亚马逊AWS官方博客

容器是开发人员用来开发、封装和部署其应用程序的一种强大方法。AWS 每周启动超过十万 ECS 群集和数亿新容器。这相当于从 2016 年以来实现了超过 400% 的客户增长。Amazon ECS 和 Kubernetes 这样的容器编排解决方案让部署、管理和扩展这些容器工作负载变得更简单，从而增强敏捷性。但是，如果使用这些容器管理解决方案中的任何一个，您都仍然要负责底层基础设施的可用性、容量和维护。AWS 从中发现机会，致力于消除部分重复性的繁重工作。我们希望您能充分利用容器提供的速度、敏捷性和不变性，集中精力构建应用程序，而不必管理基础设施。 AWS Fargate AWS Fargate 是一种在 AWS 上部署容器的简单方法。简单地说，Fargate 像 EC2，只是它提供的是容器而不是虚拟机。通过这种技术，您可将容器用作基础计算基元，而不必管理基础实例。您只需构建容器映像，指定 CPU 和内存要求，定义联网和 IAM 策略，以及启动。Fargate 提供灵活的配置选项，可以极为一致地满足应用程序需求，计费可精确到秒。 最大的好处？您仍然可以使用所有相同的 ECS 基元、API 和 AWS 集成。Fargate 提供与 Amazon Virtual Private Cloud、AWS Identity and Access Management (IAM)、Amazon CloudWatch 和负载均衡器的原生集成。Fargate 任务使用 AWSVPC 联网模式，在 VPC 中配置弹性网络接口 (ENI) 与资源安全通信。通过 AWS 命令行界面 (CLI) […]

各行各业的 AWS 客户都在使用 Amazon DynamoDB 存储关键任务数据。金融服务、商业、广告技术、物联网和游戏应用程序 (仅举几例) 每秒向包含数百 TB 数据和数万亿项目的表发起数百万个请求，依靠 DynamoDB 在十毫秒内返回结果。 今天，我们介绍两个强大且必将受到欢迎的新功能： 全局表 – 现在您可以创建跨两个或更多 AWS 区域自动复制的表，可完全支持只需几次点击即可实现的多主表写入。这让您能够为全球用户群构建快速、大规模扩展的应用程序，而无需管理复制过程。 按需备份 – 现在您可以一键创建 DynamoDB 表的完整备份，并且对性能或可用性没有任何影响。您的应用程序保持在线状态全速运行。备份适用于长期保留和存档，可帮助您满足法规要求。 全局表 DynamoDB 已将您的表复制到三个可用区，为您提供持久、高度可用的存储。现在，您可以使用全局表在两个或更多 AWS 区域间复制表 – 只需几次点击操作即可完成设置。您将获得极高的读写性能，并可进一步扩展，满足要求最苛刻的全球应用程序的需求。 您无需对现有代码进行任何更改，只需将写入请求和最终一致性读取请求发送到任意指定区域的 DynamoDB 终端节点即可 (与强一致性读取关联的写入应共享一个公共终端节点)。DynamoDB 在后台实施多主表写入，确保以对特定项目的最后一次写入为准。使用全局表时，每个项目将包含一个时间戳属性，用于表示最近一次写入的时间。更新通过 DynamoDB Streams 异步传播到其他区域，通常在一秒内完成 (可以使用新的 ReplicationLatency 和 PendingReplicationCount 指标跟踪这一过程)。 入门很简单。按照常规方式创建表，然后一键添加到其他区域的复制。必须从空表开始，且所有表都具有相同的名称和键配置 (哈希和可选排序键)。所有表还应共享一组一致的 Auto Scaling、TTL、本地二级索引、全局二级索引、预配置吞吐量设置和 IAM 策略。为方便起见，系统为新全局表自动启用 Auto Scaling。 如果不使用 DynamoDB Auto Scaling，您应该预配置充足的读取容量，以应对本地读取；预配置充足的写入容量，以容纳组中所有表的写入；并为源自本地区域的每个应用程序写入预配置额外的系统 写入。系统写入用于支持“以最后一次写入为准”模型。 下面，我们创建一个跨三个区域的全局表。先按照常规方式创建表，然后单击 […]

