AWS Machine Learning

ทุนการศึกษา AWS Machine Learning Foundations

บริการ AWS ML

ด้วย AWS คุณสามารถสร้างฝึกอบรมและปรับใช้รุ่นของคุณได้อย่างรวดเร็ว Amazon Sagemaker เป็นบริการที่ได้รับการจัดการอย่างเต็มที่ซึ่งลบความซับซ้อนออกจากเวิร์กโฟลว์ ML ดังนั้นนักพัฒนาและนักวิทยาศาสตร์ด้านข้อมูลทุกคนสามารถปรับใช้การเรียนรู้ของเครื่องสำหรับกรณีการใช้งานที่หลากหลาย

โครงสร้างพื้นฐานและเฟรมเวิร์ก ML

บริการเวิร์กโฟลว์ AWS ช่วยให้คุณจัดการและปรับขนาดโครงสร้างพื้นฐาน ML พื้นฐานได้ง่ายขึ้น

การมองเห็นคอมพิวเตอร์ด้วย AWS Deeplens

aws deeplens

AWS Deeplens ช่วยให้คุณสร้างและปรับใช้แอปพลิเคชันที่ใช้คอมพิวเตอร์แบบ end-to-end

AWS Deeplens ทำงานอย่างไร

AWS Deeplens ถูกรวมเข้ากับบริการ AWS หลายรายการ คุณใช้บริการเหล่านี้เพื่อสร้างฝึกอบรมและเปิดโครงการ AWS Deeplens ของคุณ คุณสามารถนึกถึงโครงการ AWS Deeplens ว่าถูกแบ่งออกเป็นสองสตรีมที่แตกต่างกันตามภาพที่แสดง

• ก่อนอื่นคุณใช้คอนโซล AWS เพื่อสร้างโครงการจัดเก็บข้อมูลและฝึกอบรมโมเดลของคุณ
• จากนั้นคุณใช้โมเดลที่ผ่านการฝึกอบรมของคุณบนอุปกรณ์ AWS Deeplens บนอุปกรณ์สตรีมวิดีโอจากกล้องจะถูกประมวลผลการอนุมานจะดำเนินการและเอาต์พุตจากการอนุมานจะถูกส่งผ่านไปยังสตรีมเอาต์พุตสองรายการ:
  • สตรีมอุปกรณ์ - สตรีมวิดีโอผ่านโดยไม่ต้องประมวลผล
  • Project Stream - ผลลัพธ์ของการประมวลผลของเฟรมวิดีโอของโมเดล

การเรียนรู้การเสริมแรงด้วย AWS Deepracer

แนวคิดการเรียนรู้เสริมแรง

เงื่อนไขการเรียนรู้การเสริมแรงขั้นพื้นฐานในบริบทของ AWS Deepracer

• ตัวแทน: ตัวแทนคือ AWS Deepracer Car และเป้าหมายคือการจบ * รอบ ๆ แทร็กให้เร็วที่สุดเท่าที่จะทำได้ในบางกรณีหลีกเลี่ยงอุปสรรค
• สภาพแวดล้อม: สำหรับ AWS Deepracer นี่เป็นแทร็กในเครื่องจำลองของเราหรือในชีวิตจริง
• รัฐ: แต่ละรัฐเป็นภาพที่ถ่ายโดยกล้อง สถานะเริ่มต้นของรถคือเส้นเริ่มต้นของแทร็กและสถานะเทอร์มินัลของมันคือเมื่อรถเสร็จรอบตัก, กระแทกเข้าไปในอุปสรรคหรือขับออกจากแทร็ก
• การดำเนินการ: รถยนต์ AWS Deepracer ที่เข้าใกล้การเลี้ยวสามารถเลือกที่จะเร่งความเร็วหรือเบรกและเลี้ยวซ้ายขวาหรือตรง
• รางวัล: ฟังก์ชั่นการให้รางวัลเป็นแผนจูงใจที่กำหนดคะแนนเป็นรางวัลให้กับโซนที่แตกต่างกันในการติดตาม
• ตอน: ตอนหนึ่งเริ่มต้นที่สถานะเริ่มต้นเมื่อรถออกจากตำแหน่งเริ่มต้นและสิ้นสุดที่สถานะเทอร์มินัลเมื่อมันจบรอบการกระแทกเข้าไปในอุปสรรคหรือขับออกจากเส้นทาง

