件夹，并执行以下命令以使密钥不可公开查看：
+
+```bash
+chmod 400 D2L_key.pem
+```
+
+![查看实例访问和启动方法](../img/chmod.png)
+:width:`400px`
+:label:`fig_chmod`
+
+现在，复制 :numref:`fig_chmod`下方红色框中的ssh命令并粘贴到命令行：
+
+```bash
+ssh -i "D2L_key.pem" [email protected]
+```
+
+当命令行提示“Are you sure you want to continue connecting (yes/no)”（“你确定要继续连接吗？（是/否）”）时，输入“yes”并按回车键登录实例。
+
+你的服务器现在已就绪。
+
+## 安装CUDA
+
+在安装CUDA之前，请确保使用最新的驱动程序更新实例。
+
+```bash
+sudo apt-get update && sudo apt-get install -y build-essential git libgfortran3
+```
+
+我们在这里下载CUDA 10.1。访问NVIDIA的[官方存储库](https://developer.nvidia.com/cuda-toolkit-archive) 以找到下载链接，如 :numref:`fig_cuda`中所示。
+
+![查找CUDA 10.1下载地址](../img/cuda101.png)
+:width:`500px`
+:label:`fig_cuda`
+
+将说明复制粘贴到终端上，以安装CUDA 10.1。
+
+```bash
+# 链接和文件名可能会发生更改，以NVIDIA的官方为准
+wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pin
+sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
+wget http://developer.download.nvidia.com/compute/cuda/10.1/Prod/local_installers/cuda-repo-ubuntu1804-10-1-local-10.1.243-418.87.00_1.0-1_amd64.deb
+sudo dpkg -i cuda-repo-ubuntu1804-10-1-local-10.1.243-418.87.00_1.0-1_amd64.deb
+sudo apt-key add /var/cuda-repo-10-1-local-10.1.243-418.87.00/7fa2af80.pub
+sudo apt-get update
+sudo apt-get -y install cuda
+```
+
+安装程序后，运行以下命令查看GPU：
+
+```bash
+nvidia-smi
+```
+
+最后，将CUDA添加到库路径以帮助其他库找到它。
+
+```bash
+echo "export LD_LIBRARY_PATH=\${LD_LIBRARY_PATH}:/usr/local/cuda/lib64" >> ~/.bashrc
+```
+
+## 安装库以运行代码
+
+要运行本书的代码，只需在EC2实例上为linux用户执行 :ref:`chap_installation`中的步骤，并使用以下提示在远程linux服务器上工作：
+
+* 要在Miniconda安装页面下载bash脚本，请右击下载链接并选择“copy Link address”，然后执行`wget [copied link address]`。
+* 运行`~/miniconda3/bin/conda init`, 你可能需要执行`source~/.bashrc`，而不是关闭并重新打开当前shell。
+
+## 远程运行Jupyter笔记本
+
+要远程运行Jupyter笔记本，你需要使用SSH端口转发。毕竟，云中的服务器没有显示器或键盘。为此，请从你的台式机（或笔记本电脑）登录到你的服务器，如下所示：
+
+```
+# 此命令必须在本地命令行中运行
+ssh -i "/path/to/key.pem" [email protected] -L 8889:localhost:8888
+```
+
+接下来，转到EC2实例上本书下载的代码所在的位置，然后运行：
+
+```
+conda activate d2l
+jupyter notebook
+```
+
+:numref:`fig_jupyter`显示了运行Jupyter笔记本后可能的输出。最后一行是端口8888的URL。
+
+![运行Jupyter Notebook后的输出（最后一行是端口8888的URL）](../img/jupyter.png)
+:width:`700px`
+:label:`fig_jupyter`
+
+由于你使用端口转发到端口8889，请复制 :numref:`fig_jupyter`红色框中的最后一行，将URL中的“8888”替换为“8889”，然后在本地浏览器中打开它。
+
+## 关闭未使用的实例
+
+由于云服务是按使用时间计费的，你应该关闭不使用的实例。请注意，还有其他选择：
+
+* “Stopping”（停止）实例意味着你可以重新启动它。这类似于关闭常规服务器的电源。但是，停止的实例仍将按保留的硬盘空间收取少量费用。
+* “Terminating”（终止）实例将删除与其关联的所有数据。这包括磁盘，因此你不能再次启动它。只有在你知道将来不需要它的情况下才这样做。
+
+如果你想要将该实例用作更多实例的模板，请右击 :numref:`fig_connect`中的例子，然后选择“Image”$\rightarrow$“Create”以创建该实例的镜像。完成后，选择“实例状态”$\rightarrow$“终止”以终止实例。下次要使用此实例时，可以按照本节中的步骤基于保存的镜像创建实例。唯一的区别是，在 :numref:`fig_ubuntu`所示的“1.选择AMI”中，你必须使用左侧的“我的AMI”选项来选择你保存的镜像。创建的实例将保留镜像硬盘上存储的信息。例如，你不必重新安装CUDA和其他运行时环境。
+
+## 小结
+
+* 我们可以按需启动和停止实例，而不必购买和制造我们自己的计算机。
+* 在使用支持GPU的深度学习框架之前，我们需要安装CUDA。
+* 我们可以使用端口转发在远程服务器上运行Jupyter笔记本。
+
+## 练习
+
+1. 云提供了便利，但价格并不便宜。了解如何启动[spot实例](https://aws.amazon.com/ec2/spot/)以降低成本。
+1. 尝试使用不同的GPU服务器。它们有多快？
+1. 尝试使用多GPU服务器。你能把事情扩大到什么程度？
+
+[Discussions](https://discuss.d2l.ai/t/423)