亚马逊AWS官方博客
Category: News
隆重推出 AWS 容器能力计划
容器已经成为开发人员越来越重要的应用程序封装和部署方式。容器轻盈,为应用程序提供了统一的便携软件环境,可以随时随地轻松运行和扩展。Amazon Web Services (AWS) 的客户将容器作为一个基本计算单位,用于部署微服务、大数据、机器学习模型以及批处理作业等现有工作负载和全新工作负载。在 2018 年 AWS re:Invent 大会上,我们宣布推出 AWS 容器能力计划,以表彰那些支持在 AWS 上的容器中运行工作负载的先进 AWS 合作伙伴网络 (APN) 合作伙伴解决方案。
自 2019 年起对 APN 等级、权益和要求做出更改的公告
在 AWS re:Invent 2018 大会上,我们发出了对整个 AWS 合作伙伴网络 (APN) 计划做出更新的公告,新计划将进一步关注我们不断发展的 APN 合作伙伴社区的成长、投资和创新并为其提供支持,使 APN 合作伙伴更好地通过结构更合理的计划受益。
了解 AWS re:Invent 大会新发布的内容 – 12 月 AWS 在线技术讲座
在接下来的两周,与我们一起了解 re:Invent 2018 大会上发布的新服务和功能。了解功能和优势、观看现场演示并提问问题! 我们的 AWS 专家可以在线解答您可能遇到的任何问题。立即注册!
云中的 Oracle 到 PostgreSQL 迁移:为 AWS DMS 设置 PostgreSQL 目标数据库环境
AWS 云中的 Oracle 到 PostgreSQL 迁移可能是一个复杂度极高的多阶段流程:从评估阶段直到移交阶段,涉及到不同的技术和技能。这篇博文是系列博文中的第三篇,讨论了有关数据库迁移时要考虑的组件的高级方面。本系列博文并未探讨应用程序组件和不同场景的复杂性,因为这要取决于具体使用案例。为了更好地理解这些复杂性,请参阅 AWS Database 博文 Database Migration—What Do You Need to Know Before You Start?
云中的 Oracle 到 PostgreSQL 迁移:如何设置 PostgreSQL 环境以协助完成迁移
AWS 云中的 Oracle 到 PostgreSQL 迁移可能是一个复杂度极高的多阶段流程 – 从评估阶段直到移交阶段,涉及到不同的技术和技能。为了更好地理解这其中的复杂性,请参阅 AWS 数据库博文:数据库迁移 – 开始迁移之前应该了解些什么?
云中的 Oracle 到 PostgreSQL 迁移:迁移流程和基础设施注意事项
在 AWS 云中从 Oracle 迁移到 PostgreSQL 可能是一个复杂的多阶段过程,从评估阶段到切换阶段,涉及多种不同的技术和技能。本系列博文介绍了源 Oracle 数据库、AWS Database Migration (AWS DMS) 服务和目标 PostgreSQL 数据库的环境和配置设置。本系列博文侧重于生产、开发、测试和暂存数据库环境迁移所用源数据和目标数据库基础设施、设置、工具和配置。我们将首先介绍从 Oracle 迁移到 Amazon RDS for PostgreSQL 数据库或兼容 PostgreSQL 的 Amazon Aurora 数据库。
在 mu 中推出对 EKS 的支持
在 Amazon EKS 上开始应用程序开发可能需要创建 Kubernetes 集群和代码库,还需要配置部署管道以将代码更改持续推送到集群。在本博文中,Stelligent 的 Casey Lee 展示了如何使用开源工具 mu 简化所有 AWS 资源的声明和管理,以便您可以专注于开发应用程序。
AWS DeepRacer – 在 re:Invent 亲自体验强化学习
强化学习是一种机器学习模式,适合允许“代理”以试错方式在交互式环境中行动的情况,代理可以利用来自这些行动的反馈逐步学习,以达到预定目标或最大限度提升某些类型的分数或反馈。这与监督式学习等其他形式的机器学习形成对比,监督式学习使用一组事实(基础事实)来训练模型,以便它可以进行推理。
Amazon Forecast – 简化时间序列预测
二十多年来,Amazon 一直在竭力解决包括零售、供应链和服务器容量在内的多个领域的时间序列预测挑战。 如今,运用我们通过这样的经验掌握的机器学习技术,我们隆重推出 Amazon Forecast – 一项用于时间序列预测的完全托管式深度学习服务。Amazon Forecast 融合我们多年来构建和运行可扩展、高度准确的预测技术的丰富经验,形成一种简单易用、完全托管式的服务。
Amazon SageMaker Neo – 只需训练您的机器学习模型一次,即可随时随地运行它们
机器学习 (ML) 分为两个不同的阶段:训练和推理。训练涉及构建模型,即在数据集上运行 ML 算法以识别有意义的模式。这通常需要大量的存储和计算能力,从而使云成为了使用 Amazon SageMaker 和 AWS Deep Learning AMI 等服务训练 ML 作业的自然场所。