AWS Deep Learning-Container

Richten Sie schnell Deep-Learning-Umgebungen mit optimierten, vorgepackten Container-Images ein

AWS Deep Learning Containers (AWS DL Containers) sind Docker-Images, die mit Deep-Learning-Frameworks vorinstalliert sind, um die schnelle Implementierung von benutzerdefinierten Machine-Learning-Umgebungen (ML) zu vereinfachen, indem Sie den komplizierten Prozess der Erstellung und Optimierung von Umgebungen überspringen. AWS DL Containers unterstützen TensorFlow, PyTorch und Apache MXNet. Sie können AWS DL Containers auf Amazon SageMaker, Amazon Elastic Kubernetes Service (Amazon EKS), selbstverwalteten Kubernetes auf Amazon EC2, Amazon Elastic Container Service (Amazon ECS) bereitstellen. Die Container sind über die Amazon Elastic Container Registry (Amazon ECR) und AWS Marketplace kostenlos erhältlich – Sie zahlen nur für die von Ihnen verwendeten Ressourcen. Starten Sie mit diesem Tutorial.

Docker-Container sind ein beliebter Weg, um benutzerdefinierte ML-Umgebungen bereitzustellen, die konsistent in mehreren Umgebungen ausgeführt werden. Aber die Erstellung und das Testen von Container-Images für Deep Learning ist ein schwieriger, fehleranfälliger Prozess und kann aufgrund von Softwareabhängigkeiten und Versionskompatibilitätsproblemen Tage in Anspruch nehmen. Diese Images müssen auch optimiert werden, um ML-Workloads effizient über einen Cluster an Instances hinweg zu verteilen und zu skalieren. Dies erfordert besonderes Fachwissen. Der Prozess muss dann wiederholt werden, wenn Framework-Updates veröffentlicht werden. All das sind undifferenzierte Routineaufgaben, die wertvolle Entwicklerzeit aufbrauchen und Ihr Innovationstempo verlangsamen.

AWS DL Container bieten Docker-Images, die vorinstalliert und mit den neuesten Versionen beliebter Deep-Learning-Frameworks sowie den erforderlichen Bibliotheken getstet wurden. AWS DL Containers sind für die effiziente Distribution von ML-Workloads auf Clustern von AWS-Instances optimiert, damit Sie direkt von hoher Leistung und Skalierbarkeit profitieren.

Einführung in die AWS Deep Learning Container

Vorteile

Sofort mit der Entwicklung beginnen

Verwenden Sie die vorgepackten Docker-Images, um innerhalb von Minuten Deep-Learning-Umgebungen bereitzustellen. Die Images enthalten die erforderlichen Deep-Learning-Framework-Bibliotheken (aktuell TensorFlow, PyTorch und Apache MXNet) und Tools und sind vollständig getestet. Sie können leicht Ihre eigenen Bibliotheken und Tools hinzufügen, um Überwachung, Compliance und Datenverarbeitung genauer zu steuern. Weitere Informationen finden Sie unter AWS Deep Learning Container Images.

Erhalten Sie automatisch die beste Leistung

AWS DL Containers enthalten AWS-Optimierungen und -Verbesserungen für die aktuellsten Versionen beliebter Frameworks wie TensorFlow, PyTorch und Apache MXNet sowie Bibliotheken, um die höchste Leistung für Training und Inferenz in der Cloud zu liefern. Zum Beispiel gestatten AWS TensorFlow-Optimierungen es Modellen, mithilfe stark verbessert GPU-Skalierung bis zu doppelt so schnell zu trainieren.

Fügen Sie schnell Machine Learning zu Kubernetes-Anwendungen hinzu

AWS DL Container sind für die Kompatibilität mit Kubernetes auf Amazon EC2 entwickelt. Wenn Sie Anwendungen auf Kubernetes mit Amazon EC2 bereitgestellt haben, können Sie mit den AWS DL Containern schnell Machine Learning als Microservices zu diesen Anwendungen hinzufügen.

