Amazon SageMaker 功能

Amazon SageMaker Ground Truth 可帮助客户使用机器学习快速构建高度准确的训练数据集，并将数据标记成本降低多达 70％。成功的机器学习模型的训练方式是，使用经过标记的数据来教会模型如何做出正确的决策。此过程通常需要大量人员花费数月的时间才能完成。SageMaker Ground Truth 提供了一种创新的解决方案，可以降低成本和复杂性，同时通过将机器学习与称为主动学习的人工标记流程相结合来提高数据标记的准确性。 

了解更多

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 、PyTorch 和 Chainer 的库。 

Amazon SageMaker 会自动配置和优化 TensorFlow、Apache MXNet、Chainer、PyTorch、Scikit-learn 和 SparkML，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。

除传统的监督和自主学习外，Amazon SageMaker 还支持强化学习。SageMaker 现在具有内置、完全托管的强化学习算法，包括学术文献中的一些最新和最佳表现的算法。SageMaker 在多个框架（包括 TensorFlow 和 MXNet）以及为强化学习从头设计的更新的框架（如 Intel Coach 和 Ray RL）中都支持 RL。支持多个 2D 和 3D 物理特性模拟环境，包括基于开源 OpenGym 接口的环境。此外，SageMaker RL 将允许您使用 Amazon Sumerian 和 Amazon RoboMaker 中内置的虚拟 3D 环境进行训练。为帮助您入门，SageMaker 还提供了一系列示例笔记本和教程。 

Amazon SageMaker 中的开源 Apache MXNet 和 Tensorflow Docker 容器在 Github 上可用。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。

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。 

Amazon SageMaker Neo 使机器学习模型训练一次即可在云和边缘站点中的任何位置运行。通常，优化机器学习模型以在多个平台上运行是极其困难的，因为开发人员需要针对每个平台的特定硬件和软件配置手动调整模型。Neo 通过以下方式消除了这方面所需的时间和工作：自动优化 TensorFlow、MXNet、PyTorch、ONNX 和 XGBoost 模型以立即部署在 ARM、Intel 和 Nvidia 处理器上。Neo 很快将实现对 Cadence、Qualcomm 和 Xilinx 硬件的支持。您可以从 SageMaker 控制台访问 SageMaker Neo，只需单击几下，就可以生成针对云实例或边缘设备进行了优化的模型。优化过的模型运行速度最多可快两倍，并且所消耗的资源少于传统模型的存储空间的百分之一。 

了解更多

利用 Amazon SageMaker Search，您能够从可能成千上万的 Amazon SageMaker 模型训练任务中查找最相关的模型训练运行并加以评估。SageMaker Search 目前通过 Amazon SageMaker 的 AWS 管理控制台和 AWS 开发工具包 API 提供了试用版。

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。 

Amazon SageMaker 使您可以部署推理管道，从而能传递原始输入数据并对实时和批量推理请求执行预处理、预测和后处理。推理管道可以由可在 Amazon SageMaker 上使用的任何机器学习框架、内置算法或自定义容器组成。您可以使用 Amazon SageMaker 的 SparkML 和 Scikit-learn 框架容器中提供的一套功能转换器构建功能数据处理和功能工程管道，并将这些功能转换器作为推理管道的一部分部署，以重用数据处理代码并更轻松地管理机器学习流程。