亚马逊AWS官方博客

今天，AWS宣布，您可以在 AWS Organizations 主账户或者某个代理成员账户中创建分析器，将整个组织作为信任区。对于每个分析器，您现在可以将特定的账户或整个组织创建为一个信任区，并设置分析器的逻辑边界以作为分析结果的依据。这将有利于您快速确定何时可以从您的 AWS 组织之外访问您组织中的资源。

本文将讨论 R 的基本知识和 AWS 上 R 的常见工作负载对。

我们将介绍如何将 AWS 与 R 结合使用来创建数据管道，以便从 PDF 中提取数据供以后处理。

企业需要快速创建数字化服务体系，通过向云迁移，敏捷地实现创新转型，以加速业务发展和提高客户满意度。企业的IT管理人员和信息架构师的首要任务就是了解和把握信息技术的发展趋势，提升企业的技术水平，为企业发展提供一流的构建能力。

AWS DeepRacer League 是全球首个面向所有人的自动驾驶赛车联赛。2019 年，来自世界各地的上万开发人员参加了一场极速计时赛，为争夺最快模型竞逐。最终，来自日本的 SOLA 成为大奖得主，并在 re:Invent 2019 大会现场举起了冠军奖杯！

本博文将引导您完成构建数据管道所需的全部步骤—从使用 AWS Glue，为您在 Amazon S3 中的数据创建元数据爬取程序，进行数据发现与编目；到使用 Amazon Athena 检索表数据，以及通过 Amazon SageMaker Notebooks查询 Athena 表。

创建一个可靠、高效的机器学习推理服务需要做很多的投入。拿一个基于 XGBoost 模型的服务来说，开发人员需要创建一个完善的应用程序，例如通过 Flask 来加载模型，然后运行终端节点。创建这个应用程序，开发人员需要考虑队列管理、无故障部署以及重新加载新训练的模型等等事宜。应用开发好后被打包成容器镜像，然后推送到镜像仓库。Kubernetes 从镜像仓库拉取该镜像在集群上进行部署，部署好后才可以对外提供服务。这些步骤需要您的数据科学家从事与提高模型准确性无关的任务，或引进devops工程师来做这些工作。这些过程加到开发计划中，必然会需要更多的时间进行服务迭代。

TensorFlow 是广泛被用于开发大型深度神经网络 (DNN) 的开源机器学习 (ML) 库，此类 DNN 经常会在多个主机上使用多个 GPU进行分布式训练。Amazon SageMaker 是一项托管服务，能够简化 ML 的工作流程，包括集成了主动学习的数据标记、超参数优化、模型分布式训练、监控训练进展、部署模型并提供自动扩展的 RESTful 服务集群、以及对并发 的ML 多项实验进行集中式管理等。
本文将重点讨论如何使用 Amazon SageMaker 进行基于TensorFlow的分布式训练。

本博文介绍了 Amazon SageMaker 多模型终端节点，并演示了如何应用这项新功能通过 XGBoost 来预测各个细分市场的房屋价格。本博文演示了在多模型终端节点上同时部署10个模型，也演示了在 10 个独立的终端节点上分别部署 10 个模型，并对这两种使用情形进行了对比。如下图所示，前者相比后者每月节省了 3000 美金的成本。

AWS 很高兴地宣布正式推出 Amazon SageMaker Operators for Kubernetes。这项新功使得开发人员和数据科学家能更轻松地使用 Kubernetes 在 Amazon SageMaker 中训练、调优和部署机器学习 (ML) 模型。您可以在 Kubernetes 集群上安装这些operartors，以使用 Kubernetes API 和Kubernetes命令行工具（例如 kubectl）在集群创建 原生的Amazon SageMaker 任务。有关更多信息，请参阅白皮书 – 使用 Amazon SageMaker 和 Kubernetes 进行机器学习。