亚马逊AWS官方博客

通过实施远程分布式agile/EDF的一些实践，我们设法将2个月的预期新冠肺炎延迟减少到2个周左右。如果说有哪些你需要注意的，请看以下3方面：（1）远程交付会花费更多精力，需要会前内容准备和人员工具等的设置工作 – 要比往常投入更多才能顺利开展，尤其是在第一次远程迭代期间，（2）不要仅靠操作手册 – 响应客户的挑战，并相应地调整人员工具等的配置工作，并且（3）坚定执行迭代控制会议 – 否则沟通成本只会更高，进而更加阻碍项目进度。

本文将引领读者，从工程实践角度出发，借助 AWS 机器学习相关云计算服务，基于 PyTorch 机器学习框架，构建第一个生成对抗网络，开启全新的、有趣的机器学习和人工智能体验。

Amazon SageMaker Operator 可以帮助数据科学家以及开发人员利用Kubernetes的接口来创建和管理SageMaker的任务，如机器学习的模型训练、超参优化、批量转换以及实时推理等。如图所示，SageMaker Operator可以让 开发与运维人员可以通过kubectl命令行或者kubernetes api接口调用的方式来管理和使用SageMaker服务，它就像翻译器一样，在Kubernetes平台与AWS SageMaker 服务之间搭建了一座桥梁，让那些已经很很熟悉Kubenretes 的开发、运维人员在无需投入过多精力的情况下，即可快速地使用SageMaker服务。

借助Rekognition对照片特征进行提取并构建不同的集合，用户根据需要将照片与不同集合进行比对，应用场景如：对不同家庭、班级构建集合，输入合照识别其中的家庭、班级成员。

本文主要关于使用AWS Neuron SDK在AWS Inferentia芯片上进行机器学习推理。

本文是玩转GPU实例之三的系统优化篇。

Amazon WorkSpaces 提供了灵活的付费方式，使得用户可以按月或按小时付费。按月计费适合需要全天使用 Amazon WorkSpaces 或将其用作主要桌面的工作人员。对于并非需要长时间运行的工作场景，比如兼职工作人员、临时性工作分担、频繁出差的人员、短期项目、在线培训和教育等，使用按小时付费是一种能够很好节约成本的方式。Amazon WorkSpaces 计费模式能够非常灵活的进行选择和切换，只需要通过配置相应实例的运行模式（Running Mode）即可。

开发人员需要不断对机器学习 (ML) 模型进行反复训练，才能够持续优化模型预测效果。模型训练时间在数分钟至数小时不等，也可能会花费多天才能完成，具体时长根据数据集大小而定。ML 开发是一个复杂、成本高的迭代过程。使用低成本的方式开展计算密集型工作对 ML 开发来说至关重要，这也是实现规模化的关键因素。

本博文由 Trinity Audio 的联合创始人兼首席执行官 Ron Jaworski 特约发表。用他们自己的话说，“Trinity Audio 是一个音频内容解决方案平台，可满足世界各地各种类型和规模的出版商和内容创建者，并且能够通过将读者转变为听众来帮助他们加入持续进行的音频革命行列中，从而创造当代受众非常期待的体验。”

Amazon CodeGuru（预览版）能够分析应用程序的性能特征，并自动提供性能改善建议。Amazon CodeGuru Profiler 提供交互式可视化图形界面，以显示应用程序的运行时间耗费在什么地方。这些火焰图是功能强大的工具，可帮助您排查哪些代码方法造成延迟或使用过多 CPU 资源。