Conteneurs AWS Deep Learning

Configurez rapidement vos environnements de Deep Learning grâce à des images de conteneurs optimisées et préempaquetées

Les conteneurs AWS Deep Learning (AWS DL) sont des images Docker préinstallées avec des frameworks de Deep Learning destinées à faciliter le déploiement rapide d'environnements de Machine Learning personnalisés. La simplification et l’accélération s’expliquent par l’élimination des tâches complexes de création et d’optimisation de vos environnements de A à Z. Les conteneurs AWS DL prennent en charge actuellement TensorFlow et Apache MXNet, et bientôt PyTorch et d’autres frameworks de Deep Learning. Vous pouvez déployer les conteneurs AWS DL sur Amazon Elastic Container Service for Kubernetes (Amazon EKS), les Kubernetes autogérés, Amazon Elastic Container Service (Amazon ECS) et Amazon EC2. Les conteneurs sont disponibles gratuitement via Amazon Elastic Container Registry (Amazon ECR) et AWS Marketplace. Vous ne payez que pour les ressources que vous utilisez. Démarrez avec un didacticiel

Les conteneurs Docker sont un moyen courant de déployer des environnements de Machine Learning personnalisés s’exécutant de manière harmonieuse dans plusieurs environnements. Cependant, créer et tester des images de conteneurs pour le Deep Learning est fastidieux et source d’erreurs. L’opération peut en outre durer des jours en cas de problèmes de dépendance logicielle et de compatibilité de versions. Les images ainsi créées doivent également être optimisées en vue de la distribution et de la mise à l’échelle des charges de travail de Machine Learning sur un cluster d’instances. Cette tâche requiert une expertise avérée en la matière. L’ensemble du processus doit être répété lors de la publication de mises à jour des frameworks. Il s’agit donc d’un gros œuvre indifférencié chronophage pour les développeurs qui ralentit votre rythme de l’innovation.

Les conteneurs AWS DL fournissent des images Docker préinstallées et testées avec les dernières versions des frameworks de Deep Learning courants et les bibliothèques requises. Les conteneurs AWS DL sont livrés optimisés pour la distribution efficiente des charges de travail de Machine Learning sur les clusters d’instances sur AWS, ce qui garantit directement des performances et une scalabilité élevées.

Présentation des conteneurs AWS Deep Learning

Avantages

Commencez à créer immédiatement

Utilisez des images Docker préempaquetées pour déployer des environnements de Deep Learning en quelques minutes seulement. Les images contiennent les bibliothèques de frameworks de Deep Learning (actuellement TensorFlow et Apache MXNet) et les outils requis. Ces images sont entièrement testées. Vous pouvez facilement ajouter vos propres bibliothèques et outils à ces images afin d’obtenir un niveau de contrôle plus élevé sur le traitement des données, la surveillance et la conformité. Pour en savoir plus, consultez la page consacrée aux images de conteneurs AWS Deep Learning.

Obtenez automatiquement des performances optimales

Les conteneurs AWS DL intègrent des optimisations et améliorations AWS relatives aux dernières versions de frameworks courants, par exemple TensorFlow et Apache MXNet, et aux bibliothèques. L’objectif étant de fournir des performances optimales pour la formation et l’inférence dans le cloud. Par exemple, les optimisations TensorFlow d’AWS permettent d’utiliser des modèles pour doubler la vitesse de formation via l’amélioration signification de la mise à l’échelle du GPU.

Intégrez rapidement le Machine Learning à vos applications Kubernetes

Les conteneurs AWS DL sont conçus pour fonctionner avec Kubernetes sur Amazon EC2. Si vos applications ont été déployées sur Kubernetes à l’aide d’Amazon EC2, vous pouvez rapidement intégrer le Machine Learning sous forme de microservices à ces applications, et ce en utilisant les conteneurs AWS DL.