从自主机器人到最前沿的计算机视觉，加州理工学院和 Amazon 具有很多共同点，包括二者都认为打破人工智能 (AI) 和机器学习 (ML) 的边界不仅会颠覆各个行业，还会从根本上改变科学研究的本质。我们相信这些技术有可能改变诸如工业自动化、机器人、癌症研究、神经科学等领域，甚至帮助发现下一个引力子！ 今天，我们宣布两家组织建立研究合作伙伴关系，以推动对人工智能、数据科学和机器学习的研究。 作为为期两年且可延长的合作伙伴关系的一部分，Amazon 将以资助研究生奖学金的形式提供财务支持，以 AWS 云积分的形式提供计算资源，以加速加州理工学院师生在这些领域中的工作。团队将借助 AWS 云 (包括最前沿的 Nvidia GPU 实例)，使用 Apache MXNet 等开源项目训练深度神经网络，以及协作突破人工智能的基础性限制。合作关系包括加州理工学院计算和数学科学 (CMS) 系和电气工程 (EE) 系的研究人员，以及在加州理工学院从事其他 AI/ML 应用工作的研究人员，包括与新落成的自主系统技术中心 (CAST)、最近宣布成立的陈神经科学研究院以及世界著名的喷气推动硏究室 (JPL) 等开展协作的研究人员。加州理工学院是一个真正可以进行跨学科研究的地方，我们不对他们的人工智能研究类型施加任何限制 – 我们希望团队能够大胆设想，大胆创新！ 这种合作关系也是加州理工学院和 AWS 之间已经开展的合作的一种自然延伸。AWS ML 研究团队的多名成员，包括 Anima Anandkumar 和 Pietro Perona 在内，都会在 Amazon 和加州理工学院之间分配他们的时间。除这两个人外，领导合作关系的主要研究人员包括： Aaron Ames 机械与土木工程及控制动力系统 Bren 教授 Ames 教授的研究方向为机器人、非线性控制、混合系统、自治和网络物理系统，重点是机器人系统的基础理论和实验实现。他的实验室设计、构建和测试新型双足机器人和假肢，目标是实现像人类一样行走的双足机器人，并将这些功能转化为机器人辅助设备。 Animashree (Anima) Anandkumar […]

Fargate简介 就在大约三年前，AWS宣布Amazon Elastic Container Service（Amazon ECS）在AWS上大规模运行和管理容器。 利用Amazon ECS，您可以高规模和高可用性地运行您的工作负载，而无需担心运行自己的集群管理和容器编排软件。 现在，AWS宣布推出AWS Fargate ，使您能够将容器作为基本的计算单元，而无需管理底层实例。 借助Fargate，您不需要在集群中配置，部署或扩展虚拟机来运行容器。 今天，Fargate可以与Amazon ECS一起使用，计划在未来支持Kubernetes（Amazon EKS）的亚马逊弹性容器服务。 Fargate具有灵活的配置选项，因此您可以紧密匹配您的应用程序需求和精确的每秒计费。 无需管理任何EC2实例 基于任务的源生API 计费到CPU和Memory级别，按照Task使用的这些资源按秒计费 Fargate优势 无需管理群集 使用 AWS Fargate，您只需考虑容器，以便能够集中精力构建和运行应用程序。AWS Fargate 消除了管理 Amazon EC2 实例群集的需要。您不必再选择实例类型、管理群集调度和优化群集利用率。使用 Fargate，所有这些麻烦都将不复存在。 无缝扩展 借助 Fargate，您可以轻松扩展应用程序。您不必再担心是否为容器应用程序预置了足够多的计算资源的问题。在您指定应用程序要求 (例如 CPU、内存等) 后，AWS Fargate 会以高度可用的方式管理运行您的容器所需的所有扩展和基础设施。您不再需要决定何时扩展群集，也不需要将其打包即可实现最佳利用率。使用 Fargate，您可以在几秒钟内启动数以万计的容器，并轻松扩展以运行最重要的关键任务型应用程序。 与 AMAZON ECS 和 EKS 集成 AWS Fargate 与 Amazon ECS 无缝集成。您只需按照定义 Amazon ECS 的方式定义您的应用程序。您可以将应用程序打包到任务定义中，指定所需的 CPU […]

本文是特邀文章，由 Whooshkaa 的创始人兼 CEO Robert Loewenthal 撰写。 Whooshkaa 总部位于澳大利亚，提供创新的点播式音频播客平台，帮助出版商和广告商赢得听众。我们一直在尝试新的产品和方法，并将二者结合起来，为我们的客户开创全新的解决方案。 Amazon Polly 文本转语音 (TTS) 功能的采用就是极好的例证。很多顶级出版商、体育机构，以及澳大利亚最大的电信公司已在使用 Amazon Polly 来扩充其既有的发行方式。 这些传统信息提供商发现，客户现在不只需要阅读信息，还希望能够收听信息。借助 Amazon Polly TTS，Whooshkaa 让信息提供商能够用 48 种语音和 24 种语言向听众发布信息。 今年早些时候，Amazon Polly 为澳大利亚的主要全国性报纸《The Australian》提供语音版本。订阅者在驾车、锻炼或其他不方便阅读的情况下可以收听 Amazon Polly 朗读的新闻报道、食谱或体育赛事比分。 通过 Amazon Polly，Whooshkaa 的优秀合作伙伴可以方便地选择任何新闻报道，在几秒之内将文本转换为播客内容。我们还提供一些工具，可以合并多个报道，并通过更改口音、音调、速度和音量对声音进行自定义。 Whooshkaa 有庞大的发布网络，也就是说，听众可以选择多种方式来收听内容。最直接的选择是听众常用的播客应用程序。不过，因为 Whooshkaa 与 Facebook 存在独特的合作关系，我们的播客可以通过 Facebook 的音频播放器播放。我们的 Web 播放器可进行自定义，在 Twitter 上也受支持，实际上它可以嵌入任何网站。 我们相信，当这项技术成熟时，出版商能够以任何语言在世界上任何地方提供其新闻报道。新闻报道可以根据听众的偏好和需求进行自定义。 我们还与澳大利亚最大的电信公司 Telstra 和澳大利亚全国橄榄球联赛合作，通过任何联网的智能播音设备发布用户最爱球队的现场比分。用户可以直接向其设备询问当前比分，设备能够立即播报结果。 我们的开发人员 Christian […]

