亞馬遜云AWS

亞馬遜云AWS官網：

Amazon SageMaker的模型構建、訓練和部署，利用這些資源幫助您快速地從概念轉向生產。

Amazon SageMaker 是一項完全托管的服務，可以幫助機器學習開發者和數據科學家快速構建、訓練和部署模型。它完全消除了機器學習過程中各個步驟的繁重工作，讓開發高質量模型變得更加輕松。

通過傳統的方式創建機器學習模型，開發人員需要從數據準備過程開始，經過可視化、選擇算法、設置框架、訓練模型、調整數百萬個可能的參數、部署模型并監視其性能，這個過程往往需要重復多次，非常繁瑣且特別耗時。

Amazon SageMaker 的一些功能和組件：

• Amazon SageMaker Studio：這是首個適用于機器學習的集成開發環境（IDE）。您可以在統一的可視化界面中操作 Notebook、創建模型、管理模型試驗、調試，以及檢測模型偏差。
• Amazon SageMaker Notebooks：它可以加快構建和協作。許多用戶使用單臺服務器運行 Jupyter Notebook，但需要管理底層資源。Amazon SageMaker Notebook 可以一鍵啟動 Jupyter Notebook，并由亞馬遜云科技負責底層計算資源的托管。同時，它還支持一鍵共享 Notebook，方便機器學習團隊協作。
• Amazon SageMaker Autopilot：這個功能實現了模型的自動構建與優化。在設計機器學習模型時，我們需要嘗試不同的算法和參數集合，而找到有效的算法通常需要耗費大量時間。Amazon SageMaker Autopilot 可以自動檢查原始數據、選擇最佳算法參數集合、訓練和調優多個模型，以及根據性能對模型進行排名，從而縮短尋找最佳模型所需的時間。
• Amazon SageMaker Debugger：它可以分析、檢測和提醒與機器學習相關的問題。訓練模型的過程通常是不透明的，而且耗時較長。Amazon SageMaker Debugger 可以在訓練期間自動捕獲實時指標，讓訓練流程更加透明，提高模型精度。它還會對常見問題發出告警并提供修復建議。
• Amazon SageMaker Model Monitor：它可以讓模型保持精確。模型部署之后，概念漂移（concept drift）是一個常見問題。Amazon SageMaker Model Monitor 可以檢測已部署模型的概念漂移，并提供詳細的警報，幫助確定問題根源。

Amazon SageMaker 的功能包含模型構建、訓練和部署三大部分

• 構建：Amazon SageMaker 提供了快速連接到您的訓練數據所需的所有內容，從而可以輕松構建 ML 模型并為訓練做好準備，并且還可以輕松為您的應用程序選擇和優化最佳算法和框架。Amazon SageMaker 包含托管的 Jupyter 筆記本，您可以輕松瀏覽和可視化在 Amazon S3 中存儲的訓練數據。您可以選擇直接連接到 S3 中的數據，或者使用 AWS Glue 將數據從 Amazon RDS、Amazon DynamoDB 和 Amazon Redshift 移動到 S3 ，然后在筆記本中進行分析。為了幫助您選擇算法，Amazon SageMaker 包含 10 種最常用的機器學習算法，這些算法已預裝好并進行過優化，與在任何其他地方運行這些算法相比，最多可以將性能提高 10 倍。Amazon SageMaker 默認配置了 TensorFlow 和 Apache MXNet，這是兩種最常見的開源框架。您也可以選擇使用自己的框架。
• 訓練：只需單擊一下，您就可以在 Amazon SageMaker 控制臺中開始訓練模型。Amazon SageMaker 可以管理所有底層基礎設施，并且可以輕松以 PB 級擴展以訓練模型。為了使訓練過程更快更輕松，Amazon SageMaker 可以自動調整您的模型以達到最高的精度。
• 部署：在訓練并調整模型后，Amazon SageMaker 可以輕松在生產環境中部署該模型，以便開始針對新數據運行和生成預測（該過程稱為推理）。Amazon SageMaker 會在跨多個可用區的 Amazon EC2 實例自動擴展集群上部署模型以實現高性能和高可用性。Amazon SageMaker 還包含內置的 A/B 測試功能，以幫助您測試模型并試驗不同的版本以獲得最佳效果。

以下是創建機器學習模型的典型工作流程：

那么 Amazon SageMaker 是一項完全托管的服務，它提供了一站式的機器學習開發環境，從數據準備、模型訓練到模型部署，所有這些都可以在云端完成，十分方便快捷，能夠帶來巨大的效能提升。

以下是 Amazon SageMaker 提供的幾種機器學習開發環境：

• Amazon SageMaker Studio：允許您構建、訓練、調試、部署和監控您的機器學習模型。

• 亞馬遜 SageMaker 筆記本實例：允許您準備和處理數據，以及從運行 Jupyter Notebook 應用程序的計算實例訓練和部署機器學習模型。

• Amazon SageMaker Studio Lab：Studio Lab 是一項免費服務，可讓您在基于開源的環境中訪問亞馬遜云科技計算資源 JupyterLab，無需亞馬遜云科技賬戶。

• Amazon SageMaker Canvas：使您能夠使用機器學習來生成預測，而無需編寫代碼。

• Amazon SageMaker 地理空間：使您能夠構建、訓練和部署地理空間模型。
• Amazon rStud ioSageMaker：rStudio 是?R?的 IDE，它具有支持直接執行代碼的控制臺、語法突出顯示編輯器以及用于繪圖、歷史記錄、調試和工作區管理的工具。

對于不想處理硬件、軟件和基礎架構等方面問題，希望簡化操作機器學習模型開發流程，靈活選擇算法和模型及資源以滿足不同業務需求的，可以放心的選擇 Amazon SageMaker！