Amazon SageMaker 让机器学习轻松“云上见”！

最近，“上云探索实验室”活动 正在如火如荼进行，亚马逊云、“大厂”背景加持，来看看它们有什么新鲜技术/产品？

本篇带来对 shouAmazon SageMaker 的认识~

闻名不如一见

首先，开宗明义，shouAmazon SageMaker 是什么？

从官网我们可以了解到：Amazon SageMaker 是一项帮助开发人员快速构建、训练和部署机器学习 (ML) 模型的托管服务。

其实，类比于：就像咱们开发人员经常把代码部署 Github Page 上，自动构建、运行我们的代码服务。

当下，我们可以把 AIGC 领域火爆的模型共享平台 —— Hugging Face 中的模型放到 Amazon SageMaker 中去部署运行、进行微调等~

如果你还不了解 HuggingFace？那抓紧快上车！

就这张小黄脸，目前已经估值 20 亿美元，它拥有 30K+ 的模型，5K+ 的数据集，以及各式各样的 Demo，用于构建、训练最先进的 NLP （自然语言处理）模型。

是的，如果你：

1、不想关心硬件、软件和基础架构等方面的问题

2、想简化操作机器学习模型的开发流程

3、想灵活选择使用自己的算法和框架以满足不同业务需求

就可以 把目光投向 Amazon SageMaker，用它的云服务来部署你想要用的 HuggingFace 模型等~

百思不如一试

Amazon SageMaker 可以全流程的帮助我们构建机器学习模型，这样真的会省下很多心力（少掉几根头发）~

具体实践中，我们知道在数据预处理过程中，在训练模型之前，需要做一系列操作，比如：缺失值处理、数据归一化和特征选择等，Amazon SageMaker 提供了很好的预处理和转换数据的工具，助力快速完成这些工作。

在模型选择环节，Amazon SageMaker 提供多种内置的机器学习算法和框架，你可以根据数据集和任务类型选择合适的模型。

还有，提高模型性能是我们需要特别关注的，Amazon SageMaker 让你可以指定调优的目标和约束条件，系统会自动搜索最优的参数组合，这就很智能、很舒服。

模型训练完后，Amazon SageMaker 也自带易用的模型部署和监控功能；

一整套下来，训练模型感觉就像呼吸一样自然~

官网教程写的很清晰，还有很多视频讲解：# Amazon SageMaker - 入门手册

这里不赘述，仅看实战中代码表示，感受一二：

如何在Amazon SageMaker 上部署Hugging Face 模型？

1、首先，在 Amazon SageMaker 中创建一个 Notebook 实例。可以使用以下代码在 Amazon SageMaker 中创建 Notebook 实例：

import sagemaker from sagemaker
import get_execution_role

role = get_execution_role()

sess = sagemaker.Session()

# 创建 Notebook 实例
notebook_instance_name = 'YOUR_NOTEBOOK_INSTANCE_NAME'
instance_type = 'ml.t2.medium'
sagemaker_session = sagemaker.Session()
sagemaker_session.create_notebook_instance(notebook_instance_name=notebook_instance_name,instance_type=instance_type,role=role)
       

2、其次，下载 Hugging Face 模型，你可以使用以下代码下载 Hugging Face 模型：

!pip install transformers

from transformers import AutoTokenizer, AutoModelForSequenceClassification

# 下载 Hugging Face 模型
model_name = "distilbert-base-uncased-finetuned-sst-2-english"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

3、创建一个推理规范，以指定部署的模型。可以参照以下代码创建推理规范：

from sagemaker.predictor import Predictor
from sagemaker.serializers import JSONSerializer
from sagemaker.deserializers import JSONDeserializer
from sagemaker.tensorflow.serving import Model

# 创建推理规范
class HuggingFacePredictor(Predictor):
    def __init__(self, endpoint_name, sagemaker_session):
        super().__init__(endpoint_name, sagemaker_session, serializer=JSONSerializer(),
                         deserializer=JSONDeserializer())

model_name = "huggingface"
model_data = "s3://YOUR_S3_BUCKET/YOUR_MODEL.tar.gz"
entry_point = "inference.py"
instance_type = "ml.m5.xlarge"
role = sagemaker.get_execution_role()

model = Model(model_data=model_data,
              image_uri="763104351884.dkr.ecr.us-east-1.amazonaws.com/huggingface-pytorch-inference:1.6.0-transformers4.0.0",
              role=role,
              predictor_cls=HuggingFacePredictor,
              entry_point=entry_point)

predictor = model.deploy(initial_instance_count=1, instance_type=instance_type)

4、测试部署模型

data = {"text": "I love using Amazon SageMaker!"}
response = predictor.predict(data)

print(response)

过程就是，创建 NoteBook => 下模型 => 指定模型、设定推理脚本 => 测试部署，足够简洁~

人人都能上云，人人都能训练机器模型~

不知道大家发现没有，其实现在的编程开发都逐渐在“云”化，不仅是机器学习，普通开发也是；类似低代码平台，开发不再是一点点复制代码、拼凑代码、修改代码，更多是通过自动化平台“点点点”就能构建自己想要的服务了！拥抱“云”平台，省心又省力，也在拥抱未来~

防守不如亮剑

目前市面上同类型的产品也有一些，比如：

1、Google Cloud AI Platform：Google提供的全托管的机器学习平台，可以帮助用户构建、训练和部署机器学习模型。

2、Microsoft Azure Machine Learning：微软提供的一款全托管的机器学习平台，可以帮助用户构建、训练和部署机器学习模型。

3、IBM Watson Studio：IBM提供的一款机器学习工具和服务平台，可以帮助用户构建、训练和部署机器学习模型。此外它还提供了数据可视化、模型解释和协作等功能。

它们与Amazon SageMaker 类似，具有全托管和自动化的特点，同时提供了多种算法和框架供用户选择。但尺有所长、寸有所短，咱们不妨用表格来一眼对比它们各自的优缺点：

可以看到，Amazon SageMaker 的配置更简单；

至于谈到：“需掌握 AWS 服务”，其实它也好上手，类比于阿里云，AWS 是亚马逊云服务，全球顶流、百万客户、加速敏捷，即使不用来开发机器模型，也建议体验、上手其它云服务产品~具体参见aws.amazon.com

活动福利环节

刚好，最近正在进行“上云探索实验室”活动；6月27-28日亚马逊云科技中国峰会上海现场，展区5楼【开发者会客厅】有互动活动：

现场为开发者提供了部分 Amazon codewhisperer 账号，开发者可以到现场直接进行代码体验，参与体验问卷回复可获得社区定制周边礼品一份。

同时开发者也可于现场进行专业版账号注册，完成注册即可获得定制周边礼品一份或免费 Serverlesspresso 咖啡券一张。

欢迎大家注册~~

话不多少，先冲为敬~