亚马逊AWS官方博客

随着 AWS Auto Scaling 的推出，您可以更加轻松地在一个用户界面中使用多项 AWS 服务的 Auto Scaling 功能了。这一新服务整合了针对特定服务的现有扩展功能，并以此为基础构建。如 AWS CloudFormation 堆栈或 AWS Elastic Beanstalk 中所述，该服务可在构成应用程序所需的任何 EC2 Auto Scaling 组、EC2 Spot 队列、ECS 任务、DynamoDB 表、DynamoDB 全局二级索引和 Aurora 副本上运行 (我们还在探索通过其他方式将一组资源标记为应用程序，以便与 AWS Auto Scaling 结合使用)。

我们以 Amazon Echo、Amazon Echo Dot 和 Amazon Echo Show 的评论为例。我们将上传其他伪造的示例数据 (尽量不损害品牌声誉)，然后使用具有细微差别的信息来模拟检索与产品有关的负面情绪，例如，正在召回的有缺陷、受损或危险商品。最后，我们使用 Amazon Athena 对负面评论进行交互查询并导出报告，以便让企业立即采取措施。

我们的示范 Amazon Lex Web UI 被称为聊天机器人 UI，已经完成了与搭建全功能的 Amazon Lex 聊天机器人网络客户端有关的绝大部分工作。您可以快速利用这些功能，减少聊天机器人所支持应用程序的价值变现时间。

我希望您已配置 AMI，并且您的最新一代 EC2 实例已使用 Elastic Network Adapter (ENA)，也就是 2016 年年中我介绍过的适配器。ENA 可以提高吞吐量并降低延迟，同时还能最大程度减少主机处理器的负载。存在多个 vCPU 并且智能数据包的路由由多个传输和接收队列提供支持时，ENA 运行良好。

如今，我们解除了限制门槛，您可以在所有 AWS 区域使用更多带宽。

今天我们推出了面向 AWS DeepLens 的新 Model Optimizer，优化深度学习模型，只需一行 Python 代码即可在 DeepLens GPU 上高效运行。Model Optimizer 已在 AWS DeepLens 软件版本 1.2.0 中提供。

Amazon SageMaker 使用一次性密钥 (也称为瞬态密钥) 加密所连接的 ML 通用型存储卷，用以训 […]

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)

Apache MXNet 是供开发人员构建、训练和重复使用深度学习网络的开源库。在这篇博文中，我将向您介绍如何使用 NNPACK 库来加速推理。事实上，当 GPU 推理不可用时，要想从实例中获取更多性能，将 NNPACK 添加到 Apache MXNet 中或许不失为一种简单的方法。和往常一样，“您的情况可能会有所不同”，而且您应该始终运行自己的测试。

今天我要向您介绍的是区域间 VPC 对等连接。早在 2014 年年初，您就已经能够在同一 AWS 区域的 Virtual Private Cloud (VPC) 之间创建对等连接 (请阅读 Amazon Virtual Cloud 的新 VPC 对等连接功能了解更多信息)。建立连接后，对等 VPC 中的 EC2 实例可以使用自己的私有 IP 地址跨对等连接相互通信，就像它们位于同一网络中一样。

AWS Deep Learning AMI 可帮助您快速轻松地开始使用机器学习。AMI 包含大量预建选项，可满足机器学习从业者的各种需求。如果您需要常见深度学习框架的最新版本，Deep Learning AMI 可提供在基于 Conda 的独立虚拟环境中安装的预建 pip 二进制文件。如果您希望测试高级框架功能或者对框架源代码进行微调，包含源代码的 Deep Learning AMI 可提供基于源的自定义框架安装。这些框架通常内建了常见二进制文件中没有的高级优化功能。