AWS Deep Learning Containers

إعداد بيئات التعلم بسرعة من خلال صور الحاويات المحسنة ومسبقة الإعداد

AWS Deep Learning Containers (حاويات AWS DL) هي عبارة عن صور Docker مثبتة مسبقًا باستخدام أطر التعلم العميق لتسهيل نشر بيئات التعلم الآلي المخصّصة بسرعة عن طريق السماح لك بتخطي العملية المعقدة لإنشاء بيئاتك وتحسينها من البداية. تتوافق حاويات AWS DL مع TensorFlow، وPyTorch، وApache MXNet. يمكنك نشر حاويات AWS DL على Amazon SageMaker، وAmazon Elastic Kubernetes Service (Amazon EKS)، وKubernetes المدارة ذاتيًا على Amazon EC2، وAmazon Elastic Container Service (Amazon ECS). تتوفر الحاويات من خلال Amazon Elastic Container Registry(Amazon ECR)، وAWS Marketplaceمجانًا، فلا تدفع سوى مقابل الموارد التي تستخدمها. ابدأ الاستخدام من خلال هذا الفيديو التعليمي.

تعتبر حاويات Docker وسيلة شائعة لنشر بيئات التعلّم الآلي المخصصة التي تعمل باستمرار في بيئات متعددة. ولكن من الصعب إنشاء صور حاوية واختبارها للتعلم العميق، فهذه العملية عُرضةً للخطأ ويمكن أن تستغرق أيامًا بسبب تبعيات البرامج ومشاكل توافق الإصدار. تحتاج هذه الصور أيضًا إلى التحسين من أجل توزيع أعباء عمل التعلم الآلي وقياسها بكفاءة في مجموعة من الحالات، ما يتطلب خبرة متخصصة. يجب تكرار هذه العملية كلما يتم إصدار تحديثات الإطار العام. كل هذا العمل الشاق يستنفد وقت المطورين الثمين ويبطئ وتيرة الابتكار لديك.

توفر حاويات AWS DL صور Docker التي تم تثبيتها مسبقًا واختبارها باستخدام أحدث الإصدارات المطلوبة من أطر التعلم العميق والمكتبات الشائعة. إنّ حاويات AWS DL هي مُحسّنة لتوزيع أعباء عمل تعلّم بكفاءة على مجموعات من المثيلات على AWS، ما يسمح لك بتحقيق أداء عالٍ وقابلية للتوسع على الفور.

مقدّمة عن AWS Deep Learning Containers

المزايا

بدء التطوير على الفور

استخدم صور Docker المسبقة الإعداد لنشر بيئات التعلم العميق في دقائق قليلة. تحتوي الصور على مكتبات إطار عمل التعلم العميق المطلوبة (حاليًا TensorFlow، وPyTorch، وApache MXNet) وأدواته، ويتم اختبارها بالكامل. يمكنك بسهولة إضافة مكتباتك وأدواتك الخاصة إلى هذه الصور للاستفادة من درجة أعلى من التحكم في المراقبة والامتثال ومعالجة البيانات. لمزيد من المعلومات، اطلع على AWS Deep Learning Container Images.

الحصول على أفضل أداء تلقائيًا

تتضمن حاويات AWS DL تحسينات AWS على أحدث إصدارات الأطر الشائعة، مثل TensorFlow، وPyTorch، وApache MXNet، والمكتبات، ما يسمح بتحقيق أعلى أداء ممكن للتدريب والاستدلال في السحابة. على سبيل المثال، تسمح تحسينات AWS TensorFlow بتدريب النماذج بسرعة تصل إلى الضعف من خلال التوسيع المُحسّن بشكل ملحوظ لنطاق وحدة GPU.

إضافة التعلم الآلي سريعًا إلى تطبيقات Kubernetes

تم تصميم حاويات AWS DL للعمل مع Kubernetes على Amazon EC2. إذا كانت لديك تطبيقات منشورة على Kubernetes مع Amazon EC2، يمكنك إضافة التعلم الآلي بسرعة كخدمة مصغرة في تلك التطبيقات باستخدام حاويات AWS DL.

