Amazon SageMaker 三部曲（中）

上回介绍了SageMaker大大减轻了开发人员与资料科学家的负担，这回我们来看看到底是哪些地方变得轻松愉快。

1. 随开随用的开发环境

你一定也有过这样的经验：某个很强大的开源软件，听大家说好像很好用也想来用用看，兴冲冲地下载下来安装却跑不起来，上网查一查发现要不是版本不兼容就是还要一大串繁琐的安装流程，好不容易终于把一切都搞定可以开始用了，火都熄一半了。

为此，SageMaker提供了非常简单，随开随用的开发环境，让上述恼人繁琐的故事不再发生。

► 用于编写模型的受管笔记本
▸提供执行 Jupyter notebooks 的全受管实例
▸预先加载热门深度学习平台的 CUDA 和 cuDNN 驱动程序、Anaconda 套装，以及适用于 TensorFlow、Apache MXNet 与Apache Spark的链接库。

►   广泛的架构支持
▸内建支援的Frameworks: Mxnet, TensorFlow, Caffe2, CNTK, PyTorch, Torch
▸可以将任何喜爱的架构引入 Amazon SageMaker，只要将架构建置到您存放在 Amazon EC2 Container Registry 中的 Docker 容器即可。

2. 内建高效能算法
SageMaker内建10种广受欢迎的热门算法，在AWS的优化下，效能是一般的10倍快，涵盖了大多数的人工智能情境。

3. 一键式训练：Tune ML 的参数交给 ML来做
让调整模型参数变得更简单。

►   一键式训练
▸ 指定您的数据在 Amazon S3 中的位置，并指出您需要的 EC2 实例类型和数量，就能在控制台单击鼠标开始进行训练

► Tune ML 的参数交给 ML来做… HyperParameter Optimization (API request HPO, preview)
▸ 提供给模型的数据输入 (例如，使用特定数量的日志)
▸ 调整算法的参数

4. 一键式部署
简化部署与管理模型的工作。

► 一键式部署
▸ 指定 EC2 实例的类型，以及需要的最大和最小数量即可，Amazon SageMaker 将会完成剩余的工作

►自动 A/B 测试
▸ 管理模型 A/B 测试
▸ 可以设定端点将流量平均分配给最多五个不同模型，以及设定您要每个模型处理的推论呼叫百分比
►使用自动调整规模进行全受管托管
▸ 使用内建的 Amazon CloudWatch 监控和记录功能代您管理生产运算基础设施，以执行运作状态检查、套用安全性修补程序，以及执行其他例行维护。

看到这边相信应该对SageMaker有点感觉了，下一篇就来实际动手做做看，Get our hands dirty~~~!!!