AWS SageMaker 各组件功能详解
赞
踩
AWS SageMaker
Amazon SageMaker 是一项完全托管的服务，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。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。
AWS SageMaker 是AWS 2017年推出的机器学习服务，下面将介绍AWS SageMaker 的各个组件和优点。
Amazon SageMaker Studio
Amazon SageMaker Studio是全集成的机器学习 (ML) 开发环境，开发人员可以在一个集成的可视界面中编写代码、跟踪实验、可视化数据以及进行调试和监控，从而极大地提高了开发人员的工作效率。
Amazon SageMaker Notebooks
Amazon SageMaker Notebooks 是一键式 Jupyter 笔记本，可以快速启动。其实和本地的Jupyter笔记本是差不多的，最大的区别是，Amazon SageMaker Notebooks的资源是弹性的，你可以根据你所需要的笔记本实例的大小轻松启动你的资源，并且可以随时关闭。
另外，SageMaker 具有数十种预构建笔记本，您可以针对不同的环境从中进行选择。您还可以在 AWS Marketplace 中获得数百种可用的算法和预先经过训练的模型，从而轻松快速地上手。
SageMaker 还支持一键共享笔记本。您可以与他人轻松共享笔记本，他们将获得保存在同一位置的完全相同的笔记本，图示就是创建共享笔记本。
Amazon SageMaker Autopilot
Amazon SageMaker Autopilot 可根据您的数据自动训练和调整最佳机器学习模型，以进行分类或回归，同时保持完全控制和可见性，是一款入门级的插件。
传统机器学习可能需要我们自己手动准备特征，选择算法和优化模型参数。而SageMaker Autopilot 即可自动检查原始数据、应用功能处理器、选择最佳算法集、训练和调优多个模型、跟踪模型性能以及根据性能对模型进行排名。如此一来，您无需像通常情况下训练模型那样耗费时间，只需很少的时间即可部署性能最佳的模型。
使用 SageMaker Autopilot，您可以提供一个表格数据集并选择要预测的目标列，可以是数字（如房价，称为回归）或类别（如垃圾邮件/非垃圾邮件，称为分类）。SageMaker Autopilot 将自动探索不同的解决方案以找到最佳模型。然后，只需单击一下，即可将模型直接部署到生产环境中。
Amazon SageMaker Ground Truth
Amazon SageMaker Ground Truth 是AWS 的打标签服务，借助Ground Truth，您可以使用来自Amazon Mechanical Turk（您选择的供应商公司）的工作人员，或者是内部私有劳动力以及机器学习的工作人员，以使您能够创建带标签的数据集。您可以使用Ground Truth的标记数据集输出来训练自己的模型。
Amazon SageMaker Ground Truth可以大幅度降低成本，该功能提供自动数据标记功能，在使用主动学习模型的情况下，数据会被标记，而且只有在该模型无法妥善标记数据时，数据才会被路由给标记员。然后，人工标记的数据会被用于训练机器学习模型，以提高其准确性。因此，在下一轮标记中，发送给标记员的数据就会减少，从而将数据标记成本降低高达 70%。
Amazon SageMaker Experiments
Amazon SageMaker Experiments 可帮助您组织和跟踪机器学习模型的迭代。通过自动捕获输入参数、配置和结果并将其存储为“实验”来帮助您管理迭代。您可以使用 SageMaker Studio 的可视化界面来浏览进行中的实验，根据实验特征搜索先前的实验、查看先前的实验及结果，以及直观比较实验结果。
Amazon SageMaker Debugger
Amazon SageMaker Debugger 是 Amazon SageMaker 的一项新功能，通过实时自动捕获和分析来自训练运行的数据（无需更改代码），提供机器学习 (ML) 模型训练过程的全面分析数据。
训练 ML 模型是一项多步骤的复杂任务，它是迭代且耗时的。在训练期间，ML 模型会学习数据训练模式以做出准确的预测。在这一学习过程中，会进行多次数据迭代并在每次迭代中调整参数值。确保模型逐步学习不同参数的正确值是一个难题。此外，在不构建其他工具的情况下分析和调试模型特征并不容易，这会使整个过程极为繁琐复杂。
而 Amazon SageMaker Debugger 使用的是 Amazon SageMaker Studio 可视界面，因此在训练过程中可以更加轻松地分析和调试模型特征。在检测到异常时，SageMaker Debugger 会发送警报，以便开发人员采取补救措施，从而将调试模型所需的时间从几天减少到几分钟。调试数据保留在客户的 AWS 账户中，这使得 SageMaker Debugger 可用于大多数隐私敏感型应用程序。
