Περιγραφή¶
TensorFlow is an end-to-end open source platform for machine learning
TensorFlow 2.0.0¶
Παράδειγμα χρήσης¶
Το script υποβολής μίας εργασίας που χρησιμοποιεί το TensorFlow
θα έχει την ακόλουθη μορφή:
SLURM submission script
#!/bin/bash
#SBATCH --jobname=TensorFlow-2.0.0-case
#SBATCH --partition=batch
#SBATCH --time=3:00:00
# conda commands
module load intel miniconda3
source $CONDA_PROFILE/conda.sh
conda activate /mnt/apps/prebuilt/conda/3/envs/tensorflow
export PATH=$CONDA_PREFIX/bin:$PATH
# code to be executed
python tensorflow_example.py
Στο $HOME
μας στο login node, δημιουργούμε ένα νέο φάκελο όπου τοποθετούμε τα αρχεία εισόδου και το script υποβολής της εργασίας, έστω TensorFlow-2.0.0-case.sh
.
# mkdir TensorFlow-2.0.0-case
# cd TensorFlow-2.0.0-case
Για το συγκεκριμένο παράδειγμα θα χρησιμοποιήσουμε το "Hello World" example που δίνεται εδώ.
TensorFlow example
import tensorflow as tf
mnist = tf.keras.datasets.mnist
(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)
Η υποβολή της εργασίας γίνεται με την εντολή sbatch <filename.sh>
ως εξής:
# sbatch TensorFlow-2.0.0-case.sh
Παρακολουθούμε με την εντολή squeue
την εξέλιξη της εργασίας.
Eφόσον η εργασία έχει εκκινήσει μπορούμε να ελέγχουμε την πρόοδο της επίλυσης μέσω των αρχείων εξόδου. Π.χ.:
# tail -f *.out