AWS DeepLens 提供了极好的机会来学习新技术，例如深度学习和物联网 (IoT)，以及构建可以解决实际问题的创新系统。该设备和服务附带有一组预定义的项目，使得从头开始运行非常简单。它设计作为开放平台，使得新手和有经验的开发人员都能构建 (和分享) 新的激动人心的项目。 在本博客文章中，您将逐步完成构建自己项目的过程，包括以下步骤： 训练深度学习模型 (使用 Amazon SageMaker) 优化经过训练的模型以在 AWS DeepLens 边缘设备上运行 开发 AWS Lambda 函数以加载模型并用于在视频流上运行推理 使用 AWS Greengrass 将 AWS Lambda 函数部署到 AWS DeepLens 设备 将边缘 AWS Lambda 函数传递到云中，用于发送命令和接收推理输出 营利 训练深度学习模型 (使用 Amazon SageMaker) Amazon SageMaker 是面向繁重的数据科学的另一项新服务。它汲取了 Amazon 数据科学家在 Amazon.com 众多业务领域的多年经验，从建议引擎到 Alexa、Amazon Go、Amazon Robotics 乃至其他无穷的基于机器学习的系统。 虽然本篇博客帖子所涵盖的内容极为有趣，不过设计和构建良好机器学习模型的完整过程远不止这些。实际上，通过将深度学习模型部署到 DeepLens 设备，然后传输回来并从输出中获益，一旦通过这个流程实现生产，您就会发现自己会有越来越多的时间构建模型，来解决真实世界的新问题。 对于机器学习新手以及数据科学专家而言，当您在 Amazon SageMaker […]

就像任何工匠一样，您在开始编程时首先要了解的一点就是您的工具非常重要。Notepad.exe 可能无法很好地完成工作。一个强大的编辑器和测试管道可提高您的生产力。我仍然记得第一次学习使用 Vim，并且能够在系统和复杂的程序中进行压缩。您还记得在新计算机上设置所有编译器和依赖项有多难吗？您在匹配版本、摆弄配置，然后编写文档以便对项目的新开发人员进行入职培训上浪费了多少个周期？ 今天，我们推出了 AWS Cloud9，它是一种用于在您的 Web 浏览器中编写、运行和调试代码的集成开发环境 (IDE)。Cloud9 自带了适用于许多常用编程语言 (Javascript、Python、PHP 等) 的基本工具，因此，您不必安装各种编译器和工具链。Cloud9 还提供了使用无服务器应用程序的无缝体验，使您能够快速地在本地和远程测试或调试之间切换。AWS Cloud9 以常用开放源 Ace Editor 和 c9.io IDE (我们去年已收购) 为基础，旨在使通过极其强大的结对编程功能进行的协作式云开发变得轻松。提供的功能比我在这篇文章中提及的功能多得多，为了快速细分，我将 IDE 划分为 3 个部分：编辑器、AWS 集成和协作。 编辑 Ace Editor 是 Cloud9 的核心，可让您快速、轻松和出色地编写代码。它遵循做一件事情就做好的 UNIX 哲学：编写代码。 它具有您期待的所有典型的 IDE 功能：实时语法检查、自动缩进、自动完成、代码折叠、拆分窗格、版本控制集成、多个光标和选择，并且它还有一些我想重点说明的独特功能。首先，它的速度很快，即使对于大型 (100000 行以上) 文件也是如此。键入时无滞后或其他问题。它内置了 20 多个主题 (过度曝光！)，并且您也可以从 Sublime Text 或 TextMate 中引入您喜欢的所有主题。它内置了对项目的 40 多种语言模式和可自定义的运行配置的支持。但最重要的是，它具有 Vim 模式 (或 […]