ในรูปแบบการเรียนรู้การเสริมแรง ตัวแทน เรียนรู้ใน สภาพแวดล้อม แบบเรียลไทม์แบบโต้ตอบโดยการทดลองและข้อผิดพลาดโดยใช้ข้อเสนอแนะจาก การกระทำ ของตัวเอง ข้อเสนอแนะจะได้รับในรูปแบบของ รางวัล

AI Generative กับ AWS DeepComposer

Aws DeepComposer

AWS DeepComposer ให้วิธีที่สร้างสรรค์และง่ายดายในการเริ่มต้นด้วยการเรียนรู้ของเครื่อง (ML) โดยเฉพาะ AI กำเนิด ประกอบด้วย คีย์บอร์ด USB ที่เชื่อมต่อกับคอมพิวเตอร์ของคุณเพื่อป้อน Melody และ AWS DeepComposer Console ซึ่งรวมถึง AWS DeepComposer Music Studio เพื่อสร้างดนตรี การเรียนรู้แคปซูล เพื่อดำน้ำลึกลงไปในรุ่น AI แบบกำเนิด

Aws DeepComposer Music Studio

ในการสร้างสร้างและแก้ไของค์ประกอบด้วย AWS DeepComposer คุณใช้ AWS DeepComposer Music Studio ในการเริ่มต้นคุณต้องมีแทร็กอินพุตและโมเดลที่ผ่านการฝึกอบรม

สำหรับแทร็กอินพุตคุณสามารถใช้แทร็กตัวอย่างบันทึกแทร็กที่กำหนดเองหรือนำเข้าแทร็ก

ประสบการณ์สตูดิโอเพลง DeepComposer AWS แต่ละตัวรองรับเทคนิค AI ที่แตกต่างกันสามแบบ: เครือข่ายฝ่ายตรงข้าม (GANS), เครือข่ายประสาทอัตโนมัติแบบอัตโนมัติ (AR-CNNS) และหม้อแปลง

• ใช้เทคนิค GAN เพื่อสร้างแทร็กประกอบ
• ใช้เทคนิค AR-CNN เพื่อแก้ไขบันทึกในแทร็กอินพุตของคุณ
• ใช้เทคนิค Transformers เพื่อขยายแทร็กอินพุตของคุณได้สูงสุด 30 วินาที

Gans With AWS DeepComposer

GAN เป็นรูปแบบการเรียนรู้ของเครื่องกำเนิดเครื่องกำเนิดซึ่งมีเครือข่ายประสาทสองเครือข่ายซึ่งกันและกันเพื่อสร้างเนื้อหาใหม่: เครื่องกำเนิดไฟฟ้าและตัวเลือกปฏิบัติ

• เครื่องกำเนิดไฟฟ้าเป็นเครือข่ายประสาทที่เรียนรู้ที่จะสร้างข้อมูลใหม่คล้ายกับข้อมูลต้นฉบับที่ได้รับการฝึกฝน
• discriminator เป็นอีกเครือข่ายประสาทเทียมที่ได้รับการฝึกฝนเพื่อแยกความแตกต่างระหว่างข้อมูลจริงและข้อมูลสังเคราะห์

เครื่องกำเนิดไฟฟ้าและผู้เลือกปฏิบัติได้รับการฝึกฝนในรอบสลับกัน เครื่องกำเนิดไฟฟ้าเรียนรู้ที่จะสร้างข้อมูลที่สมจริงมากขึ้นเรื่อย ๆ ในขณะที่การเลือกปฏิบัติซ้ำ ๆ จะดีขึ้นในการเรียนรู้ที่จะแยกแยะข้อมูลจริงจากข้อมูลที่สร้างขึ้นใหม่

ในระหว่างการฝึกอบรมเครื่องกำเนิดไฟฟ้าและ discriminator จะทำงานในวงแน่นดังที่ปรากฎในภาพต่อไปนี้

AR-CNN กับ AWS DeepComposer

ในการฝึกอบรมโมเดล AR-CNN เพื่อทำนายเมื่อจำเป็นต้องเพิ่มหรือลบหรือลบออกจากแทร็กอินพุตของคุณ (แก้ไขเหตุการณ์) โมเดลจะอัปเดตแทร็กอินพุต ซ้ำ ๆ ให้ฟังดูเหมือนชุดข้อมูลการฝึกอบรม ในระหว่างการฝึกอบรมโมเดลยังถูกท้าทายในการตรวจจับความแตกต่างระหว่างม้วนเปียโนดั้งเดิมและเปียโนม้วนดัดแปลงใหม่