sagemaker 第3页

在谈AI中台之前，为什么你应该了解下Amazon SageMaker？

作者|小葳【划重点】AmazonSageMaker为机器学习开发者提供了一套设施完备的“中央厨房”，开发者无需自己搭建厨房，只要自带食材（训练数据）就可以开始做菜（训练模型）了。透过AmazonSageMaker，可以一瞥机器学习平台的几个发展趋势：机器学习平台的开放性日益重要、MLOps提上日程以及机器学习安全。在国内AI中台混战的格局中，AmazonSageMaker进入中国市场将与整个产业内

AImatters·2022-11-29 06:58

re：Invent十周年，亚马逊云科技诠释探路者精神

从Aurora、RedShift、SageMaker等颠覆性的产品，到自研芯片、公有云延伸、5G云等革命性的理念，re:Invent大会已然成为整个云计算产业的创新风向标。

大数据在线·2022-11-21 03:35

python中maker_在python中使用SageMaker Debugger进行机器学习模型的开发调试

如果你从事软件开发，你就会知道Bug是生活的一部分。当你开始你的项目时，Bug就可能存在，当你把你的产品交付给客户时，Bug也可能存在。在过去的几十年中，软件开发社区已经开发了许多的技术工具、IDE、代码库等来帮助开发者尽早地发现Bug，以避免在产品交付的时候仍旧存在Bug。不幸的是，机器学习开发人员和数据科学家并没有享受到传统软件所提供的强大的调试工具。这就是为什么我们中的许多人在训练脚本中经常

weixin_39785970·2022-11-20 13:57

在Amazon SageMaker上快速、灵活构建TensorFlow模型的在线推理服务

背景介绍当算法工程师在本地使用TensorFlow深度学习框架训练好模型后，会创建模型服务器供应用程序调用实现在线推理。由于部署本身存在一定的复杂性，他们需要考虑如何安装TensorFlowServing相关的依赖，如何实现模型服务的高可用、请求负载均衡、A/B测试、自动伸缩机制等。AmazonSageMaker可以帮助用户快速创建多台模型服务器进行负载均衡，利用云上多可用区的方式实现高可用，并且

亚马逊云开发者·2022-11-20 11:08

机器学习|CooVally — 拒绝模型训练外包

因此，很多个人和组织会把机器学习建模任务外包给外部供应商，包括亚马逊Sagemaker、微软Azure等MLaaS平台以及其他小公司。但这种做法真的安全吗？

Coovally AI模型快速验证·2022-11-19 18:34

使用 Amazon SageMaker Clarify 解释德甲赛况 xGoals

最激动人心的Amazonre:Invent2020公告https://www.youtube.com/watch...之一是新增一项AmazonSageMakerhttps://aws.amazon.com/sagema...功能，帮助检测机器学习(ML)模型中的偏差并解释模型预测：AmazonSageMakerClarifyhttps://aws.amazon.com/sagema...。在当今

·2022-05-25 09:11

使用 Amazon SageMaker 为新用户提供实时音乐推荐

前言这是一篇由来自iHeartRadio的MattFielder和JordanRosenblum撰写的客座博文。用他们自己的话说，“iHeartRadio是一个流媒体音频服务，每个月的用户达数千万，每天的注册人数累计上万。”个性化是用户体验的重要组成部分，我们希望在用户生命周期中尽早提供有用的推荐。注册后直接出现的音乐推荐让我们的用户感觉到，我们可以快速了解到他们的兴趣爱好，从而降低用户流失的可能

·2022-05-24 09:53

amazon白皮书学习 II

SageMaker完全消除了机器学习过程中每个步骤的繁重工作，让开发高质量模型变得更加轻松。传统的ML开发是一个复杂、昂贵、迭代的过程，而且没有任何集成工具可用于整个机器学习

tanyyinyu·2022-05-14 07:13

使用Amazon SageMaker Feature Store存储、发现并共享机器学习特征

前言AmazonSageMakerFeatureStorehttps://aws.amazon.com/sagemaker/feature-store/作为AmazonSageMaker中的一项新功能，

