亚马逊AWS官方博客

Tag: 最新发布

AWS IoT Device Defender 现已推出 – 确保互联设备安全

今天,我想为大家介绍一下 AWS IoT Device Defender。这一全新的完全托管式服务(最初在 re:Invent 大会上发布)将帮助您确保互联设备安全无忧。它会审核您的设备机组、检测异常行为,并针对发现的任何问题推荐缓解措施。它支持大规模工作,支持包含多种类型设备的环境。

Read More

使用 Application Load Balancer 内置的身份验证功能简化登录流程

Application Load Balancer (ALB) 提供内置的身份验证功能。ALB 现在可以在用户访问应用程序时安全对其进行身份验证,开发人员不必再编写支持身份验证的代码,也不必承担从后端进行身份验证的责任了。我们的团队构建了一个非常精彩的演示示例,您可以利用该实例尝试身份验证功能。

Read More

Amazon EC2 实例更新 – 更快的处理器,更多内存

本文向大家介绍已经在开发并且将很快推出的三种新的 Amazon EC2 实例类型:Z1d — 计算密集型实例,采用稳定的全内核睿频加速技术,最高工作频率可达 4.0 GHz,是电子设计自动化 (EDA) 和关系数据库工作负载的理想选择,此外也非常适合多种类型的 HPC 工作负载; R5 — 内存优化型实例,采用稳定的全内核睿频加速技术,最高工作频率可达 3.1 GHz,与 R4 实例相比,vCPU 数量最高增加 50%,内存容量最高增加 60%; R5d — 内存优化型实例,配备本地 NVMe 存储(最大型号的 R5d 实例本地存储容量最高可达 3.6 TB),型号和规格与 R5 实例相同。

Read More

Amazon SageMaker 增加批量转换功能和适用于 TensorFlow 容器的管道输入模式

AWS 推出了两个新的 Amazon SageMaker 功能:一是批量转换功能,这是一种新的批量推断功能,客户可以通过它对 PB 级的数据进行非实时场景预测;二是适用于 TensorFlow 容器的管道输入模式。SageMaker 依然是 AWS 最受欢迎的服务之一,此博客和机器学习博客都对它进行了非常广泛的介绍。事实上,要赶上 SageMaker 团队快速的创新步伐是一件较为困难的事情。自上一篇有关 SageMaker 自动模型调整和超参数优化功能的博客发布以来,该团队已经推出了 4 种新的内置算法和许多的新功能。下面我们来看新推出的批量转换功能。

Read More

Amazon Polly 更新 – 时间驱动的韵律和异步合成

今天,我们将推出 Amazon Polly 的两项新功能:1.时间驱动的韵律 – 现在,您可以为同部分或全部输入文本相对应的合成语音指定所需的持续时间。2.异步合成 – 现在,您可以处理大量文本,并在 Amazon S3 中使用单个调用存储合成的语音。以上两种功能现已推出,您可以立即开始使用。

Read More

使用AWS 媒体服务构建全球直播解决方案

作为全球云服务的领导者,AWS始终在创新的路上飞驰,仅2017年一年AWS就发布了1300多项新的服务、功能或者特性,这其中就包括在2017年reInvent上发布的5个全新的媒体服务,MediaConvert, MediaLive, MeidaPackage, MediaStore和MediaTailor,这些完全托管的服务,使得用户可以在云中轻松构建具有广播品质的可靠视频工作流。用户在构建互联网视频,OTT视频业务的时候直接在AWS控制台上即可启动直播,转码,存储,广告插入等广播级的业务流程,可以按照使用量即用即付,随时启停,而无需前期投入购买昂贵的设备资产,无需进行基础架构运维的成本投入,。AWS平台具有全球部署能力,可以分分钟将业务扩展到全球各个区域。

Read More

Gluon 简介:AWS 和 Microsoft 合作推出的新机器学习库

作者:Matt Wood 博士 今天,AWS 和 Microsoft 联合发布了 Gluon – 一种新的开源深度学习接口,可帮助开发人员更轻松、更快速地构建机器学习模型,而不牺牲任何性能。Gluon 采用一系列预先构建并经过优化的神经网络组件,为定义机器学习模型提供清晰、简洁的 API。刚刚接触机器学习的开发人员会发现此接口更像传统代码,因为他们可以像使用任何其他数据结构那样定义和操作机器学习模型。经验丰富的数据科学家和科研人员也会发现它的宝贵价值:快速构建原型和利用动态神经网络图实现全新模型架构,而又不减缓训练进度。Gluon 现已在 Apache MXNet 中可用,日后将“进驻”Microsoft Cognitive Toolkit 及其他架构。 神经网络与开发人员 使用神经网络的机器学习 (包括“深度学习”) 包含三个主要部分:训练数据、神经网络模型和训练神经网络的算法。您可以将神经网络看成是一种有向图:它有一系列输入 (数据),通过一系列连接的层和权重连接到一系列输出 (预测)。在训练期间,算法根据网络输出中的错误调整网络中的权重。这就是网络学习的过程 – 一种可能需要持续数天时间的内存和计算密集型过程。Caffe2、Cognitive Toolkit、TensorFlow 以及 Apache MXNet 等深度学习框架能够部分解决“如何加快这一过程?”的难题。与数据库中的查询优化器一样,训练引擎越了解网络和算法,越能更好地优化训练过程 (例如,它可以根据其他部分的改变,推断需要重新计算图中的哪些部分并跳过不受影响的权重,从而加快训练进度)。此外,这些框架还提供并行功能,可通过分发计算过程来减少总体训练时间。但是,要实现上述优化,大多数框架要求开发人员完成一些额外工作:首先,提供网络图形式定义,然后“定图”并调整权重。网络定义可能极其庞大而复杂 (包含数百万个连接),通常必须手动构建。深度学习网络十分“笨重”,难以调试,因而很难在项目间复用代码。 这种复杂性可能会令初学者“无从下手”,对经验丰富的科研人员来说也是一项耗时的任务。AWS 在 MXNet 中尝试了一些更灵活易用的新方法定义和训练神经网络。Microsoft 也是开源项目 MXNet 的开发者,对部分新想法感兴趣。于是我们进行了沟通,结果发现双方抱持几乎相同的愿景:借助此类技术降低机器学习的复杂性,让更多的开发人员能够轻松发挥其强大威力。 Gluon 特点:动态图,快速迭代,可扩展训练 Gluon 包含四大创新。 友好的 API:可以使用简单、清晰、简洁的代码定义 Gluon 网络 – 相比某些更晦涩、更形式化的网络及相关加权评分函数定义方法,这更易于开发人员学习,理解难度大幅降低。 动态网络:Gluon 中的网络定义是动态的:它可以像任何其他数据结构一样“收缩和扩展”。这有别于更常见的形式化网络符号定义 (既深度学习框架要求必须保持网络定义不变,才能在训练期间有效地优化计算)。相比之下,动态网络更容易管理。借助 Gluon,开发人员可以在定义网络和算法时轻松混用快速的符号表示和更友好、动态的“命令式”定义。 […]

Read More