Category: Artificial Intelligence

该文以目标检测模型着手，演示如何一步步基于Sagemaker Neo对训练后的模型文件进行编译优化，来提升模型的推理速度。 文中以yolo3(backbone为mobilenet1.0）模型为例，分别演示模型准备，模型Neo编译，模型导出推理测试，可视化等过程， 推理结果显示基于Sagemaker Neo可以显著提升推理速度，达到一倍以上的加速。

Amazon DeepRacer 是开始使用机器学习 (ML) 的最快方式。您可以在基于云的虚拟模拟器中使用 1/18 比例自动驾驶车辆训练强化学习 (RL) 模型，并在全球 Amazon DeepRacer League 中角逐奖金和荣誉。今天，我们将通过对 Amazon DeepRacer 设备软件进行开源来扩展 Amazon DeepRacer 功能，以提供有趣的动手学习。

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。

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。

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 […]

 作为一名开发人员，我最近听到了很多关于公司如何利用机器学习 (ML) 来解决其业务问题的故事，所以我 20 […]

模型训练与服务化可以说是成功建立端到端机器学习（ML）流程的两大基本环节。这两个步骤通常需要不同的软件与硬件设置，才能为生产环境提供最佳组合。模型训练优化的目标是低成本、训练时间长度可行、科学上的灵活性以及良好的模型可解释性等；而模型服务化的优化目标是低成本、高吞吐以及低延迟。