亚马逊云开发者·2022-03-19 08:10

亚马逊云SageMaker免费给你用

过去两年，有三类人对显卡价格特别敏感。一类是游戏党，第二类是挖矿党，还有一类是炼丹党，所谓“炼丹”就是搞学术研究的大佬，或者计算机专业的学生。极端情况下，搞不到GPU做机器学习，搞不好都能影响毕业。不得不说，显卡是真的缺，前不久，杜克大学电子与计算机工程系陈怡然教授发的微博也提到了显卡。他说，有个朋友想从AWS那里申请点免费的GPU资源。甚至还自嘲，“学术界的人，不仅事儿多，还不能给人家提供什么利

·2022-03-11 18:38

在Amazon SageMaker中灵活使用多种存储服务

AmazonSageMaker是一种完全托管的端到端机器学习服务，数据科研人员、开发人员和机器学习专家可以快速、大规模地构建、训练和托管机器学习模型。这极大地推进了您所有的机器学习工作，让您能够将机器学习技术迅速融入生产应用程序。AmazonSageMaker的主要工作组件包括：算法编写、模型训练、模型评估、模型托管等。模型训练是机器学习工作流程中至关重要的一步，而为模型训练提供灵活、高效、准确的

·2022-01-14 14:37

Amazon SageMaker Data Wrangler 简化数据准备过程，助力机器学习

数据准备仍然是机器学习(ML)领域的主要挑战之一。数据科学家和工程师需要编写查询和代码以从源数据存储中获取数据，然后编写查询来转换这些数据，以创建用于模型开发和训练的特征。所有这些数据管道开发工作并不关注机器学习模型的构建，而是侧重于构建向模型提供数据所需的数据管道。AmazonSageMakerDataWrangler使数据科学家和工程师能够通过使用可视界面更轻松地在开发机器学习（ML）应用程序

·2022-01-10 20:49

在Amazon SageMaker中灵活使用多种存储服务

AmazonSageMaker是一种完全托管的端到端机器学习服务，数据科研人员、开发人员和机器学习专家可以快速、大规模地构建、训练和托管机器学习模型。这极大地推进了您所有的机器学习工作，让您能够将机器学习技术迅速融入生产应用程序。AmazonSageMaker的主要工作组件包括：算法编写、模型训练、模型评估、模型托管等。模型训练是机器学习工作流程中至关重要的一步，而为模型训练提供灵活、高效、准确的

·2022-01-10 16:56

在Amazon SageMaker上快速、灵活构建Amazon TensorFlow模型的在线推理服务

背景介绍当算法工程师在本地使用AmazonTensorFlow深度学习框架训练好模型后，会创建模型服务器供应用程序调用实现在线推理。由于部署本身存在一定的复杂性，他们需要考虑如何安装TensorFlowServing相关的依赖，如何实现模型服务的高可用、请求负载均衡、A/B测试、自动伸缩机制等。AmazonSageMaker可以帮助用户快速创建多台模型服务器进行负载均衡，利用云上多可用区的方式实现

·2021-12-24 15:56

如何将您的自定义容器镜像导入Amazon SageMaker Studio Notebooks

AmazonSageMakerStudio是第一套用于机器学习（ML）的全集成开发环境（IDE）。AmazonSageMakerStudio可帮助数据科学家们快速启动Studionotebooks以探索数据、构建模型、启动AmazonSageMaker训练作业并部署托管端点。Studionotebooks中随附一组预构建镜像，这些镜像由AmazonSageMakerPythonSDK与IPytho

·2021-12-24 15:56

使用Amazon SageMaker部署CVAT AI自动图像标注系统

背景介绍AmazonSageMaker可以帮助开发人员和数据科学家快速准备构建、训练和部署机器学习（AmazonML）模型的完全托管的云服务。特别AmazonSageMaker提供了一种可扩展且经济高效的方法来部署大量的预先训练好的机器学习模型，借助AmazonSageMaker多容器多模型的部署可以使用单个端点访问的模式提供多种类型的推理服务。而我们都知道在机器学习领域，训练数据集的重要性不言而

·2021-12-24 14:25

Amazon SageMaker Data Wrangler 简化数据准备过程，助力机器学习

数据准备仍然是机器学习(ML)领域的主要挑战之一。数据科学家和工程师需要编写查询和代码以从源数据存储中获取数据，然后编写查询来转换这些数据，以创建用于模型开发和训练的特征。所有这些数据管道开发工作并不关注机器学习模型的构建，而是侧重于构建向模型提供数据所需的数据管道。AmazonSageMakerDataWrangler使数据科学家和工程师能够通过使用可视界面更轻松地在开发机器学习（ML）应用程序