Gérez en toute simplicité vos flux de travail de Machine Learning

Les conteneurs AWS DL sont étroitement intégrés à Amazon EKS et Amazon ECS, ce qui garantit choix et flexibilité dans la création de flux de travail de Machine Learning pour la formation, la validation et le déploiement. Grâce à cette intégration, Amazon EKS et Amazon ECS peuvent prendre en charge l’ensemble de l’orchestration de conteneurs nécessaires pour déployer et mettre à l’échelle les conteneurs AWS DL sur des clusters de machines virtuelles.

Les conteneurs AWS DL prennent actuellement en charge TensorFlow et Apache MXNet, et bientôt PyTorch et d’autres frameworks.

TensorFlow
Prise en charge de TensorFlow
Apache MXNet
Prise en charge d’Apache MXNet

Clients

Wix

« Les conteneurs Deep Learning ont augmenté de 20 % notre rythme de production. Auparavant, notre délai de mise sur le marché était ralenti par les tâches nécessaires pour déployer en production les modèles développés par nos spécialistes des données. En général, ces derniers travaillaient avec des AMI AWS Deep Learning, et notre équipe chargée du déploiement utilisait des conteneurs Docker en production. Dans ce contexte, garantir la parité entre les environnements de recherche et ceux de production était chronophage et source d’erreurs. Désormais, avec les conteneurs AWS Deep Learning, nous pouvons utiliser le même environnement TensorFlow stable et optimisé tout au long de notre circuit de développement, de la recherche à la production en passant par la formation. »


Accenture

«Chez Accenture, nos spécialistes des données innovent au profit de nos clients en créant des applications de Deep Learning dédiées à la vision par ordinateur et au traitement du langage naturel dans une variété de domaines, par exemple les télécommunications et le secteur des ressources. Notre équipe est plus productive, et nous utilisons les conteneurs Docker pour rapidement former et déployer nos modèles. Notre rythme de production est ralenti par la répétition des tâches de création et de mise à jour des images de conteneurs à l’aide de frameworks et de bibliothèques de Deep Learning. Par ailleurs, nous perdons des jours précieux en cas de problèmes de compatibilité et de dépendance. Désormais, avec les conteneurs Deep Learning, nous avons accès aux images de conteneurs prêtes à l’emploi, ce qui optimise nos performances sur AWS. » 


Patch'd

« Chez Patch’d, nous utilisons le Deep Learning pour détecter les cas d’apparition précoce de septicémie. Les conteneurs Docker sont pour nous un moyen de multiplier par 10 nos circuits de Deep Learning existants, ce qui nous permet de tester de manière simple, rapide et flexible des centaines de modèles. Nous souhaitons cependant éviter de consacrer un temps précieux à la science et à l’ingénierie des données aux fins de configuration et d’optimisation des environnements Docker destinés au Deep Learning. Avec les conteneurs Deep Learning, nous pouvons configurer gratuitement des environnements TensorFlow optimisés en quelques minutes seulement.

Articles de blog et autres articles

Nouveauté - Conteneurs AWS Deep Learning
27 mars 2019
 
 
Best Practices for Optimizing Distributed Deep Learning Performance on Amazon EKS (Meilleures pratiques pour optimiser les performances de Deep Learning distribué sur Amazon EKS)
1 mai 2019
 
GPU workloads on AWS Batch (Charges de travail GPU sur AWS Batch)
4 avril 2019
 
 
Product-Page_Standard-Icons_01_Product-Features_SqInk
Découvrir les ressources du produit

En savoir plus sur les conteneurs AWS DL.

En savoir plus 
Créer gratuitement un compte AWS
Créer gratuitement un compte

Obtenez un accès instantané à l'offre gratuite d'AWS. 

S'inscrire 
Commencez à créer avec les conteneurs Deep Learning
Commencez à créer sur la console

Commencez à utiliser les conteneurs AWS DL sur Amazon EC2.

Essayez maintenant