Amazon SageMaker 是一项完全托管的服务，支持开发人员和数据科学家构建、训练和部署机器学习模型。
Amazon SageMaker 包括三个模块：构建、训练和部署。构建模块提供了一个托管环境，用于处理您的数据、进行算法实验和呈现输出结果。训练模块可实现大规模、低成本的一键式模型训练和优化。部署模块提供了一个托管环境，便于您托管和测试模型，以低延迟安全地执行推断。
构建
Amazon SageMaker 提供完全托管的实例，其运行的是 Jupyter 笔记本，用于进行数据探索和预处理训练。这些笔记本已预先加载了适用于常见深度学习平台的 CUDA 和 cuDNN 驱动程序、Anaconda 软件包以及适用于 TensorFlow、Apache MXNet、Chainer 和 PyTorch 的库。
Amazon SageMaker 提供的机器学习算法不仅性能高、可扩展，还针对速度、规模和准确性进行了优化。这些算法可以对 PB 级数据集执行训练，所提供的性能是其他实施方案的 10 倍之高。您可以从监督算法中选择，其中，正确答案会在训练时显示，您也可以在模型出错的位置指示模型。Amazon SageMaker 提供一些监督算法 (如 XGBoost 和线性/逻辑回归或分类)，以解决建议和时间序列预测问题。Amazon SageMaker 还提供对非监督式学习 (也就是说，算法必须自行发现正确答案) 的支持，例如 K 均值集群分析和主成分分析 (PCA)，从而解决基于购买行为识别客户群等问题。
Amazon SageMaker 会自动配置和优化 TensorFlow、Apache MXNet、Chainer 和 PyTorch，因此您无需进行任何设置便可开始使用这些框架，而且我们将在未来的几个月内添加其他大型框架。当然，您始终可以将所需的任何框架添加到 Amazon SageMaker，方法是将其构建到您存储在 Amazon EC2 Container Registry 中的 Docker 容器。
Github 上提供了 Amazon SageMaker 中使用的开源 Apache MXNet 和 Tensorflow Docker 容器。您可以将这些容器下载到本地环境，使用 Amazon SageMaker Python 软件开发工具包测试脚本，然后再部署到 Amazon SageMaker 训练或托管环境。当您已完成本地测试并准备好部署到生产训练和托管环境时，只需更改一行代码即可。
训练
当您准备好在 Amazon SageMaker 中训练时，只需指定数据在 Amazon S3 中的位置，注明所需的 Amazon SageMaker ML 实例类型和数量，然后在控制台中单击一下即可开始。Amazon SageMaker 设置分布式计算集群、执行训练、将结果输出至 Amazon S3，然后在完成后销毁集群。
Amazon SageMaker 可以通过调整数千个不同的算法参数组合来校正您的模型，从而达到模型能够实现的最精准预测。
部署
您可以跨多个可用区在自动扩展的 Amazon ML 实例上一键部署模型以实现高冗余。您只需指定实例类型以及所需的最小和最大数量，Amazon SageMaker 将负责其余工作。它将启动实例、部署您的模型并针对您的应用程序设置安全的 HTTPS 终端节点。您的应用程序只需为该终端节点提供 API 调用，即可实现低延迟/高吞吐量推理。借助此架构，您可以在几分钟内将新模型集成到应用程序，这是因为模型变化不再要求应用程序代码随之变化。
Amazon SageMaker 还可以为您管理模型 A/B 测试。您可以配置终端节点以在多达五个不同模型上传输流量，然后设置您希望每个模型处理的推断调用比例。您可以随时更改所有设置、灵活地做实验，然后确定现实中哪个模型能够生成最精准的结果。
Amazon SageMaker 能够代您管理生产计算基础设施以执行运行状况检查、应用安全补丁并进行其他例行维护，以上操作均需通过内置的 Amazon CloudWatch 监控和日志记录功能实现。
通过批量转换，您可以针对大批量或小批量数据运行预测。无需将数据集拆分为多个区块，也无需管理实时终端节点。使用一个简单的 API，您可以轻松快速地请求对大量数据记录进行预测并转换数据。