·2021-12-24 14:23

Amazon SageMaker新玩法——定制你的语音识别模型

前言通过语音方式与机器进行交互可以在很多场景下提高效率，也是当下人工智能领域内研究的热点之一。语音识别技术的应用场景可以划分为以车载语音助手为例的车载场景、以智能家居设备的家庭场景等。要实现人与机器间的语音交互，需要首先让机器能够识别声音内容，但通用的语音识别服务无法完全满足不同场景下的需求，因此客户需要根据自己的需求训练模型。本文会为大家展示如何使用AmazonSageMaker服务训练自己的语

·2021-12-23 20:00

实力超越，绝对领先——Amazon SageMaker 在企业 MLOps 平台报告中获得高度肯定

在过去几年中，机器学习(ML)已证明其在帮助组织提高效率和促进创新方面的价值。随着机器学习逐渐成熟，其重点自然会从实验转向生产。机器学习流程需要简化、标准化和自动化，以便以一致和可靠的方式建立、训练、部署和管理模型。安全性、高可用性、扩展、监控和自动化等长期存在的IT问题也变得更为关键。如果出色的ML模型无法为业务应用程序提供全天候、任何规模的快速准确预测，那么它们就不会发挥多大作用。2017年1

·2021-12-23 20:00

通过自动关闭Amazon SageMaker Studio中的闲置资源来节省成本

AmazonSageMakerStudio提供了一个基于Web的统一可视化界面，您可以在其中执行所有机器学习(ML)开发步骤，使数据科学团队的工作效率提高10倍。该Studio还可以为您提供构建、训练和部署模型所需每个步骤的完全访问权限、控制及可见性。Studio笔记本是协作式笔记本，由于不需要事先设置计算实例和文件存储，因此可以快速启动。AmazonSageMaker是一项完全托管式服务，它提供

·2021-12-23 12:10

SageMaker Neo优化目标检测模型加速推理

摘要该文以目标检测模型着手，演示如何一步步基于SageMakerNeo对训练后的模型文件进行编译优化，来提升模型的推理速度。文中以yolo3_mobilenet1.0_coco模型为例，分别演示模型准备，模型Neo编译，模型导出推理测试，可视化等过程，推理结果显示基于SageMakerNeo可以显著提升推理速度，达到一倍以上的加速。想学习更多人工智能与机器学习前沿案例？来2021亚马逊云科技中国峰

·2021-12-23 12:38

在Amazon SageMaker中灵活使用多种存储服务

AmazonSageMaker是一种完全托管的端到端机器学习服务，数据科研人员、开发人员和机器学习专家可以快速、大规模地构建、训练和托管机器学习模型。这极大地推进了您所有的机器学习工作，让您能够将机器学习技术迅速融入生产应用程序。AmazonSageMaker的主要工作组件包括：算法编写、模型训练、模型评估、模型托管等。模型训练是机器学习工作流程中至关重要的一步，而为模型训练提供灵活、高效、准确的

·2021-12-23 12:38

使用 Amazon IoT 和 Amazon SageMaker 进行设备实时预测性维护

物联网（IoT）的一个典型应用场景是能够从传感器数据中获取上下文洞察力，例如分析设备异常或者进行预测性维护，及时给予用户通知。在本文中，我们将专注于通过设备多项指标对设备进行预测性维护，利用机器学习算法，对设备运行状态进行预测，提前发现可能出现的异常，及时进行维护，避免出现严重的生产事故。{方案概述}本文使用机器学习方法进行预测性维护，采用风力发电机模拟数据为示例数据集，利用AmazonSageM

·2021-12-23 12:35

通过Amazon SageMaker与Amazon Step Functions实现机器学习的CI/CD 方案

在传统的机器学习工作流程当中，经常会面临两个问题：（1）数据迭代迅速，需要定期对模型进行重新训练，每次训练完成后，都需要重新部署模型，如何实现训练与部署过程的的自动化，从而提升工作效率；（2）算法团队不断地对算法进行开发与变更，并且需要尝试不同的特征工程，每次变更都需要做单元测试，如何将AmazonSageMaker与CI/CD工具整合，在提升开发效率的同时减少运维团队的工作负担。本文会介绍通过A

