亚马逊AWS官方博客

此解决方案使用 Amazon SageMaker，它可以帮助开发人员和数据科学家构建、训练和部署 ML 模型。Amazon SageMaker 是一项完全托管的服务，涵盖了 ML 的整个工作流，可以标记和准备数据、选择算法、训练模型、调整和优化模型以便部署、预测和执行操作。
可以使用Amazon SageMaker Jupyter Notebook 端到端应用此解决方案。有关更多信息，请参阅 GitHub 存储库。

今天，Amazon Web Services (AWS) 宣布推出 Amazon Rekognition 自定义标签。借助 Amazon Rekognition 的这项新功能，客户可以建立自己的基于专业机器学习 (ML) 的图像分析能力，在其特定的用例中鉴别独特的对象和场景。例如，客户无需任何ML专长，在使用 Amazon Rekognition 来识别图像中的机器部件时，可以用少量添加了标签的图像集进行训练，即可鉴别出“涡轮增压器”和“变矩器”。客户不再需要从头开始训练模型，这意味着无需专业的机器学习知识以及数以百万计的高质量带标签图像，只需使用 Amazon Rekognition 自定义标签功能即可快速满足其独特的图像分析需求。

本文主要包括如何开始使用OTA部署工具，以及OTA工具适合的各种场景。

2019 年 11 月，我们宣布推出适用于 Amazon DynamoDB 的 Amazon CloudWatch Contributor Insights 的预览版，今天，我很高兴地宣布它在所有 AWS 区域正式推出。

Amazon CloudWatch Contributor Insights 今天已正式推出，它是一项新功能，可帮助在 CloudWatch Logs 中简化时间序列数据前 N 个贡献因素的分析，从而有助于您更加快速的实时大规模了解影响系统和应用程序性能的人或物。它通过帮助您了解造成操作问题的原因及最受影响的人或物来为您在操作问题期间节省时间。Amazon CloudWatch Contributor Insights 还可以帮助进行系统和业务优化的持续分析，因为它一眼就能轻松发现异常对象、性能瓶颈、主要客户或利用最多的资源。除了日志之外，Amazon CloudWatch Contributor Insights 还可以与 CloudWatch 产品组合中的其他产品结合使用，包括指标和警报。

自从我们在七年多以前推出云数据仓库服务 Amazon Redshift 以来，已经有数以万计的客户使用此服务构建了自己的工作负载。我们一直非常重视客户的反馈，并且在去年 12 月份，我们宣布我们的第三代 RA3 节点类型将能够单独扩展计算和存储容量。上一代 DS2 和 DC2 节点的存储容量是固定的，需要增加集群中节点的数量才能提高存储容量。借助新的 RA3 节点，您可以首先确定支持工作负载所需的计算容量，然后根据您的需求扩展存储容量。RA3 系列实例的第一个成员是 ra3.16xlarge，许多客户反馈这种实例非常神奇，但超过了他们工作负载的需要。今天，我们的 RA3 系列再添一个较小的成员：ra3.4xlarge。

本文是教您如何优化GPU实例的第二篇博文。

今天我和大家谈一谈企业转型，这个古老却永恒的话题。

2019年12月，AWS re:Invent 全球技术大会在美国拉斯维加期举行，本次大会的主题是转型。AWS CEO 安迪•杰西（Andy Jassy）在大会主题演讲中，围绕着云转型，从六个方面做出了阐述：1、领导层协调一致；2、技术的深度和广度；3、架构和应用的现代化；4、规模化使用数据；5、采用机器学习创新；6、突破云迁移的阻碍。在接下来的文章里，我将为大家做一些分享和解读。

AWS CEO Andy Jassy在re:Invent技术大会主题演讲中，围绕着转型从六个方面做了阐述：1、领导层协调一致；2、技术的深度和广度；3、架构和应用的现代化；4、规模化使用数据；5、采用机器学习创新；6、突破云迁移的阻碍。今天我和您分享第二部分，讲讲AWS云计算技术的深度和广度。

BERT 和 Mask R-CNN 都是如今最流行的机器学习模型，前者用于自然语言处理 (NLP)，后者用于图像识别。过去几个月来，AWS 大幅改进了底层基础设施、网络和机器学习 (ML) 框架和模型代码，从而实现了这两个模型训练速度的提高。现在我们可以宣布在云中实现了迄今最快的 TensorFlow、MXNet 和 PyTorch 框架的训练速度。借助这些硬件和软件优化，您现在可以以同样的速度和效率训练您的模型。