Verwalten Sie ganz leicht Machine-Learning-Workflows

AWS DL Containers sind eng in Amazon SageMaker, Amazon EKS und Amazon ECS integriert. So haben Sie Auswahl und Flexibilität zur Entwicklung individueller Machine-Learning-Workflows für Training, Validierung und Bereitstellung. Mit dieser Integration übernehmen Amazon EKS und Amazon ECS die gesamte Container-Orchestrierung, die zur Bereitstellung und Skalierung der AWS DL Container auf Clustern von virtuellen Maschinen erforderlich ist.

AWS DL Containers unterstützen TensorFlow, PyTorch und Apache MXNet.

TensorFlow
TensorFlow-Unterstützung
PyTorch
PyTorch-Unterstützung
Apache MXNet
Apache MXNet-Unterstützung

Kunden

Wix

„Deep-Learning-Container beschleunigen unsere Arbeit um 20 %. Zuvor wurde unsere Markteinführunszeit durch die Zeit behindert, die zur Bereitstellung von durch Datenwissenschaftlern entwickelten Modellen in der Produktion benötigt war. Datenwissenschaftler haben in der Regel mit AWS Deep Learning AMIs gearbeitet und unser Bereitstellungsteam hat Docker-Container in der Produktion verwendet. Die Übereinstimmung zwischen den Forschungs- und Produktionsumgebungen zu gewährleisten gestaltete sich zeitraubend und fehleranfällig. Jetzt können wir mit AWS Deep Learning Containern die gleiche optimierte und stabile TensorFlow-Umgebung in der gesamten Pipeline nutzen, von der Forschung über Training bis zur Produktion.“


Accenture

„Bei Accenture entwickeln unsere Datenwissenschaftler für unsere Kunden Innovationen, indem sie Deep-Learning-Anwendungen in den Bereichen Computervision und natürliche Sprachverarbeitung für unterschiedlichste Branchen wie Telekommunikation und Ressourcen erstellen. Unser Team arbeitet schnell und wir nutzen Docker-Container, um Modelle schnell zu trainieren und bereitzustellen. Unser Arbeitstempo wird durch die wiederholte Erstellung und Pflege von Container-Images mit Deep-Learning-Frameworkrs und -Bibliotheken verlangsamt. Das kostet uns wichtige Tage, wenn es zu Kompatibilitäts- oder Abhängigkeitsproblemen kommt. Jetzt haben wir mit Deep Learning Container zugang zu Container-Images, die sofort einsatzbereit sind und uns optimierte Leistung auf AWS liefern.“ 


Patch'd

„Bei Patchd nutzen wir Deep Learning, um Sepsis im Anfangsstadium zu erkennen. Wir sehen Docker-Container als Weg, unser bestehenden Deep-Learning-Pipelines um ein Zehnfaches zu optimieren. So haben wir einen schnellen und flexiblen Weg, hunderte Modelle einfach zu testen. Wir möchten aber nicht die wertvolle Zeit unserer Datenwissenschaftler und Techniker zur Einrichtung und Optimierung von Docker-Umgebungen für Deep Learning vergeuden. Mit Deep Learning Containern können wir optimierte TensorFlow-Umgebungen innerhalb von Minuten und ohne Kosten einrichten.“

Blog-Beiträge & Artikel

Neu – AWS Deep Learning Container
27. März 2019
 
 
Best Practices für Optimized Distributed Deep Learning Performance auf Amazon EKS
01. Mai 2019
 
GPU-Workloads auf AWS Batch
04. April 2019
 
 
Weitere Informationen zu Deep Learning Containers
Sehen Sie sich die Produktressourcen an

Erfahren Sie mehr über AWS DL Container.

Weitere Informationen 
Für ein kostenloses AWS-Konto registrieren
Für ein kostenloses Konto registrieren

Sie erhalten sofort Zugriff auf das kostenlose AWS-Kontingent. 

Registrieren 
Mit der Entwicklung von Deep Learning Containers beginnen
Beginnen Sie die Erstellung mit Tutorials

Erste Schritte mit AWS DL Containers auf Amazon EC2.

Jetzt ausprobieren