·2021-12-22 10:10

在Amazon SageMaker上快速、灵活构建TensorFlow模型的在线推理服务

背景介绍当算法工程师在本地使用TensorFlow深度学习框架训练好模型后，会创建模型服务器供应用程序调用实现在线推理。由于部署本身存在一定的复杂性，他们需要考虑如何安装TensorFlowServing相关的依赖，如何实现模型服务的高可用、请求负载均衡、A/B测试、自动伸缩机制等。AmazonSageMaker可以帮助用户快速创建多台模型服务器进行负载均衡，利用云上多可用区的方式实现高可用，并且

·2021-12-22 10:39

SageMaker管道模式下如何使用Horovod实现多GPU分布式训练

当前，我们可以使用多种技术通过少量数据训练出深度学习模型，具体包括针对图像分类任务的迁移学习、少样本学习甚至是一次性学习等，也可以基于预训练的BERT或GPT2模型对语言模型进行微调。但是，在部分应用用例中我们仍然需要引入大量训练数据。例如，如果当前图像与ImageNet数据集内的图像完全不同，或者当前语言语料库只针对特定领域、而非通用类型，那么单凭迁移学习将很难带来理想的模型性能。作为深度学习研

·2021-04-01 22:17

SageMaker R环境下访问数据源的N种方式

AmazonSageMakernotebooks现已开箱即用支持R，且无需在实例上手动安装R内核。此外，这些notebooks还预装了reticulate库，由其为AmazonSageMakerPythonSDK提供R接口，并允许我们从R脚本当中调用Python模块。大家可以使用AmazonSageMakerR内核轻松访问多个数据源，运行机器学习（ML）模型。目前，所有提供AmazonSageMa

·2021-03-30 22:06

亚马逊推出强化学习工具，管理机器人工作流程

亚马逊今天推出了SageMaker强化学习组件工具包KubeflowComponents，该工具包支持公司的AWSRoboMaker服务，用于协调机器人工作流。

·2021-03-11 08:08

HCP_DataLoader

fromtorch.utils.dataimportDataset,DataLoaderimporttorchimportnumpyasnpimportnibabelasnblHCPDataListPath='/home/ec2-user/SageMaker

lyp_·2021-01-23 17:41

案例分享 | 将Caffe2 计算机视觉流水线任务迁移至SageMaker中的Managed Spot Training

本文由来自SNCF和Olexya的客座作者联合撰写。本文将介绍法国国有铁路公司SociétéNationaledesCheminsdeferFrançais（SNCF）如何在技术合作伙伴Olexya的帮助下，运用AWS提供的ML服务，研究、开发与部署创新的计算机视觉解决方案。背景介绍SNCF成立于1938年，目前拥有超过27万名员工。SNCFRéseau为SNCF旗下子公司，负责铁路网络基础设施的

AWS_AI开发者社区·2021-01-12 21:27

案例分享 | 将Caffe2 计算机视觉流水线任务迁移至SageMaker中的Managed Spot Training

本文由来自SNCF和Olexya的客座作者联合撰写。本文将介绍法国国有铁路公司SociétéNationaledesCheminsdeferFrançais（SNCF）如何在技术合作伙伴Olexya的帮助下，运用AWS提供的ML服务，研究、开发与部署创新的计算机视觉解决方案。背景介绍SNCF成立于1938年，目前拥有超过27万名员工。SNCFRéseau为SNCF旗下子公司，负责铁路网络基础设施的

AWS_AI开发者社区·2021-01-12 21:53

在SageMaker上玩转R环境，这些必会技巧你知道几个？

很多童鞋可能已经知道，AmazonSageMaker已经在全球各服务区域预装R内核。此项功能开箱即用，同时预安装有reticulate库。该库负责为AmazonSageMakerPythonSDK提供R接口，允许大家直接从R脚本中调用Python模块。之前我们曾经发布过一篇文章介绍这件事，欢迎点击这里回顾。如果你想进一步将这个功能发挥出更多价值，那么本文就值得关注了。下文，我们将介绍如何在Amaz

AWS_AI开发者社区·2020-12-28 18:14

在SageMaker上玩转R环境，这些必会技巧你知道几个？

很多童鞋可能已经知道，AmazonSageMaker已经在全球各服务区域预装R内核。此项功能开箱即用，同时预安装有reticulate库。该库负责为AmazonSageMakerPythonSDK提供R接口，允许大家直接从R脚本中调用Python模块。之前我们曾经发布过一篇文章介绍这件事，欢迎点击这里回顾。如果你想进一步将这个功能发挥出更多价值，那么本文就值得关注了。下文，我们将介绍如何在Amaz

