AWS Machine Learning

Стипендия фонда машинного обучения AWS

AWS ML Services

С AWS вы можете быстро построить, тренировать и развернуть свои модели. Amazon SageMaker - это полностью управляемый сервис, который устраняет сложность из рабочих процессов ML, поэтому каждый разработчик и ученый для данных может развернуть машинное обучение для широкого спектра вариантов использования.

ML Инфраструктура и рамки

Услуги рабочих процессов AWS облегчают вам управление и масштабирование базовой инфраструктуры ML.

Компьютерное зрение с AWS Deeplens

AWS Deeplens

AWS Deeplens позволяет вам создавать и развернуть приложения на основе комплексных компьютерных зрений.

Как работает AWS Deeplens

AWS Deeplens интегрирован с несколькими службами AWS. Вы используете эти услуги для создания, обучения и запуска своего проекта AWS Deeplens. Вы можете думать о проекте AWS Deeplens как разделенный на два разных потока, как показано изображение.

• Во -первых, вы используете консоль AWS для создания своего проекта, хранения ваших данных и обучения своей модели.
• Затем вы используете свою обученную модель на устройстве AWS Deeplens. На устройстве обрабатывается видеопоток с камеры, вывод выполняется, и выход из вывода передается в два выходных потока:
  • Поток устройств - видеопоток прошел без обработки.
  • Поток проекта - результаты обработки модели видео кадров.

Подкрепление обучения с AWS DeepRacer

Подкрепление концепций обучения

Основные термины обучения в контексте AWS DeepRacer.

• Агент: Агент - это автомобиль AWS DeepRacer, и его цель - закончить * круги по дорожке так быстро, как это может, в некоторых случаях, избегая препятствий.
• Окружающая среда: для AWS DeepRacer это трек в нашем симуляторе или в реальной жизни.
• Состояние: каждое состояние - это изображение, снятое ее камерой. Первоначальное состояние автомобиля - начальная линия дорожки, а его терминальное состояние - это когда автомобиль заканчивает круг, набивает препятствие или снимает с трассы.
• Действие: автомобиль AWS DeepRacer, приближающийся к повороту, может выбрать ускорение или торможение и повернуть налево, направо или идти прямо.
• Вознаграждение: функция вознаграждения - это план стимулирования, который назначает оценки в качестве вознаграждений разным зонам на трассе.
• Эпизод: Эпизод начинается в начальном состоянии, когда машина покидает начальную позицию и заканчивается в терминальном состоянии, когда он заканчивает круг, сталкивается с препятствием или снимает с трека.

В модели обучения подкрепления агент учится в интерактивной среде в реальном времени путем проб и ошибок, используя обратную связь от своих собственных действий . Обратная связь дается в виде вознаграждений .

Генеративный ИИ с AWS DeepComposer

AWS DeepComposer

AWS DeepComposer дает вам творческий и простой способ начать работу с машинным обучением (ML), в частности, генеративного ИИ. Он состоит из USB -клавиатуры , которая подключается к вашему компьютеру для ввода Melody и консоли DeepComposer AWS , которая включает в себя музыкальную студию AWS DeepComposer для создания музыки, обучения капсулам для глубокого погружения в генеративные модели ИИ и DeepComposer Chartbusters, чтобы продемонстрировать ваши навыки ML.

AWS DeepComposer Music Studio

Чтобы создать, создавать и редактировать композиции с помощью AWS DeepComposer, вы используете музыкальную студию AWS DeepComposer. Чтобы начать, вам нужна входная дорожка и обученная модель.

Для входной дорожки вы можете использовать образец трека, записать пользовательский трек или импортировать дорожку.

Каждый опыт Music Studio Music Studio AWS поддерживает три различных генеративных методов ИИ: генеративные состязательные сети (GANS), авторегрессивная сверточная нейронная сеть (AR-CNNS) и трансформаторы.

• Используйте технику GAN для создания треков аккомпанемента.
• Используйте метод AR-CNN, чтобы изменить заметки в вашем входном дорожке.
• Используйте технику трансформаторов, чтобы расширить свой входной дорожку на 30 секунд.

Ганс с AWS DeepComposer

GAN - это тип модели генеративного машинного обучения, которая связывает две нейронные сети друг с другом, чтобы генерировать новый контент: генератор и дискриминатор.

• Генератор - это нейронная сеть, которая учится создавать новые данные, напоминающие исходные данные, которым они были обучены.
• Дискриминатор - это еще одна нейронная сеть, обученная для различения реальных и синтетических данных.

Генератор и дискриминатор обучены чередующимся циклам. Генератор учится производить все более и более реалистичные данные, в то время как дискриминатор итеративно становится лучше в обучении, чтобы дифференцировать реальные данные от вновь созданных данных.

Во время обучения генератор и дискриминатор работают в тесной контуре, как показано на следующем изображении.

AR-CNN с AWS DeepComposer

Чтобы обучить модель AR-CNN, чтобы предсказать, когда необходимо добавить или удалить заметки из вашего входного трека (Edit Event), модель итеративно обновляет входной дорожку для звуков, которые больше похожи на набор учебного заведения. Во время обучения модели также предназначены для обнаружения различий между оригинальным роликом на фортепиано и недавно модифицированным пианино -рулоном.