© 2016, Amazon Web Services, Inc. or its Affiliates. All rights reserved. 张孝峰 AWS解决方案架构师 March 17, 2017 Amazon 的人工智能&深度学习 围绕数据的“飞轮” 机器学习 深度学习 人工智能 更多的用户 更好的产品 更多的数据 更好的分析 对象存储 数据库 数据仓库 数据流分析 商业智能 更多的用户 更好的产品 更多的数据 更好的分析 围绕数据的“飞轮” 算法 数据 程序模型 GPUs & 计算加速 深度学习的爆发 图像理解 自然语言处理 语音识别 机器自主 AWS 之上的人工智能应用 Zillow • Zestimate (using Apache Spark) Howard Hughes Corp • Lead scoring for luxury real • Computer Vision APIs AWS 上的 AI 应用 • Pinterest Lens • Netflix 推荐引擎 数千名员工致力于人工智能领域 发现& 搜索 执行 &物流 现有产品的增强 定义新的产品分类 将机器学习拓 展更广领域 Amazon 的人工智能应用 在Amazon 最初的人 工智能应用 (1995) AWS 可以帮助客户把人工智能应用于每个应 用程序的核心&业务之中吗

clouds that you have access to: # aws, gcp, azure, oci, lamabda, runpod, fluidstack, paperspace, # cudo, ibm, scp, vsphere, kubernetes pip install "skypilot-nightly[aws,gcp]" 随后，您需要用如下命令确认是否能使用云： sky run --platform linux/amd64 \ -td --rm --name sky \ -v "$HOME/.sky:/root/.sky:rw" \ -v "$HOME/.aws:/root/.aws:rw" \ -v "$HOME/.config/gcloud:/root/.config/gcloud:rw" \ berkeleyskypilot/skypilot-nightly

classification）。举个例子，人们在技术博客 上贴的标签，比如“机器学习”“技术”“小工具”“编程语言”“Linux”“云计算”“AWS”。一篇典型的文章可 能会用5～10个标签，因为这些概念是相互关联的。关于“云计算”的帖子可能会提到“AWS”，而关于“机 器学习”的帖子也可能涉及“编程语言”。 此外，在处理生物医学文献时，我们也会遇到这类问题。正确地标记文献很重要，有利于研究人员对文献 有GPU的服务器上训练神经网络时，我们通常希望模型的参数在GPU上。 要运行此部分中的程序，至少需要两个GPU。注意，对大多数桌面计算机来说，这可能是奢侈的，但在云中 很容易获得。例如可以使用AWS EC2的多GPU实例。本书的其他章节大都不需要多个GPU，而本节只是为了 展示数据如何在不同的设备之间传递。 5.6.1 计算设备 我们可以指定用于存储和计算的设备，如CPU和GPU。默认情 thon解释器需要执 行所有层的代码来生成一条指令，然后将该指令转发到CPU或GPU。对于单个的（快速的）计算设备，这不会 导致任何重大问题。另一方面，如果我们使用先进的8‐GPU服务器，比如AWS P3dn.24xlarge实例，Python将很 难让所有的GPU都保持忙碌。在这里，瓶颈是单线程的Python解释器。让我们看看如何通过将Sequential替 换为HybridSequen

的发展得到深度学习生态系统中的关键公司的支持 Keras 的开发主要由谷歌支持，Keras API 以 tf.keras 的形式包装在 TensorFlow 中。此外， 微软维护着 Keras 的 CNTK 后端。亚马逊 AWS 正在开发 MXNet 支持。其他提供支持的公司包 括 NVIDIA、优步、苹果（通过 CoreML）等。 快速开始 8 3 快速开始 3.1 Sequential 顺序模型指引 3.1.1