AWS Machine Learning

AWS機器學習基礎獎學金

AWS ML服務

使用AWS，您可以快速構建，訓練和部署模型。 Amazon Sagemaker是一項完全管理的服務，可從ML工作流中消除複雜性，因此每個開發人員和數據科學家都可以在各種用例中部署機器學習。

ML基礎架構和框架

AWS工作流服務使您更容易管理和擴展基礎ML基礎架構。

AWS Deeplens的計算機視覺

AWS Deeplens

AWS Deeplens允許您創建和部署基於計算機視覺的應用程序。

AWS Deeplens的工作方式

AWS Deeplens與多個AWS服務集成在一起。您可以使用這些服務來創建，訓練和啟動您的AWS Deeplens項目。您可以想到一個AWS Deeplens項目被分為兩個不同的流，如圖所示。

• 首先，您使用AWS控制台創建項目，存儲數據並培訓模型。
• 然後，您在AWS Deeplens設備上使用訓練有素的型號。在設備上，處理相機的視頻流，進行推理，推理的輸出將傳遞到兩個輸出流中：
  • 設備流 - 視頻流通過而無需處理。
  • 項目流 - 模型處理視頻幀的結果。

AWS Deepracer的強化學習

強化學習概念

基本的強化學習術語在AWS Deepracer的背景下。

• 代理：代理是AWS Deepracer汽車，其目標是盡可能快地完成 *在賽道上完成 *，而在某些情況下，避免了障礙。
• 環境：對於AWS Deepracer來說，這是我們模擬器或現實生活中的曲目。
• 狀態：每個狀態都是由相機捕獲的圖像。汽車的初始狀態是軌道的起點，其終端狀態是汽車完成膝蓋，撞到障礙物或駛離軌道時。
• 動作： AWS深色汽車接近轉彎，可以選擇加速或製動，然後向左，右轉或直行。
• 獎勵：獎勵功能是一個激勵計劃，將分數分配為賽道上不同區域的獎勵。
• 情節：一集以最初的狀態開始，當汽車離開起始位置時，在終端狀態下結束，當它完成膝蓋，撞到障礙物或駛離賽道時。

在強化學習模型中，代理通過使用其自己的行動反饋來試用和錯誤在交互式實時環境中學習。反饋是以獎勵的形式給出的。

具有AWS DeepComposer的生成AI

AWS DeepComposer

AWS DeepComposer為您提供了一種開始機器學習（ML），特別是生成AI的創造性和簡便方法。它由一個USB鍵盤組成，該鍵盤連接到您的計算機輸入旋律和AWS DeepComposer控制台，其中包括AWS DeepComposer Music Studio，以生成音樂，學習膠囊，以深入研究生成的AI模型，以及AWS DeepComposer ChartBusters Chartbusters Chartbusters Chartbusters挑戰以展示您的ML技能。

AWS DeepComposer音樂工作室

要使用AWS DeepComposer生成，創建和編輯作品，您可以使用AWS DeepComposer Music Studio。首先，您需要一個輸入軌道和訓練有素的模型。

對於輸入軌道，您可以使用示例軌道，記錄自定義軌道或導入軌道。

每種AWS DeepComposer音樂工作室體驗都支持三種不同的生成AI技術：生成對抗網絡（GAN），自動回歸卷積神經網絡（AR-CNN）和變形金剛。

• 使用GAN技術創建伴奏軌道。
• 使用AR-CNN技術在輸入軌道中修改註釋。
• 使用變形金剛技術將輸入軌道延長長達30秒。

與AWS DeepComposer一起使用

GAN是一種生成機器學習模型，它相互互相支持，以生成新內容：生成器和歧視器。

• 發電機是一個神經網絡，學會創建類似於訓練的源數據的新數據。
• 鑑別器是另一個受過訓練的神經網絡，可以區分真實數據和合成數據。

發電機和鑑別器以交替的周期進行訓練。發電機學會了產生越來越現實的數據，而歧視者迭代卻在學習區分新創建的數據方面變得更好。

在訓練過程中，發電機和鑑別器在以下圖像中所示的緊密循環工作。

AR-CNN與AWS DeepComposer

為了訓練AR-CNN模型以預測何時需要從輸入軌道（編輯事件）中添加或刪除音符，該模型將輸入軌道更新為聽起來更像訓練數據集。在訓練過程中，該模型還挑戰了原始鋼琴卷與新修改的鋼琴卷之間的差異。