إدارة عمليات سير عمل التعلم الآلي بسهولة

تم دمج حاويات AWS DL بإحكام مع Amazon SageMaker وAmazon EKS وAmazon ECS، ما يتيح لك إمكانية الاختيار والمرونة عند إنشاء عمليات سير عمل مخصصة للتعلم الآلي التي تركّز على التدريب والتحقق والنشر. من خلال هذا الدمج، تتعامل Amazon EKS وAmazon ECS مع جميع منهجيات الحاويات المطلوبة لنشر حاويات AWS DL وتوسيع نطاقها على مجموعات من الأجهزة الافتراضية.

تتوافق حاويات AWS DL مع TensorFlow، وPyTorch، وApache MXNet.

TensorFlow
دعم TensorFlow
PyTorch
دعم PyTorch
Apache MXNet
دعم Apache MXNet

العملاء

Wix

«تعمل Deep Learning Containers على تحسين سرعتنا بنسبة 20 بالمئة. فكان وقت وصولنا إلى السوق في السابق بطيئًا بسبب كمية العمل المطلوب لنشر النماذج التي طورها علماء البيانات في عملية الإنتاج. عادةً ما يعمل علماء البيانات مع AWS Deep Learning AMIs، ويستخدم فريق النشر لدينا حاويات Docker في عملية الإنتاج. كان ضمان التكافؤ بين بيئات البحث والإنتاج مستهلكًا للوقت وعرضة للخطأ. أمّا الآن مع AWS Deep Learning Containers، فيمكننا استخدام نفس بيئة TensorFlow المحسّنة والمستقرة في خطوط الأنابيب بالكامل، بدءًا من البحث والتدريب وصولاً إلى الإنتاج».


Accenture

«في Accenture، يساعد علماء البيانات لدينا عملاءنا بدخول عالم الابتكار من خلال تطوير تطبيقات التعلم العميق في الرؤية الحاسوبية ومعالجة اللغة الطبيعية في مجموعة متنوعة من المجالات، مثل مجالات الاتصالات السلكية واللاسلكية والموارد. يعمل فريقنا بسرعة ونستخدم حاويات Docker لتدريب النماذج ونشرها بسرعة. نحن نضطر لإنشاء صور حاوية وصيانتها بشكل متكرر باستخدام أطر عمل التعلّم العميق ومكتباته، ما يبطئ وتيرة عملنا، ويستغرق بالتالي أيامًا ثمينة عندما نواجه مشكلات التوافق أو التبعية. أمّا الآن، فتسمح لنا Deep Learning Containers بالوصول إلى صور الحاوية التي تقدّم لنا حلولاً مبتكرة وأداءً محسنًا على AWS.» 


Patch'd

«في Patchd، نستخدم التعلم العميق لاكتشاف التهديات مبكرًا. نرى حاويات Docker كوسيلة لتحسين خطوط أنابيب التعلم العميق الحالية لدينا بدرجة تصل إلى 10 أضعاف، ما يمكننا من اختبار مئات النماذج بسهولة وبسرعة وبمرونة. لكننا لا نريد تضييع وقت علماء البيانات والمهندسين الثمين في إعداد بيئات Docker وتحسينها من أجل التعلم العميق. باستخدام Deep Learning Containers، يمكننا إعداد بيئات TensorFlow المحسّنة خلال دقائق قليلة وبدون تكلفة».

منشورات ومقالات المدونة

جديد – AWS Deep Learning Containers
27 مارس/آذار 2019
 
 
أفضل الممارسات لتحسين أداء التعلم العميق الموزع على Amazon EKS
1 مايو/أيار 2019
 
أعباء عمل GPU على AWS Batch
4 أبريل/ نيسان 2019
 
 
تعرّف على المزيد حول Deep Learning Containers
الاطلاع على موارد المنتج

تعرّف على المزيد حول AWS DL Containers.

تعرّف على المزيد 
اشترك للحصول على حساب مجاني لدى AWS
اشترك للحصول على حساب مجاني

الوصول على الفور إلى الطبقة المجانية لخدمة AWS. 

سجِّل الاشتراك 
بدء التطوير باستخدام Deep Learning Containers
بدء التطوير من خلال البرامج التعليمية

ابدأ استخدام حاويات AWS DL على Amazon EC2.

جرّبها الآن