亚马逊AWS官方博客
Tag: 使用指南
如何使用 Kubecost 跟踪多租户 Amazon EKS 集群中的运营成本
在本文中,我们挖地 如何在共享EKS环境中使用Kubecost跟踪成本。如果您选择硬多租户机制,则可以使用各个集群内的不同Kubecost实例对工作负载分别进行成本跟踪。此外,您也可以升级至Kubecost付费版本,通过单一仪表板对多个集群进行成本可视化与资源使用跟踪。
配合 AWS Lambda 使用 Amazon RDS Proxy
RDS Proxy能够建立起指向数据库的热连接池,借此帮助您管理从Lambda到RDS数据库的大量连接。您的Lambda还可以根据业务需求任意扩展,由RDS Proxy随时为大量并发应用程序请求提供支持。这不仅降低了对于数据库CPU及内存资源的需求,同时也消除了在代码中添加连接管理逻辑的复杂因素。最后,感兴趣的朋友请点击此处参阅RDS Proxy的费率标准。
用 PyTorch 和 DJL 做涂鸦识别的小游戏
在这个文章中,我们将尝试通过PyTorch预训练模型在在安卓平台构建一个涂鸦绘画的应用。由于总代码量会比较多,我们这次会挑重点把最关键的代码完成。你可以后续参考我们完整的项目进行构建。
在基于 AWS Inferentia 的 Inf1 实例上部署 TensorFlow OpenPose,借此显著提高资源性价比
在本文中,我们分步完成了对OpenPose TensorFlow版开源模型的编译,更新自定义端到端图像处理管道,并体验了能够在EC2 Infi1实例之上对ML推理时间做出分析及深度优化的工具。在调优之后,Neuron编译的TensorFlow模型较现有费率最低的GPU实例实现72%的成本节约,且性能仍旧保持一致。本文中阐述的各项操作步骤,也适用于其他ML模型类型与框架。关于更多详细信息,请参阅AWS Neuron SDK GitHub repo。
使用 Prometheus 与 Grafana 对 Amazon EMR上的分析类工作负载进行监控与优化
本文介绍了如何使用Prometheus与Grafana设置监控系统,借此监控目标EMR集群;以及如何使用Grafana仪表板查看关键指标以优化各类性能问题。大家也可以在Prometheus中设置警报,保证系统在发生严重问题时发出通知,并参考仪表板以缩小故障排查范围。您还可以根据需求扩展这套监控系统,利用它监控多个EMR集群及其他应用程序,打造出一套完整的、覆盖整体基础设施与应用程序的一站式指标监控系统。
使用 Amazon Personalize 与 Braze 个性化推荐功能优化营销活动参与度
时至今日,营销人员正通过各类消息力争吸引到客户的注意力,这也意味着大家必须能够在正确的时间、以正确的渠道将正确的消息传递给明确定位的正确用户。Braze为前三项难题提供解决方案,而大家也可以将Braze Connected Content与Amazon Personalize集成起来以攻克最后一个挑战,真正整理出能够反映每一位客户当前偏好、具有高度个性化的产品与内容建议。
使用 Amazon Connect 创建高可用性多区域 Amazon Lex 机器人
配合Amazon Lex提供的自助服务,Amazon Connect将帮助您轻松创建便捷直观的客户服务体验。本文提供一种跨区域形式的高可用性实现方法,保证能够在某一区域中的机器人或支持实现API不可用时,使用来自其他区域的资源以继续响应客户呼叫。
通过个性化在线体育内容提升用户参与度
Amazon Personalize为我们开启了新世界的大门,我们也对首次迈入ML领域感到无比激动。我们发现,将经过训练的模型纳入我们的工作流程其实非常简单易行。与使用Amazon Personalize相比,更耗费时间的反而是选择正确的KPI并捕捉必要数据,借此证明本轮试验的实际有效性。
使用 AWS Lake Formation 配合 Amazon EMR 控制数据访问与权限
数据的使用在数据格式和规模两个方面已经取得了快速的发展。对不同技术(关系数据库、NoSQL、图数据库、明文文件等)进行管理则会显著增加运营开销。随着竞争烈度的提升,数据规模也将随业务推进而飞速发展,带来更大的计算与存储资源压力。这一切,都迫使组织需求通往更高敏捷性与速度水平的道路。
使用运行在 Amazon EC2 G4 实例上的 Amazon EMR,提升 RAPIDS XGBoost 性能并降低运营成本
数据的使用在数据格式和规模两个方面已经取得了快速的发展。对不同技术(关系数据库、NoSQL、图数据库、明文文件等)进行管理则会显著增加运营开销。随着竞争烈度的提升,数据规模也将随业务推进而飞速发展,带来更大的计算与存储资源压力。这一切,都迫使组织需求通往更高敏捷性与速度水平的道路。