在星期二重新启动实例时，我首先遇到了一个问题，即在使用Ubuntu Deep Learning AMI的AWS p2.xlarge计算机上失去了对GPU的支持。
我现在在两天内测试了三遍，并且一个同事也遇到了同样的问题，所以我猜这是一个AWS错误。尽管也许有人对如何更好地进行调试有所了解。
基本上，在关闭并重新引导后，该实例不再在内核中加载nvidia模块。此外，根据dmesg，似乎加载了另一个内核。所有这些都是在没有我积极引起的情况下发生的。
以下是使用新实例而不使用自定义代码来重现该问题的步骤。我在爱尔兰（eu-west-1）工作，该实例在可用区eu-west-1a中启动：
ubuntu@...:~$ lsmod | grep nvidia
nvidia 16592896 0
ipmi_msghandler 49152 1 nvidia
dmesg | less
...
[ 0.000000] Linux version 4.4.0-1075-aws (buildd@lgw01-amd64-035) (gcc version 5.4.0 20160609 (Ubuntu 5.4.0-6ubuntu1~16.04.10) ) #85-Ubuntu SMP Thu Jan 17 17:15:12 UTC 2019 (Ubuntu 4.4.0-1075.85-aws 4.4.167)
[ 0.000000] Command line: BOOT_IMAGE=/boot/vmlinuz-4.4.0-1075-aws root=UUID=96950bba-70e8-4a4b-9d78-d2bc1c767e04 ro console=tty1 console=ttyS0 nvme.io_timeout=4294967295
...
ubuntu@...:~$ nvidia-smi
Tue Mar 19 16:41:53 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 410.79 Driver Version: 410.79 CUDA Version: …我正在研究在估计器的model_fn中使用预训练的keras.applications模型的问题。
在我的研究小组中，我们使用Tensorflow估计器，因为它们通过并行训练和评估，训练的热启动，易于使用等提供了许多优势。因此，我需要一个可以在估计器的model_fn中使用的解决方案。
基本上，我想在model_fn中使用预训练图，尽管我可以使用来自keras.applications的模型。不幸的是，到目前为止，我无法以适当的方式将keras.applications模型插入到model_fn中。
我想使用不带顶层（resnet50，mobilenet，nasnet ...）的可视提取器来提取特征向量，稍后我可能要微调此提取。这将排除使用视觉提取器作为model_fn外部的预处理步骤。
在对真实数据集进行了大量尝试之后，我又恢复了旧的MNIST，并提出了一个最小的示例来表明我在寻找什么。我在这里查看了关于stackoverflow的信息，并且最初遵循了这一解释。
在下面的示例中，我尝试将具有移动网络架构的MNIST数据集归类为可视提取器。有两个使用这些功能的示例版本和一个完全不使用keras模型的示例。该代码非常接近TF官方custom_estimator示例。仅缩小数据集以使其易于装入内存，并且将图像放大并转换为rgb以适应网络结构。
示例案例1和2导致停滞的训练损失和评估的恒定损失。第三种情况表明，没有模型，损失的确会减少（尽管总体性能很差，可以预见）。在这个示例中，我并没有追求高性能！我只是想表明我遇到的困难，希望有人能提供帮助。
想法和进一步的想法：
我还在github上打开了一个问题，因为在我看来该功能应该可以工作。
在下面，您可以找到独立的示例。复制/粘贴后，它应该立即可用。任何帮助深表感谢！
import tensorflow as tf
import numpy as np
from keras.datasets import mnist
# switch to example 1/2/3
EXAMPLE_CASE = 3
# flag for initial weights loading of keras model
_W_INIT = True
def dense_net(features, labels, mode, params):
# --- code to load a keras application ---
# commenting in this …