亚马逊AWS官方博客

Category: Amazon SageMaker

让神经网络触手可及 – AWS 风格

Amazon AI 的目标是通过开发 Amazon SageMaker 之类的平台来让机器学习变得大众化，而 fast.ai 的目标正好与其相同：提供平等教育机会，以便每个人都可以掌握机器学习并提高工作效率。fast.ai 的宣传语是“让神经网络触手可及。”这不是一场降低深度神经网络热门度的比赛，而是要让其吸引力和可访问性不仅仅局限于主导该领域研究的学术精英。

随着深度学习用例 (例如，计算机视觉、自然语言处理和机器翻译) 的激增，我们还发现，开发人员社区对了解机器学习及其在众多问题上的应用产生了浓厚的兴趣。在实际应用方面，“深度学习纳米学位”开发公司 Udacity 在全球的用户数量已超过 800 万。其中，5 万多名用户志在获得纳米学位，获得这些学位的很大一部分用户专注于深度学习。我们开始注意到，机器学习掀起热潮，但这方面的教育仍旧沿袭一般教育方式，从研究开始，然后才是应用。进入 fast.ai 世界，感受大规模开放在线课程 (MOOC) 无与伦比的魅力，与 10 万余名学生共同利用 AWS 云的全球网络办公环境在线学习深度学习。

Amazon SageMaker 现在推出了 AWS CloudTrail 集成

AWS 客户请求提供一种方法用来在 Amazon SageMaker 中记录活动，从而帮助满足管治及合规性要求。我很高兴地宣布，Amazon SageMaker 现在与 AWS CloudTrail 进行了集成，这项服务可用来记录、持续监控以及保留与 Amazon SageMaker API 活动相关的账户信息。无论是通过 Amazon SageMaker SDK、AWS SDK、Apache Spark SDK for Amazon SageMaker，还是通过 Amazon SageMaker 控制台进行的 Amazon SageMaker API 调用，都可以被捕获并发送到 Amazon S3 存储桶，从而提供 AWS 账户活动的事件历史记录。记录的信息包括源 IP 地址、发出请求的日期和时间、与请求关联的用户身份以及请求的参数。

Amazon SageMaker BlazingText：在多个 CPU 或 GPU 上并行处理 Word2Vec

今天，我们推出了 Amazon SageMaker 的最新内置算法 Amazon SageMaker BlazingText。BlazingText 是一种无监督学习算法，用于生成 Word2Vec 嵌入，即单词在大型语料库中的密集向量表示。我们很高兴构建了 BlazingText，它可以最快的速度实现 Word2Vec，供 Amazon SageMaker 用户在以下实例上使用：

单一 CPU 实例 (Mikolov 和 fastText 的原始 C 实现)
使用多个 GPU、P2 或 P3 的单一实例
多个 CPU 实例 (分布式 CPU 训练)

Newer posts →