AWS_AI开发者社区·2020-12-28 18:01

搞定基于表格数据的 ML 模型，有 Amazon SageMaker 就够了

表格类数据一直是众多行业（包括金融、医疗保健以及制造业等）所采取的主要数据存储方法。大多数机器学习（ML）用例也主要面向传统的结构化或表格数据。例如，欺诈检测用例会通过表格形式的输入内容（包括客户账户的历史记录或付款明细），以检测交易中是否存在欺诈风险。客户流失检测或产品需求预测等也都属于这类依赖于表格数据的用例。而在使用机器学习处理表格数据时，我们往往需要引入人工审核流程，协助管理工作流中需要人

AWS_AI开发者社区·2020-12-14 20:02

AWS 和 NVIDIA 实现 Mask R-CNN 和 T5-3B 最快训练时间 | AI 日报

AWS和NVIDIA实现MaskR-CNN和T5-3B最快训练时间AWS机器学习博客昨日更新博文发布了新的SageMaker分布式培训库，该库提供了最简单最快的训练深度学习模型的方法。

BAAIBeijing·2020-12-11 19:23

SageMaker支持R编程，数据科学家们，欢呼吧！

这样一个神器与SageMaker的机器学习能力相结合又能产生多大的威力？目前，已经有不少AWS客户开始将流行的开源统计计算与图形软件R全面引入大数据分析与数据科学领域。

AWS_AI开发者社区·2020-12-09 21:52

SageMaker支持R编程，数据科学家们，欢呼吧！

这样一个神器与SageMaker的机器学习能力相结合又能产生多大的威力？目前，已经有不少AWS客户开始将流行的开源统计计算与图形软件R全面引入大数据分析与数据科学领域。

AWS_AI开发者社区·2020-12-09 20:45

「工具人」何必彻夜守候，SageMaker 帮你灵活调度 Notebook

星期五下午五点，你终于赶在下班前搞定了一个复杂、繁琐的特征工程策略。这个策略在AmazonSageMakerStudiot3.mediumNotebook上已经开始工作，你想做的是插入这个策略到一个大型实例中，通过水平扩展将其覆盖剩余数据集，然后开始周末的Happyhour。然而……虽然可以直接升级Notebook实例，但只要一关闭电脑，这项作业马上就会停止。怎么办？作业运行期间一直守在电脑前？为

AWS_AI开发者社区·2020-12-09 14:37

「工具人」何必彻夜守候，SageMaker 帮你灵活调度 Notebook

星期五下午五点，你终于赶在下班前搞定了一个复杂、繁琐的特征工程策略。这个策略在AmazonSageMakerStudiot3.mediumNotebook上已经开始工作，你想做的是插入这个策略到一个大型实例中，通过水平扩展将其覆盖剩余数据集，然后开始周末的Happyhour。然而……虽然可以直接升级Notebook实例，但只要一关闭电脑，这项作业马上就会停止。怎么办？作业运行期间一直守在电脑前？为

AWS_AI开发者社区·2020-12-07 21:29

案例分享 | 思科结合 SageMaker 与 Kubeflow 打造的混合机器学习工作流

AmazonSageMaker是一项可以帮助开发人员和数据科学家快速构建、训练和部署机器学习（ML）模型的托管服务；Kubeflow则是一个为Kubernetes构建的可组合、可移植、可扩展机器学习技术栈。这两者结合在一起能够玩出什么新花样？下文将以思科的实践案例出发介绍他们的做法。作为一家大型企业，思科旗下多个业务部门都在应用机器学习（ML）与人工智能（AI）技术。该公司中向CTO直接报告的思科

AWS_AI开发者社区·2020-11-17 18:55

快速构建NER模型，Amazon SageMaker Ground Truth与Amazon Comprehend给你支招了

之前，我们曾有篇文章介绍了中文命名实体识别（NamedEntityRecognition，NER）方面的困难，以及AmazonSageMaker的解决之道。感兴趣的童鞋欢迎点击这里复习一下：相比英文，中文命名实体的识别难在哪？又该如何解决。本文，我们打算谈谈NER模型本身在构建方面可能遇到的困难。命名实体识别（NER）的核心，在于筛选文本数据以查找名词短语（即命名实体），并使用人、组织或品牌等标签

