应用介绍
使用指南
平台目前提供 个人实例 和 公共集群作业 的 tensorflow 使用方式，两种方式的区别是：
- 个人实例：可以直接在jupyterlab页面交互使用tensorflow
- 作业：可以提交tensorflow作业，在后台长时间训练
一、使用个人实例运行tensorflow
1. 通过 “申请资源” 中，找到 tensorflow 应用模板，创建个人实例
2. 启动实例，打开用户界面后，可以看jupyterlab已经提供了tensorflow-2.8的虚拟环境
3. 打开 tensorflow-2.8的虚拟环境，输入如下内容，并点击上面的运行按钮：
import tensorflow as tf
tf.test.is_gpu_available()
- 代码运行后，获得如图所示的输出，即表示成功调用tensorflow环境，可以继续调试其它代码
二、使用公共集群提交tensorflow作业
平台公共集群提供了可以直接使用的singurlarity镜像，由于tensorflow新版本稳定性较差，所以目前只提供了2.12版本。
用户如果没有平台作业提交的经验，可以先查看 帮助中心 - 作业系统部分，了解作业提交的基本概念和操作方法。
1. 准备 tensorflow 官方提供的测试demo，内容如下：
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)
- 这段代码实现了一个基于TensorFlow的手写数字识别模型（MNIST分类任务），这个模型展示了深度学习处理图像分类任务的基本流程，可作为入门经典案例理解神经网络的核心要素。
- 在用户的个人目录下新建名称为 tensorflow-demo.py 的脚本文件，并将以上内容粘贴进脚本中
2. 准备作业提交脚本，内容如下：
#!/bin/bash
#SBATCH --job-name=tensorflow-demo
#SBATCH --nodes=1
#SBATCH --ntasks-per-node=10
#SBATCH --output=%j.out
#SBATCH --error=%j.err
#SBATCH --partition=gpu
#SBATCH --gres=gpu:1
export PATH=/usr/local/nvidia/bin:$PATH
export NVIDIA_PATH=/usr/local/nvidia
export LD_LIBRARY_PATH=/usr/local/nvidia/lib:$LD_LIBRARY_PATH
/opt/app/singularity/bin/singularity run --nv -B /usr/local/nvidia:/usr/local/nvidia /opt/app/sif/tensorflow_2.12.sif python tensorflow-demo.py
- 脚本中，指定gpu分区，申请了1个节点、10个CPU核心、1张GPU卡
- 在用户的个人目录下新建名称为 tensorflow-test.sh 的脚本文件，并将以上内容粘贴进脚本中
3. 使用sbatch tensorflow-test.sh 命令提交作业
作业提交后，查看 %j.out 、%j.err 脚本，看到如下内容即表示成功使用tensorflow进行训练
参考链接：
https://colab.research.google.com/github/tensorflow/docs/blob/master/site/en/tutorials/quickstart/beginner.ipynb?hl=zh-cn
