亚马逊AWS官方博客
Category: Artificial Intelligence
使用 Amazon Personalize 快速搭建推荐服务
在本文中,将向您展示如何使用Amazon Personalize构建自动训练和推理的推荐服务。文中采用MovieLens电影评分数据作为样本数据并将数据存储在S3中,文中将利用lambda函数触发数据更新,模型训练,模型更新和模型批量推理。
利用Amazon EC2进一步降低DeepRacer训练成本
利用Amazon EC2代替DeepRacer console,降低 92%的训练成本
DeepRacer 错误排查手册
你可以快速查找及解决DeepRacer比赛中常见的一些问题,以此作为DeepRacer的错误排查手册
DeepRacer解决无法登录Console以及模型失效的方法
本博文介绍通过刷新系统解决USB线无法连接到DeepRacer设备控制台Console的问题 ,以及通过人工升级赛车系统软件以兼容过往训练好的模型的方法
使用Amazon SageMaker部署CVAT AI自动图像标注系统
本文将CVAT开源标注平台部署到亚马逊云科技中国区域,并对官方的部署模式升级为无服务器化的方式提升架构的高可用性和并发能力,同时使用强大的SageMaker推理功能增强自动标注功能。
DeepRacer训练日志分析范例与强化学习reward function设计
亚马逊云科技DeepRacer 是第一款专门为帮助开发人员进行强化学习(Reinforcement learning)实践而开发的1/18 比例的完全自动驾驶赛车。亚马逊云科技 DeepRacer 为开发人员提供了一种学习强化学习的简单方法,用新的强化学习算法和模拟到真实域传输方法进行实验,并在现实世界中体验 强化学习。开发人员可以在在线模拟器中训练、评估和调整强化学习模型,将他们的模型部署到亚马逊云科技 DeepRacer 上,从而获得现实世界的自动驾驶经验,并参加亚马逊云科技DeepRacer League 的比赛。
在Amazon SageMaker上快速、灵活构建TensorFlow模型的在线推理服务
本文会介绍如何将本地训练好的TensorFlow模型部署到Amazon SageMaker来快速、灵活地创建TensorFlow模型服务器
通过 SageMaker 与 Step Functions 实现机器学习的 CI/CD 方案
本文会介绍通过SageMaker与Step Functions进行模型自动训练与部署的方法,并会与CodeCommit、CodeBuild、Jenkins集成,实现机器学习的CI/CD方案。
基于AWS machine learning bot 的 named-entity recognition (NER) 快速解决方案
本文重点介绍了如何运用ML的 命名实体识别(name entity recognition)来快速构建自然语言处理的API功能。具体内容如下:
使用Python语言实现Transcribe Streaming的websocket协议
Amazon Transcribe是自动语音识别(ASR)服务,可让开发人员轻松地为其应用程序添加语音转文本功能,Transcribe支持文件和流式Streaming的两种音频输入方式,Transcribe Streaming可以应用在会议记录,语音控制交互,语言实时翻译等场景,Streaming方式支持HTTP/2和WebSocket两种协议。本文介绍使用Python语言实现Transcribe Streaming的WebSocket协议。