Amazon SageMaker | 亚马逊AWS官方博客

在 Amazon SageMaker Ground Truth 中简化 YOLO 对象检测的数据标记流程

本文介绍了如何在Amazon Ground Truth中为对象检测模型创建高效的端到端数据收集管道。您可以在创建对象检测模型时亲自体验整个操作过程。您也可以修改后期处理注释，以Pascal VOC格式生成带有标签的数据，可用于Faster RCNN等模型。您还可以在适当修改之后，将这套基本框架应用于其他特定于不同作业需求的数据标记管道。例如，您可以重写注释后处理过程改造框架用于实例分割任务，即对各类对象进行像素级标记，而不是本文示例中在对象周边绘制矩形

谁才是一级方程式赛车中的最强车手？

在本文中，我们讲解了F1与Amazon机器学习解决方案实验室的科学家们如何合作创建Fastest Driver——第一套以客观事实与数据资源驱动的分析模型，用于计算F1赛事历史上的最强车手。

新功能 — Amazon SageMaker 管道为您的机器学习项目带来开发运维能力

今天，我非常高兴地宣布推出 Amazon SageMaker 管道，这是 Amazon SageMaker 的一项新功能，可让数据科学家和工程师轻松构建、自动化、并扩展端到端的机器学习管道。

新功能 — 使用 Amazon SageMaker 功能库，存储、发现和共享机器学习功能

今天，我非常高兴地宣布 Amazon SageMaker 功能库，一项 Amazon SageMaker 新功能，它可以使数据科学家和机器学习工程师轻松安全地存储、发现和共享培训和预测工作流程中使用的精选数据。
对于选择正确算法来培训机器学习 (ML) 模型的重要性，经验丰富的从业人员知道提供高质量数据有多么重要。清理数据是很好的第一步，机器学习工作流程通常包括填充缺失值、删除异常值等步骤。然后，他们经常使用被称为“特征工程”的常见技术和难懂的技术进行数据转换。

Amazon SageMaker 利用数十亿个参数简化深度学习模型的训练

今天，我非常高兴地宣布 Amazon SageMaker 简化了大型深度学习模型的训练，而这些模型以前由于硬件限制而难以训练。

新功能 – Amazon SageMaker 中的托管数据并行简化了大型数据集上的训练

随着数据集和模型的规模越来越大、越来越复杂，从事大型分布式训练作业的机器学习 (ML) 从业人员不得不面临越来越长的训练时间，即使在使用 Amazon Elastic Compute Cloud (EC2) p3 和 p4 实例等强大的实例时也是如此。举例来说，使用配备 8 个 NVIDIA V100 GPU 的 ml.p3dn.24xlarge 实例时，需要 6 个多小时在公开可用的 COCO 数据集上训练高级对象检测模型，例如 Mask RCNN 和 Faster RCNN。同样地，在相同实例上训练最新自然语言处理模型 BERT 需要 100 多个小时。我们的一些客户，例如自动驾驶汽车公司，经常要在大型 GPU 集群上处理运行数天的更大型训练作业。
可以想象，这些长时间的训练是机器学习项目的严重瓶颈，影响了生产效率并减缓了创新。客户向我们寻求帮助，而后我们就行动了。