亚马逊AWS官方博客

TalkingData发现了AWS基于Java开发的深度学习框架DJL(Deep Java Library)可以很好解决Spark在深度学习运算中的一些困境。在这个博客中，我们将带领大家了解TalkingData部署的模型，以及他们是如何利用DJL在Apache Spark上实现生产环境部署深度学习模型。这个解决方案最终将之前的生产架构简化，一切任务都可以在Apache Spark轻松运行，总时间也减少了66%。从长远角度上，这显著节省了维护成本。

该博客着重介绍了一种方法，该方法可用于使用协作工具Slack直接地触发AppStream2.0按需扩展规模，而无需使用API或登录AWS控制台。这使管理员和用户的工作更加轻松的管理AppStream2.0。

本文使用了 SageMaker BlazingText 实现了文本多分类。在样本不均衡问题上，使用了回译和 EDA 两个方法对少类别样本进行了过采样处理，其中回译方法调用了 AWS Translate 服务进行了翻译再翻译，而 EDA 方法主要使用同义词替换、随机插入、随机交换、随机删除对文本数据进行处理。 本文也使用了AWS SageMaker 的自动超参数优化来为 BlazingText 的文本分类算法找到最优超参数。

在Amazon SageMaker上以管道模式使用Horovod的多GPU或分布式训练方法，能够为数据集的各个分片创建独立的训练通道并在数据通道内访问对应分片，借此实现大规模模型训练。这种方式能够缩短在实际训练开始之前将数据集传输至训练实例所占用的时间，因此特别适用于具有大规模训练数据集的Amazon SageMaker训练场景。

AWS Lambda 是一种让您在运行代码时无需预置或管理服务器的无服务器计算服务。您只需上传代码，Lambda 就会完成执行及扩展代码的所有工作来实现高可用性。如今，许多 AWS 客户使用此无服务器计算平台来显著提高其在开发和运行应用程序时的工作效率。

本实验介绍了通过EC2 Auto Scaling 生命周期挂钩， Amazon EventBridge和Systems Manager(SSM) Automation，来实现在ASG里的EC2被terminate之前执行命令，生成一个测试文件并把文件压缩,然后上传到S3上。 客户可以根据自己的场景，来替换执行的命令或脚本，从而实现相关的业务需求。

我最近写了一篇帖子，通知 M6g、R6g 和 C6g 系列实例已在 Amazon Elastic Compute Cloud (EC2) 上推出。与 x86 实例相比，这些实例的性价比更好。这些实例基于由 AWS 设计的 AWS Graviton2 处理器，利用 64 位 Arm Neoverse N1 内核。 相较于之前的 M5和 R5 数据库实例类型，您从现在开始可以受益于 Amazon Relational Database Service (RDS) 数据库的出色性价比，同时可利用面向 RDS 的 AWS Graviton2 处理器。您可以在 M6g 和 R6g 实例系列及三种数据库引擎中选择（MySQL 8.0.17 及更高版本、MariaDB 10.4.13 及更高版本和 PostgreSQL 12.3 及更高版本）。 M6g 实例非常适合通用工作负载。R6g 实例提供的内存比 M6g 实例多 […]

最近发布 Amazon ElastiCache 的 Redis 5.0 兼容版之后，Amazon ElastiCache for Redis 增加了很多改进功能，包括 5.0.6 等上游支持。

在我们推出 Amazon S3 后一年左右，我参加了一次技术会议，在乘坐电梯时听到几位开发人员谈论，他们解决数据存储挑战的办法是“将其扔到 S3 中”。那一刻我记得非常清楚，因为听到这些意见非常偶然，而且这也是我最早被 S3 的快速普及完全震撼到的时刻之一。

时间序列是一种十分常见的数据格式，用于描述事物如何随时间的变化。最常见的时间序列数据来源包括工业机器和物联网设备、IT 基础设施堆栈（如硬件、软件和网络组件）以及共享其随时间变化的结果的应用程序。由于其数据模型不适合于通用数据库，要高效地管理时间序列数据绝非易事。