亚马逊AWS官方博客

Amazon SageMaker加入Amazon FSx Lustre和Amazon EFS作为训练机器学习模型的数据源，为您现在有了更大的灵活性来选择适合您使用场景的数据源。在此博客中，我们使用了文件系统数据源来训练机器学习模型，从而消除了数据下载步骤，缩短了训练开始时间。

Amazon Forecast 通过提供平均预测并捕捉需求从最小值到最大值变化的预测分布，帮助您针对业务目标优化具体成本。通过此次发布，Forecast现在可以在模型训练过程中为多个分布点提供准确性指标，帮助您快速优化预测过低与预测过高，且全程无需手动进行指标计算。

本文为手把手教你玩转Kubeflow on EKS 系列文章的第三篇，在本文中会演示如何在notebook笔记本中安装Pipeline SDK，构建和编译Kubeflow Pipeline，在Kubeflow Pipeline中调用SageMaker超参数优化组件进行超参数优化，训练模型和创建模型，调用SageMaker部署组件在Amazon SageMaker中批量推理和部署模型端点

本文为手把手教你玩转kubeflow on EKS 系列文章的第二篇，本文将在手把手教你玩转Kubeflow on EKS(一)基础上，在安装在Amazon EKS 上的Kubeflow基于在MNIST数据集上训练一个TensorFlow模型，实现一个对MNIST数据集的手写字符的识别程序的端到端的过程

本文为手把手教你玩转Kubeflow On EKS 系列文章的第一篇，主要介绍了Amazon EKS中国区安装和部署Kubeflow。

这篇文章介绍了如何通过 AWS Load Balancer Controller 中的新功能 TargetGroupBinding，让客户更加灵活的实现在 Amazon EKS 集群之外自己创建和管理 NLB/ALB 和 TargetGroup，或者在 NLB/ALB 上自己创建和管理其他的侦听器和规则。

2020年的种种变化，让我们再次意识到敏捷性的重要意义。随着新冠疫情的全面爆发，我们接触到的每家客户都着手推进自己的应对之策。部分公司决定努力提高运营效率，有些企业甚至在疫情期间获得了可观的业务增长。

对Amazon DynamoDB团队来说，2020年又是繁忙的一年。我们发布了多项对原有功能的更新以及全新功能，希望在可靠性、加密、速度、可扩展性与灵活性等方面为大家带来更出色的使用体验。

本博客是基于NodeLocal DNSCache解决EKS DNS查询高时延和深层降低跨AZ流量费，此方案在AWS大型企业客户得到实践，并证明有显著的效果。

Amazon EMR 现在支持 EC2 M6g 实例，以便为云工作负载提供最佳性价比。EC2 M6g 实例由 AWS Graviton2 处理器提供支持，此类处理器由 AWS 设计定制设计并配备 64 位 Arm Neoverse N1内核。与前一代实例相比，对于基于 Graviton2 的实例上的 Spark 工作负载，EMR 可实现高达 35% 的成本降低和 15% 的性能改进。