很多文章的报道都是由微观而宏观，今日小编讲给大家带来的关于亚马逊为AWS推出了大量新的机器学习服务的资讯也不例外，希翼可以在一定的程度上开阔你们的视野！y有对亚马逊为AWS推出了大量新的机器学习服务这篇文章感兴趣的小伙伴可以一起来看看

亚马逊为AWS推出了大量新的机器学习服务。新产品包括面向开辟人员的AI服务，Amazon SageMaker的模型和算法，自动数据标签和强化学习服务，以及TensorFlow的AWS优化版本和其他熟悉的机器学习库。

新的AWS-Optimized TensorFlow产品现已普遍推出，同意 TensorFlow作业在多个GPU供电的EC2节点之间自动扩展和平衡。亚马逊称其对TensorFlow扩展的改进提高了数十个GPU的运行效率，比手动设置TensorFlow更快地进行模型培训。

另一个新的AWS产品可以大规模地从生成的模型中加速判断或预测。Amazon Elastic Inference从“所有流行框架”(TensorFlow，Apache MXNet等)中猎取模型，并使用它们来提供预测，但是从相对适度的EC2实例开始，GPU性能可以根据需要上下调整。客户仅为使用的GPU付费。我们的想法是将GPU成本限制为仅需要的成本，而不是使用专用GPU来过度配置EC2实例，而GPU将大部分未使用。

其他新产品是 Amazon SageMaker的补充，这是一种处理机器学习工作流程的AWS托管服务。

许多机器学习模型需要已标记或预分类的数据。不幸的是，标记数据通常是一项耗时的工作，因为它通常必须手工完成。Amazon SageMaker Ground Truth在人类应用时实时了解数据集的标签。一旦对数据子集进行了训练，它就可以用于自动应用标签。

亚马逊在SageMaker中解决的另一个机器学习挑战涉及强化学习系统，其中模型基于现实世界的反馈不断改进。 亚马逊SageMaker RL同意 开辟人员“通过托管强化学习算法来构建，训练和部署强化学习”，与强化学习堆栈所需的许多常见成分捆绑在一起。

另一个新的亚马逊SageMaker产品SageMaker Neo优化了机器学习模型，以便更快地运行并使用更少的资源。它类似于TensorFlow模型如何部署在低端硬件上。目前，SageMaker Neo仅限于将模型部署到“Amazon EC2实例，Amazon SageMaker端点以及由AWS IoT Greengrass治理的设备”。

用于常见业务任务的预打包机器学习模型 - 需求预测，数据准备，自然语言处理 - 现在可以在AWS Marketplace中购买并部署到Amazon SageMaker。

最后，亚马逊推出了许多新的AI服务，同意 开辟人员为他们的应用程序添加智能。Amazon Textract使用机器学习从文档或表单中提取数据。Amazon Comprehend Medical将自然语言处理应用于医疗文档。Amazon Personalize是一种实时个性化和推举服务。亚马逊预测是一项服务，可根据历史数据生成自定义机器学习模型，以创建时间序列预测。