发布于: Nov 28, 2018
Amazon SageMaker 现在支持一些新功能，以便更好地进行机器学习 (ML) 工作流程的编排、实验与协作。AWS Step Functions 现已实现与 Amazon SageMaker 和 AWS Glue 的集成，可以更轻松地构建、部署、监控和迭代 ML 工作流程。通过使用 AWS Step Functions，您现在可以在几分钟内通过更少代码连接多个 Amazon SageMaker 作业，自动化 ML 工作流程。我们现在有了一项新功能，可帮助您组织、跟踪和评估您使用 Amazon SageMaker Search 进行的 ML 培训实验，目前已推出测试版。此外，您现在还可将 GitHUb、AWS CodeCommit 和任何自托管 Git 存储库与 Amazon SageMaker 笔记本实例关联起来，以便实现安全便捷的协作，并确保通过 Jupyter 笔记本进行版本控制。如需更多信息，请参阅 AWS Step Functions 文档。
通常，自动化 ML 工作流程涉及代码的编写和维护，以便定义工作流程逻辑，监视各项作业的完成情况并解决任何错误。在将大型数据集部署到生产环境前，需要对相关 ML 模型进行管理。每次更改模型都需要重新部署，而且需要多个团队来确保模型的性能符合预期。整个过程非常复杂，可能会拖慢应用程序的交付速度。利用 AWS Step Functions 与 Amazon SageMaker 的集成，您的系统可以自动将大型多样化数据集发布到 Amazon S3 数据湖中，训练 ML 模型，并将其部署到生产环境中。AWS Step Functions 支持并行排序和运行作业，并自动重试任何失败作业。集成内容包括内置错误处理、参数传递和状态管理。这样一来 ，我们便可更快地交付安全灵活的 ML 应用程序，同时还可减少必须编写和维护的代码量。
要想开发一款成功的 ML 模型，需要不断实验，尝试新的算法和超参数，同时还要考察该模型对性能和准确性的任何影响。这就导致我们很难跟踪数据集、算法与参数的独特组合，以获得一个成功模型。现在，您可利用 Amazon SageMaker Search 来组织、跟踪并评估机器学习模型的训练实验。SageMaker Search 可帮助您在 AWS 管理控制台中，通过适用于 Amazon SageMaker 的 AWS 开发工具包，从数量可达千次的模型运行训练中快速寻找并评估相关性最高的模型运行训练。这款 Search 的测试版目前已在 13 个可提供 Amazon SageMaker 的区域推出。如需更多信息，请参阅此处博客。
为了在机器学习方面取得进展，我们通常需要分享想法、任务和协作。在传统软件开发中，开展协作的标准在于版本控制，这在机器学习中也发挥着重要作用。现在可以将 GitHub、AWS Code Commit 和任何自托管 Git 存储库与 Amazon SageMaker 笔记本实例关联起来，以便实现安全便捷的协作，并确保通过 Jupyter 笔记本进行版本控制。将 Git 存储库连同 Jupyter 笔记本一起使用，可轻松共创项目，跟踪代码更改，并将软件工程与数据科学实践结合起来，以实现生产就绪型代码管理。您可以轻松找到、执行和共享在 Jupyter 笔记本上提供并在 GitHub 中托管的机器学习与深度学习技术。如需更多信息，请参阅此处博客。
通常，自动化 ML 工作流程涉及代码的编写和维护，以便定义工作流程逻辑，监视各项作业的完成情况并解决任何错误。在将大型数据集部署到生产环境前，需要对相关 ML 模型进行管理。每次更改模型都需要重新部署，而且需要多个团队来确保模型的性能符合预期。整个过程非常复杂，可能会拖慢应用程序的交付速度。利用 AWS Step Functions 与 Amazon SageMaker 的集成，您的系统可以自动将大型多样化数据集发布到 Amazon S3 数据湖中，训练 ML 模型，并将其部署到生产环境中。AWS Step Functions 支持并行排序和运行作业，并自动重试任何失败作业。集成内容包括内置错误处理、参数传递和状态管理。这样一来 ，我们便可更快地交付安全灵活的 ML 应用程序，同时还可减少必须编写和维护的代码量。
