Category: Amazon Machine Learning

开发人员需要不断对机器学习 (ML) 模型进行反复训练，才能够持续优化模型预测效果。模型训练时间在数分钟至数小时不等，也可能会花费多天才能完成，具体时长根据数据集大小而定。ML 开发是一个复杂、成本高的迭代过程。使用低成本的方式开展计算密集型工作对 ML 开发来说至关重要，这也是实现规模化的关键因素。

本博文由 Trinity Audio 的联合创始人兼首席执行官 Ron Jaworski 特约发表。用他们自己的话说，“Trinity Audio 是一个音频内容解决方案平台，可满足世界各地各种类型和规模的出版商和内容创建者，并且能够通过将读者转变为听众来帮助他们加入持续进行的音频革命行列中，从而创造当代受众非常期待的体验。”

Amazon CodeGuru（预览版）能够分析应用程序的性能特征，并自动提供性能改善建议。Amazon CodeGuru Profiler 提供交互式可视化图形界面，以显示应用程序的运行时间耗费在什么地方。这些火焰图是功能强大的工具，可帮助您排查哪些代码方法造成延迟或使用过多 CPU 资源。

此解决方案使用 Amazon SageMaker，它可以帮助开发人员和数据科学家构建、训练和部署 ML 模型。Amazon SageMaker 是一项完全托管的服务，涵盖了 ML 的整个工作流，可以标记和准备数据、选择算法、训练模型、调整和优化模型以便部署、预测和执行操作。
可以使用Amazon SageMaker Jupyter Notebook 端到端应用此解决方案。有关更多信息，请参阅 GitHub 存储库。

今天，Amazon Web Services (AWS) 宣布推出 Amazon Rekognition 自定义标签。借助 Amazon Rekognition 的这项新功能，客户可以建立自己的基于专业机器学习 (ML) 的图像分析能力，在其特定的用例中鉴别独特的对象和场景。例如，客户无需任何ML专长，在使用 Amazon Rekognition 来识别图像中的机器部件时，可以用少量添加了标签的图像集进行训练，即可鉴别出“涡轮增压器”和“变矩器”。客户不再需要从头开始训练模型，这意味着无需专业的机器学习知识以及数以百万计的高质量带标签图像，只需使用 Amazon Rekognition 自定义标签功能即可快速满足其独特的图像分析需求。

本文是教您如何优化GPU实例的第二篇博文。

BERT 和 Mask R-CNN 都是如今最流行的机器学习模型，前者用于自然语言处理 (NLP)，后者用于图像识别。过去几个月来，AWS 大幅改进了底层基础设施、网络和机器学习 (ML) 框架和模型代码，从而实现了这两个模型训练速度的提高。现在我们可以宣布在云中实现了迄今最快的 TensorFlow、MXNet 和 PyTorch 框架的训练速度。借助这些硬件和软件优化，您现在可以以同样的速度和效率训练您的模型。

AWS DeepRacer League 是全球首个面向所有人的自动驾驶赛车联赛。2019 年，来自世界各地的上万开发人员参加了一场极速计时赛，为争夺最快模型竞逐。最终，来自日本的 SOLA 成为大奖得主，并在 re:Invent 2019 大会现场举起了冠军奖杯！

本博文将引导您完成构建数据管道所需的全部步骤—从使用 AWS Glue，为您在 Amazon S3 中的数据创建元数据爬取程序，进行数据发现与编目；到使用 Amazon Athena 检索表数据，以及通过 Amazon SageMaker Notebooks查询 Athena 表。

创建一个可靠、高效的机器学习推理服务需要做很多的投入。拿一个基于 XGBoost 模型的服务来说，开发人员需要创建一个完善的应用程序，例如通过 Flask 来加载模型，然后运行终端节点。创建这个应用程序，开发人员需要考虑队列管理、无故障部署以及重新加载新训练的模型等等事宜。应用开发好后被打包成容器镜像，然后推送到镜像仓库。Kubernetes 从镜像仓库拉取该镜像在集群上进行部署，部署好后才可以对外提供服务。这些步骤需要您的数据科学家从事与提高模型准确性无关的任务，或引进devops工程师来做这些工作。这些过程加到开发计划中，必然会需要更多的时间进行服务迭代。