要说什么东西融入到了我的日常生活中，只有少数几个比得上 Alexa。我使用 Echo 设备和已启用的 Alexa 技能来打开家里的灯、观看我的 Echo Show 中的视频以了解谁在按门铃、每周跟踪我长长的待办事项清单、播放音乐等。我甚至让我的家庭成员也在其 Echo 设备上对他们似乎绝对离不开的各种类型的活动启用 Alexa 技能。我的母亲是年纪比我们大得多的一代人 (请别告诉她我这么说)，她使用 Echo 设备以及我为她构建的自定义 Alexa 技能来存储烘焙食谱。她还喜欢探索拥有最新的健康和美食信息的技能。难怪每次我去上班总觉得少了点什么。例如，我希望能够要求 Alexa 在我到达办公室时读出我的新闻简讯。 对于想要让 Alexa 作为工作时的智能助手的人来说，我有一条激动人心的消息。我很高兴地宣布 Alexa for Business 即将发布，它是一项全新的服务，使企业和组织能够将 Alexa 大规模引入工作场所。Alexa for Business 不仅将 Alexa 引入您的日常工作以提升您的工作效率，还为提供了供组织大规模设置和管理 Alexa 设备、启用私人技能以及登记用户的工具和资源。 利用 Alexa for Business 让工作场所更智能 Alexa for Business 可将您了解和喜爱的 Alexa 引入工作场所以在个人和共享 Echo 设备上帮助各种类型的工作人员变得更有效率和更有条理。在工作场所中，共享设备可以放置在公共区域以供任何人使用，并且工作人员可以使用其个人设备在办公点和家里进行连接。 最终用户可以使用共享设备或个人设备。以下是用户可从每种设备执行的操作。 共享设备 在会议室加入会议：您只需说一声“Alexa，开始会议”。Alexa 就会开启视频会议设备，拨号到您的会议电话，然后进行会议。 在办公室提供帮助：访问自定义技能以帮助搞清办公室各个方向通往何处、查找开放的会议室、报告建筑设备问题或订购新的办公用品。 个人设备 […]

AWS DeepLens 是一个带有摄像头的支持深度学习的开发人员工具包。它使您能够通过实操计算机视觉教程和预建模型来开发机器学习技能并进行扩展。预构建模型的示例包括：用于识别和检测房间里的不同对象 (如电视显示器、人和瓶子) 的对象检测以及用于识别不同类型的动作 (如刷牙、涂口红、打鼓、拉小提琴和打篮球) 的动作识别。 AWS DeepLens 可让您从设备的摄像头显示流以及在 IoT 控制台和本地设备上显示模型的输出。有关了解有关如何执行此操作的更多信息，您可以参阅文档。在本博客文章中，我们将讨论如何通过 HTML 页面上的 AWS DeepLens 自定义和显示项目输出。 我们将使用： Amazon Cognito，旨在使 HTML 页面能够通过 IoT WebSockets 访问 AWS DeepLens MQTT 消息 AWS IoT，旨在处理数据订阅和发布 Amazon S3，旨在存储用于显示输出的 HTML 文件 您可以使用 AWS CLI 或 AWS 管理控制台来自定义 AWS DeepLens 项目输出。使用 CLI 和控制台的步骤如下所示。 先决条件 要执行以下步骤以自定义 AWS DeepLens 输出，您需要 拥有一台 AWS DeepLens 设备 […]

AWS DeepLens 是一个带有摄像头的支持深度学习的开发人员工具包。它使您能够通过实操计算机视觉教程和预建模型来开发机器学习技能并进行扩展。 本博客文章将说明如何借助 AWS IoT 规则引擎和 Lambda 函数来利用云功能扩展 DeepLens 的本地功能。我们在这里介绍的简单功能是：在您通过 DeepLens 设备看到热狗后向您的电话号码发送 SMS 通知。我们期望有更多的高级用户扩展此功能以包含其他 AWS 云服务，例如 Amazon Elasticsearch Service (利用时间轴和帧为检测到的所有对象和面部构建控制面板和搜索界面)、Amazon Kinesis Analytics (构建有关在您的店面前走过的人数的异常检测模型)、Amazon Rekognition (使用名人识别和面部搜索 API 来识别您周围的 VIP) 和很多其服务。 这里有一张示意图展示了系统中数据的流动 – 从摄像头前部的物体一直到您口袋中的移动设备。 创建 Lambda 函数 首先，您将创建一个 AWS Lambda 函数，该函数将在云中运行并为具有足够高 (>0.5) 的概率获得热狗的人筛选来自您的 DeepLens 设备的消息。在此过程中，您还将在 AWS IoT 规则引擎中创建一条规则，用于从您使用 AWS Greengrass 部署到设备的 Lambda 函数获取消息。 在 AWS Lambda […]