AWS_AI开发者社区·2020-11-17 18:51

SageMaker Model Monitor与Debugger神助攻，理解卷积神经网络这个「黑匣子」

很多东西，只有在理解了内部原理和运作机制后，才能更好地改进和增强。然而有些东西，生来就是「不可理解」的，例如卷积神经网络（CNN）。那么该如何进一步完善它？CNN在图像分类与目标检测等实际任务当中，拥有相当出色的实际表现，也因此被引入多种应用场景当中，包括在自动驾驶领域检测街道上的交通标志与物体、在医疗保健领域准确对基于图像的数据异常进行分类、以及在零售领域进行库存管理等等。然而，CNN的运作机制

AWS_AI开发者社区·2020-11-14 00:03

案例分享 | 思科结合 SageMaker 与 Kubeflow 打造的混合机器学习工作流

AmazonSageMaker是一项可以帮助开发人员和数据科学家快速构建、训练和部署机器学习（ML）模型的托管服务；Kubeflow则是一个为Kubernetes构建的可组合、可移植、可扩展机器学习技术栈。这两者结合在一起能够玩出什么新花样？下文将以思科的实践案例出发介绍他们的做法。作为一家大型企业，思科旗下多个业务部门都在应用机器学习（ML）与人工智能（AI）技术。该公司中向CTO直接报告的思科

AWS_AI开发者社区·2020-11-13 23:18

快速构建NER模型，Amazon SageMaker Ground Truth与Amazon Comprehend给你支招了

之前，我们曾有篇文章介绍了中文命名实体识别（NamedEntityRecognition，NER）方面的困难，以及AmazonSageMaker的解决之道。感兴趣的童鞋欢迎点击这里复习一下：相比英文，中文命名实体的识别难在哪？又该如何解决。本文，我们打算谈谈NER模型本身在构建方面可能遇到的困难。命名实体识别（NER）的核心，在于筛选文本数据以查找名词短语（即命名实体），并使用人、组织或品牌等标签

AWS_AI开发者社区·2020-11-13 23:05

好消息：Amazon SageMaker 正式支持 Kubeflow 啦

Kubeflow是一款流行的开源机器学习（ML）工具包，适用于希望构建自定义机器学习管道的Kubernetes用户。KubeflowPipelines属于Kubeflow提供的附加组件，可帮助我们构建并部署具备良好可移植性与可扩展性的端到端机器学习工作流。但在使用KubeflowPipelines时，数据科学家往往需要耗费不少精力以实现各类生产力工具，例如数据标记工作流与模型调优工具。另外，在使用

AWS_AI开发者社区·2020-11-13 23:17

搞定基于表格数据的 ML 模型，有 Amazon SageMaker 就够了

表格类数据一直是众多行业（包括金融、医疗保健以及制造业等）所采取的主要数据存储方法。大多数机器学习（ML）用例也主要面向传统的结构化或表格数据。例如，欺诈检测用例会通过表格形式的输入内容（包括客户账户的历史记录或付款明细），以检测交易中是否存在欺诈风险。客户流失检测或产品需求预测等也都属于这类依赖于表格数据的用例。而在使用机器学习处理表格数据时，我们往往需要引入人工审核流程，协助管理工作流中需要人

AWS_AI开发者社区·2020-11-13 23:45

Amazon SageMaker 助力医学影像AI诊断技术

AWS_AI开发者社区·2020-11-13 23:41

SageMaker Model Monitor与Debugger神助攻，理解卷积神经网络这个「黑匣子」

很多东西，只有在理解了内部原理和运作机制后，才能更好地改进和增强。然而有些东西，生来就是「不可理解」的，例如卷积神经网络（CNN）。那么该如何进一步完善它？CNN在图像分类与目标检测等实际任务当中，拥有相当出色的实际表现，也因此被引入多种应用场景当中，包括在自动驾驶领域检测街道上的交通标志与物体、在医疗保健领域准确对基于图像的数据异常进行分类、以及在零售领域进行库存管理等等。然而，CNN的运作机制

AWS_AI开发者社区·2020-11-13 23:57

好消息：Amazon SageMaker 正式支持 Kubeflow 啦

Kubeflow是一款流行的开源机器学习（ML）工具包，适用于希望构建自定义机器学习管道的Kubernetes用户。KubeflowPipelines属于Kubeflow提供的附加组件，可帮助我们构建并部署具备良好可移植性与可扩展性的端到端机器学习工作流。但在使用KubeflowPipelines时，数据科学家往往需要耗费不少精力以实现各类生产力工具，例如数据标记工作流与模型调优工具。另外，在使用