要想开发一款成功的 ML 模型，需要不断实验，尝试新的算法和超参数，同时还要考察该模型对性能和准确性的任何影响。这就导致我们很难跟踪数据集、算法与参数的独特组合，以获得一个成功模型。现在，您可利用 Amazon SageMaker Search 来组织、跟踪并评估机器学习模型的训练实验。SageMaker Search 可帮助您在 AWS 管理控制台中，通过适用于 Amazon SageMaker 的 AWS 开发工具包，从数量可达千次的模型运行训练中快速寻找并评估相关性最高的模型运行训练。这款 Search 的测试版目前已在 13 个可提供 Amazon SageMaker 的区域推出。如需更多信息，请参阅此处博客。
为了在机器学习方面取得进展，我们通常需要分享想法、任务和协作。在传统软件开发中，开展协作的标准在于版本控制，这在机器学习中也发挥着重要作用。现在可以将 GitHub、AWS Code Commit 和任何自托管 Git 存储库与 Amazon SageMaker 笔记本实例关联起来，以便实现安全便捷的协作，并确保通过 Jupyter 笔记本进行版本控制。将 Git 存储库连同 Jupyter 笔记本一起使用，可轻松共创项目，跟踪代码更改，并将软件工程与数据科学实践结合起来，以实现生产就绪型代码管理。您可以轻松找到、执行和共享在 Jupyter 笔记本上提供并在 GitHub 中托管的机器学习与深度学习技术。如需更多信息，请参阅此处博客。
通常，自动化 ML 工作流程涉及代码的编写和维护，以便定义工作流程逻辑，监视各项作业的完成情况并解决任何错误。在将大型数据集部署到生产环境前，需要对相关 ML 模型进行管理。每次更改模型都需要重新部署，而且需要多个团队来确保模型的性能符合预期。整个过程非常复杂，可能会拖慢应用程序的交付速度。利用 AWS Step Functions 与 Amazon SageMaker 的集成，您的系统可以自动将大型多样化数据集发布到 Amazon S3 数据湖中，训练 ML 模型，并将其部署到生产环境中。AWS Step Functions 支持并行排序和运行作业，并自动重试任何失败作业。集成内容包括内置错误处理、参数传递和状态管理。这样一来 ，我们便可更快地交付安全灵活的 ML 应用程序，同时还可减少必须编写和维护的代码量。
要想开发一款成功的 ML 模型，需要不断实验，尝试新的算法和超参数，同时还要考察该模型对性能和准确性的任何影响。这就导致我们很难跟踪数据集、算法与参数的独特组合，以获得一个成功模型。现在，您可利用 Amazon SageMaker Search 来组织、跟踪并评估机器学习模型的训练实验。SageMaker Search 可帮助您在 AWS 管理控制台中，通过适用于 Amazon SageMaker 的 AWS 开发工具包，从数量可达千次的模型运行训练中快速寻找并评估相关性最高的模型运行训练。这款 Search 的测试版目前已在 13 个可提供 Amazon SageMaker 的区域推出。如需更多信息，请参阅此处博客。
为了在机器学习方面取得进展，我们通常需要分享想法、任务和协作。在传统软件开发中，开展协作的标准在于版本控制，这在机器学习中也发挥着重要作用。现在可以将 GitHub、AWS Code Commit 和任何自托管 Git 存储库与 Amazon SageMaker 笔记本实例关联起来，以便实现安全便捷的协作，并确保通过 Jupyter 笔记本进行版本控制。将 Git 存储库连同 Jupyter 笔记本一起使用，可轻松共创项目，跟踪代码更改，并将软件工程与数据科学实践结合起来，以实现生产就绪型代码管理。您可以轻松找到、执行和共享在 Jupyter 笔记本上提供并在 GitHub 中托管的机器学习与深度学习技术。如需更多信息，请参阅此处博客。