亚马逊云AWS公布其ML服务平台SageMaker的九个关键升级

在2020年的re:Invent大会上，亚马逊云AWS公布了集团旗下根据云的设备在线学习平台SageMaker九个关键升级。SageMaker致力于出示一种深度学习服务项目，该服务项目可用以搭建，训炼和布署基本上全部测试用例的ML实体模型。

在大会上，AWS美国亚马逊深度学习高级副总裁Swami Sivasubramanian说:

“不计其数的开发者和大数据工程师早已应用大家领域领跑的深度学习服务项目Amazon SageMaker来搭建，训炼和布署自定深度学习实体模型。有着像SageMaker那样的被普遍选用的服务项目的最好是的一部分之一便是，大家获得了许多 顾客提议，这种提议促进了大家下一代新品的开发设计。

今日，大家公布了一套适用Amazon SageMaker的专用工具，使开发者能够更轻轻松松地搭建端到端深度学习安全通道，以提前准备，搭建，训炼，表述，查验，监控，调节和运作自定深度学习实体模型，使其具备更强劲，非常容易剖析和规模性的自动化技术。”

SageMaker关键升级內容

第一个升级是Data Wrangler，该作用致力于全自动为深度学习提前准备数据信息。Data Wrangler使顾客能够从各种各样数据储存中挑选需要的数据信息，随后点击就可以导进。在其中包含300好几个内嵌数据信息转化器，可协助顾客在不用撰写一切编码的状况下开展规范化，变换和组成作用。

第二个升级是Feature Store。Amazon SageMaker Feature Store出示了一个新的储存库，可轻轻松松储存，升级，查找和共享资源深度学习作用以开展学习培训和逻辑推理。

Feature Store致力于摆脱储存投射到好几个实体模型因素的难题。专业的作用库可协助开发者浏览和共享资源，进而使开发者和大数据工程师精英团队中间更非常容易取名，机构，搜索和共享资源功能集。因为它坐落于SageMaker Studio中，AWS宣称它出示了ms等级的逻辑推理延迟时间。

SageMaker Pipelines，美国亚马逊宣称是对于深度学习的第一个专业搭建的，便于应用的持续集成和持续交付（CI / CD）服务项目。

开发者能够界定端到端深度学习工作内容的每一个流程，包含数据加载流程，Amazon SageMaker Data Wrangler的变换，Amazon SageMaker Feature Store中储存的作用，学习培训配备和优化算法设定，调节流程及其提升流程。 。

充分考虑已经开展的恶性事件， SageMaker Clarify可能是AWS这周最重要的作用之一。

Clarify致力于开发者在深度学习工作内容中出示误差检验，可以在其ML实体模型中创建更高的公平公正和清晰度。开发者能够应用集成化的解决方法来迅速试着并应模型拟合中的一切误差，而无须应用一般用时的开源系统专用工具。

适用Amazon SageMaker的Deep Profiling，可全自动监控系统資源使用率，并在一切检验到的学习培训短板必须的地区出示报警。该作用可跨架构（PyTorch，Apache MXNet和TensorFlow）应用，并全自动搜集系统软件和学习培训指标值，而不用在学习培训脚本制作中开展一切编码变更。

Data Parallelism模块，根据全自动在好几个GPU中间切分数据信息，将业务培训从单独GPU拓展到不计其数，进而将学习培训時间减少了40%。

Edge Manager协助开发者提升，维护，监控和维护保养布署在边沿机器设备群上的ML实体模型。除开协助提升ML实体模型和管理方法边沿机器设备外，Edge Manager还出示下列作用:模型拟合开展数据加密签字，将来源于机器设备的预测分析数据信息上传入SageMaker以开展监控和剖析，及其查询汽车仪表板，该汽车仪表板追踪并出示相关实际操作的可视性汇报。

JumpStart为开发者出示了一个便于应用的可检索页面，以搜索类似最好的解决方法，优化算法和实例笔记本电脑。开发者能够从好多个端到端的深度学习模版中开展挑选，并将其立即布署到她们的SageMaker Studio自然环境中。

亚马逊云不断完善SageMaker，在过去的一年中早已出示了50多种多样新作用。