AWS_AI开发者社区·2020-10-09 13:21

各机器学习平台视频建模功能汇总

不支持不支持不支持不支持华为ModelArts支持标注，按帧标注，标注方式同图像中的目标检测场景视频分析：识别出视频中每个物体的位置及类别尚未支持（文档中有提到，但华为云上尚未提供该功能）不支持亚马逊SageMaker

汀桦坞·2020-08-13 23:41

推荐频道

sagemaker

在谈AI中台之前，为什么你应该了解下Amazon SageMaker？

re：Invent十周年，亚马逊云科技诠释探路者精神

python中maker_在python中使用SageMaker Debugger进行机器学习模型的开发调试

在Amazon SageMaker上快速、灵活构建TensorFlow模型的在线推理服务

机器学习|CooVally — 拒绝模型训练外包

使用 Amazon SageMaker Clarify 解释德甲赛况 xGoals

使用 Amazon SageMaker 为新用户提供实时音乐推荐

amazon白皮书学习 II

使用Amazon SageMaker Feature Store存储、发现并共享机器学习特征

亚马逊云SageMaker免费给你用

在Amazon SageMaker中灵活使用多种存储服务

Amazon SageMaker Data Wrangler 简化数据准备过程，助力机器学习

在Amazon SageMaker中灵活使用多种存储服务

在Amazon SageMaker上快速、灵活构建Amazon TensorFlow模型的在线推理服务

如何将您的自定义容器镜像导入Amazon SageMaker Studio Notebooks

使用Amazon SageMaker部署CVAT AI自动图像标注系统

Amazon SageMaker Data Wrangler 简化数据准备过程，助力机器学习

Amazon SageMaker新玩法——定制你的语音识别模型

实力超越，绝对领先——Amazon SageMaker 在企业 MLOps 平台报告中获得高度肯定

通过自动关闭Amazon SageMaker Studio中的闲置资源来节省成本

SageMaker Neo优化目标检测模型加速推理

在Amazon SageMaker中灵活使用多种存储服务

使用 Amazon IoT 和 Amazon SageMaker 进行设备实时预测性维护

通过Amazon SageMaker与Amazon Step Functions实现机器学习的CI/CD 方案

在Amazon SageMaker上快速、灵活构建TensorFlow模型的在线推理服务

SageMaker管道模式下如何使用Horovod实现多GPU分布式训练

SageMaker R环境下访问数据源的N种方式

亚马逊推出强化学习工具，管理机器人工作流程

HCP_DataLoader

案例分享 | 将Caffe2 计算机视觉流水线任务迁移至SageMaker中的Managed Spot Training

案例分享 | 将Caffe2 计算机视觉流水线任务迁移至SageMaker中的Managed Spot Training

在SageMaker上玩转R环境，这些必会技巧你知道几个？

在SageMaker上玩转R环境，这些必会技巧你知道几个？

搞定基于表格数据的 ML 模型，有 Amazon SageMaker 就够了

AWS 和 NVIDIA 实现 Mask R-CNN 和 T5-3B 最快训练时间 | AI 日报

SageMaker支持R编程，数据科学家们，欢呼吧！

SageMaker支持R编程，数据科学家们，欢呼吧！

「工具人」何必彻夜守候，SageMaker 帮你灵活调度 Notebook

「工具人」何必彻夜守候，SageMaker 帮你灵活调度 Notebook

案例分享 | 思科结合 SageMaker 与 Kubeflow 打造的混合机器学习工作流

快速构建NER模型，Amazon SageMaker Ground Truth与Amazon Comprehend给你支招了

SageMaker Model Monitor与Debugger神助攻，理解卷积神经网络这个「黑匣子」

案例分享 | 思科结合 SageMaker 与 Kubeflow 打造的混合机器学习工作流

快速构建NER模型，Amazon SageMaker Ground Truth与Amazon Comprehend给你支招了

好消息：Amazon SageMaker 正式支持 Kubeflow 啦

搞定基于表格数据的 ML 模型，有 Amazon SageMaker 就够了

Amazon SageMaker 助力医学影像AI诊断技术

SageMaker Model Monitor与Debugger神助攻，理解卷积神经网络这个「黑匣子」

好消息：Amazon SageMaker 正式支持 Kubeflow 啦

各机器学习平台视频建模功能汇总