亚马逊AWS官方博客
使用 AWS Cloudformation 在 Amazon EMR 中一分钟配置 JuiceFS
这是一篇使用 JuiceFS 作为 Amazon EMR 存储后端的快速入门文章,JuiceFS 是一个专门为在云端工作而设计的 POSIX 兼容的共享文件系统并且兼容 HDFS。JuiceFS 与自建的 HDFS 相比,可以节省 50% ~ 70% 的成本,同时达到与自建 HDFS接近的性能。
RENGA公司使用Amazon CodeGuru实现代码审查自动化
尽管代码审查过程非常重要,但大家需要保证其既不会给审核人员带来过重的工作负载,也不致成为开发流程中的瓶颈所在。通过采用CodeGuru Reviewer,我们成功实现了代码审查的自动化,同时也减少了审核人员的工作量。
快速落地AWS智能工厂解决方案
很多的制造企业正在利用数字化技术进行转型,并利用机器学习,计算机视觉和机器人等技术提升制造自动化程度。本文将介绍AWS如何利用这些技术为智能工厂提供解决方案并展示如何利用物理网技术将产线数据上云,如何利用边缘计算技术实时控制设备。
重装上阵-Graviton2提升Aurora性价比
本文将向您展示Graviton2 R6g 数据库实例对R5数据库实例的性能增强以及从自建或者托管数据库上迁移到Graviton2 R6g 数据库实例的方法流程。通过测试我们可以清楚地看到,无论是何种工作负载和并发条件,R6g实例比之同等资源配置的R5实例性能均有显著的提升,而每小时单价却有下降,因而R6g实例对客户来说,有更好的性价比。
基于 AWS IoT 证书授权最终用户访问云上资源
前言 企业在 AWS 上构建自己的应用系统时,常常需要授权应用系统的最终用户直接访问 AWS 资源(例如:允许 […]
新增功能——使用Amazon SageMaker Feature Store存储、发现并共享机器学习特征
今天,我们很高兴公布Amazon SageMaker Feature Store。作为Amazon SageMaker中的一项新功能,Feature Store将帮助数据科学家与机器学习工程师轻松安全地存储、发现并共享训练与预测工作流中使用的被选中数据。
Amazon Forecast现可支持对单一条目进行准确性评估
我们高兴地宣布,现在您已经可以在Amazon Forecast当中评估单一条目的预测准确性,借此更好地了解您的预测模型在最重要的少数核心条目上拥有怎样的预测表现。
使用Amazon SageMaker原生TorchServe集成在生产中支持PyTorch模型
随着客户对于TorchServe需求的不断增长以及PyTorch社区的快速发展,AWS致力于为客户提供一种通用且高效的PyTorch模型托管方式。无论您使用的是Amazon SageMaker、 Amazon Elastic Compute Cloud (Amazon EC2)还是 Amazon Elastic Kubernetes Service (Amazon EKS), 我们都将不断优化后端基础设施并为开源社区提供支持。
利用Amazon ReplaceRootVolume替换实例EBS根卷
客户在使用EC2过程中,难免会碰到诸如根卷损坏或操作系统配置错误,导致无法连接和登录的情况。这会增加日常迁移、重建等繁杂的工作。尤其是客户在采用了存储优化实例(如i3、i3en、d2等)下,自建的服务下(如Hadoop、Kafka),数据丢失、拷贝等成本会非常高。 这些在实例存储上昂贵的数据复制操作、繁杂的迁移重建等工作,往往是客户无法承受的。现在依托Amazon ReplaceRootVolume新特性,将帮助客户解决上述问题,轻松应对出现的各种挑战。
Amazon SageMaker使用数十亿条参数简化深度学习模型训练
今天,我们高兴地宣布,Amazon SageMaker已经在大型深度学习模型的训练方面迎来简化,帮助更多缺少丰富硬件资源的客户踏入高阶深度学习之门。