Java >> Java Tutorial >  >> Java

So verwenden Sie AWS Sagemaker

In diesem Beitrag werde ich erklären, wie man AWS Sagemaker verwendet. Auch wenn Sie keine Erfahrung mit diesem AWS-Service haben, wird Ihnen dieser Leitfaden dabei helfen, AWS Sagemaker Schritt für Schritt zu verstehen.

Was ist AWS Sagemaker?

AWS Sagemaker ist ein neuer Webdienst, den AWS anbietet. Es hilft beim Erstellen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen in jeder Größenordnung. Im Grunde übernimmt Sagemaker die schwere Arbeit des maschinellen Lernens, und als Entwickler oder Datenwissenschaftler können Sie sich auf das Erstellen und Trainieren Ihres Modells konzentrieren.

Hauptvorteile von AWS Sagemaker

  • Sie können ganz einfach Daten von anderen AWS-Services abrufen oder speichern
  • Hochgradig skalierbar. Dies bezieht sich wiederum auf meinen früheren Punkt, indem es möglich ist, eine Verbindung zu anderen AWS-Services herzustellen.
  • Kräftiges Heben von ML-Algorithmen – Schnelles Training

Details zu maschinellem Lernen und Sagemaker

Maschinelles Lernen ist buchstäblich maschinelles Lernen über etwas. Trotzdem kann dieses Etwas alles sein, worin Menschen normalerweise gut oder schlecht sind. Maschinelles Lernen bietet Systemen die Möglichkeit, aus Erfahrungen zu lernen und sich zu verbessern.

Anders ausgedrückt kann man von einem System mit Rückkopplungsschleife sprechen. Ein System führt Funktionen aus, sammelt dabei Daten und verwendet diese Daten, um die ausgeführten Funktionen zu verbessern.

Ein Modell bauen

Sagemaker erleichtert die Verbindung mit AWS-Services wie S3, Database. Sagemaker enthält auch Juypter-Notebooks. Diese Notizbücher erleichtern die Visualisierung von Daten.

Sagemaker bietet auch eine Reihe vorinstallierter Algorithmen an. Sagemaker kommt auch mit vorkonfiguriertem TensorFlow oder Apache MXNet.

Training und Bereitstellung eines Modells

Ich werde später in diesem Beitrag zeigen, wie wir ein Modell in Sagemaker mit einem einzigen Klick trainieren können. Wichtig dabei ist, dass Sie in Sagemaker problemlos ein Modell für den Petabyte-Maßstab trainieren können. Durch kontinuierliche Verbesserung kann Sagemaker auch die Leistung des Modells verbessern.

Nachdem Sie das Modell in Sagemaker trainiert und optimiert haben, ist es einfach, das Modell in der Produktion bereitzustellen. Sagemaker stellt das Modell auf einem automatisch skalierenden Cluster von EC2-Instanzen bereit.

Ein einfaches Beispiel für die Verwendung von AWS Sagemaker

  1. Sobald Sie sich bei der AWS-Konsole anmelden, greifen Sie auf den Sagemaker-Service zu. Wählen Sie Notebook Instances und erstellen Sie eine Jupyter Notebook-Instanz wie unten gezeigt:

2. Behalten Sie auf der nächsten Seite die meisten Standardeinstellungen wie gezeigt bei. Sie müssen eine IAM-Rolle für die S3-Bucket-Erstellung erstellen. Wenn Sie diese Rolle nicht haben, können Sie sie erstellen, während Sie die Rolle auswählen.

3. Nachdem Sie die Rolle ausgewählt haben, klicken Sie auf „Notebook-Instanz erstellen“, um eine Notebook-Instanz zu erstellen. Es dauert einige Minuten, bis angezeigt wird, dass es ausgeführt wird. Sobald die Notebook-Instanz ausgeführt wird, klicken Sie auf „Öffnen“ und das Jupyter-Notebook wird in einem anderen Tab geöffnet.

4. Wählen Sie die Notebook-Umgebung als conda_python3 oder irgendetwas, das Sie verwenden möchten.

Sobald Sie das Notizbuch geöffnet haben, können Sie Python oder die Sprache Ihrer Wahl verwenden, um ein Modell zu erstellen. Für das Modell können Sie problemlos Daten aus S3 oder relationalen Datenbanken vom AWS-Service abrufen.

Ich werde diesen Teil in diesem Beitrag nicht zeigen. Aber wenn Sie sich auf ein gutes Beispiel beziehen möchten, können Sie diesen Beitrag hier besuchen.

Schlussfolgerung

In diesem Beitrag habe ich gezeigt, wie man AWS Sagemaker verwenden kann, um das Modell für maschinelles Lernen zu erstellen und zu trainieren.

Hier können Sie meinen Blog abonnieren.


Java-Tag