Author: AWS Team

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。

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 […]

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。

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。

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。

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。

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。

几天前 CNBC 的一则新闻引起了我的兴趣。文章说的是美国康涅狄格州布鲁克菲尔德一家在建商店的有了应用“Jus […]

This article introduces the use of Athena to crop, enrich, repartition, format conversion and other ETL operations

在实际场景中，我们通常会遇到工作流中需要集成对外部应用做异步调用的需求，Stepfunction提供的基于activity的回调模式可以完美支持以上场景，不但可以方便地定义异步任务和等待流程，并且在等待任务完成的过程中不会产生任何额外费用。 本博客将模拟一个典型的与外部应用集成的工作流场景，通过需求场景描述、stepfunction原理讲解以及代码实现几个步骤，为您深入剖析Stepfunction对回调模式的实现。