几分钟体验：用AWSSagemaker训练一个AI模型

AWS有很多免费的服务，常用的EC2，S3，RDS等都支持一年的限量免费服务，Sagemaker也有免费体验的服务。Sagemaker是AWS的机器学习训练平台，托管了JupyterNotebook，内置了许多常用的机器学习算法。

在开始之前先了解下SageMaker的免费套餐：

为期两个月，每个月250个小时，想免费体验的话，建议在每个月21号开一个实例，然后下个月十号及时关掉就好，这样前后大约20天时间的体验时间。

现在动手来体验一下吧，我们创建一个实例。

Sagemaker的实例配置还是比较高的，免费体验版需要选择t2.medium（只有这个实例是免费的），可能是配置比较高，所以，免费套餐的时间才比较短吧，EC2的免费套餐是t2.micro，每个月750小时的体验时间，一年内可以一直开着。

起个名字，然后创建一个IAMrole，选择VPC和subnet，别的选项可以忽略。

点击创建实例。

Pending……得等等。

选中我们的Jupyter然后Open就可以重定向到Jupyter里了。

如图，这就是Sagemaker提供的JupyterNotebook。

这张图是本地的JupyterNotebook。

外观差别不大，但是Sagemaker提供的选项更丰富，conda标签是anaconda的包管理页，SageMaker Examples是AWS提供的在线样例。

新建按钮的文件类型更多，能创建Spark，tensorflow以及pytorch的项目文件，这在Jupyter里的概念叫kernal，添加一个Kernal就能新增加一种可创建的文件类型，还是挺强大的，不用用户自己及决配置依赖的问题了，环境还是很强大的。

新建个Python3的文件吧。

然后再创建一个Tensorflow的文件，将Tensorflow官网上案例代码放进去做一个简单的模型训练。

Epoch5，最后训练出的精度为98.3%，还不错。

简单用一下Tensorflow的话，也看不出有什么优势，因为本地也可以进行这些操作，不过下载数据集的时候速度慢了点。

因为数据太简单，所以根本看不出有什么区别。最后训练出的精度也是98%，与前者相差无几。而且，可能是因为是美国维吉尼亚的区，所以对中文的支持有点差。

AWS有很多很棒的产品，但Sagemaker本身的创新并不太多，有很多功能就是原来的IpythonNotebook的功能，而且本身是需要付费的，对于一般用户来说，正常使用还是有点贵的，如果要有大量的训练需求的话，当然就非常有用了，本地的计算能力跟云端t2,medium的差别不是一点半点的。

类似的，谷歌有一个叫Colaboratory的工具，其实也与JupyterNotebook相差无几，而且后者是免费的。

我们再试试用SageMaker内置的算法来试试，用kmeans来做一个简单的分类吧。以下简单看一下怎么用Sagemaker做训练，这部分会看到云端搞机器学习的优势。

用Sagemaker上的kmeans训练个模型

注意：我们来看看这个代码，不感兴趣的朋友可忽略，你也可以一路按shift+enter也能训练出模型。

代码略读：

首先，这里是一些准备工作。

获取执行权限，还有创建一个s3bucket来存放这些训练数据。（AWS提供免费5G s3空间的用户注意节约使用）。

训练用的是Minist数据集，7万张28x28像素的小图片，图片上是手写的0-9数字。下一步是数据获取，数据处理之类的操作，Sagemaker很快就完成了。

导入的数据被分成三大类，一类是训练数据，一类是验证数据，还有一类是测试数据。

数据导入成功，然后下一步，看看数据的构成，看看图片长什么样子。

以上的环节就通常说的机器学习数据处理的工作，因为这个数据本身就很规范，所以，我们技术啥也没做，因为是聚类分类算法，所以也不需要打标签。

然后就可以进入下一步，进行训练了。

上图可见，AWS的Sagemake实现了自己的kmeas，在这一操作步骤中，构建了kmeans的基本框架，创建了两个用于训练的实例，用的居然还是8xlarge的实例，设置了输入数据和数据数据的路径，k值设为10，k值非常关键，意思是说把训练出的模型分成10个簇，所有数据都在十个簇之间。

调用kmeans的.fit函数进行训练，这个.fit方法应该也是sagemaker自己定义的，训练完成的模型也上传了，把原本就简单的kmens算法用的更简单了。

Sagemaker的控制台里，一项训练任务花了三分钟。

点进去可以看到许多配置的信息。

Sagemaker的控制台里，能看到刚才训练得到的模型。

下一步。把训练出来的模型部署在m4.xlarge实例上，耗时五分钟。一会儿用8xlarge，一会儿m4.xlarge，所以，这个东西免费体验二十天也是有情可原的。

下一步，把一个数据带入到模型里，看下这个数据距离哪个簇最近，看看离这个最近的簇的距离是多少。

图片中的这两步大概做了这样一件事，找出100个验证（validate）数据，分成0-9，10个分类，10个簇，相似的是一个簇，如果一个簇里的数字是一样的话，那就证明识别的还不错。

网上随便找的一张Kmeans的分类示意图，一簇一颜色，算一个分类

来看下模型识别的精准度吧。

咱们刚刚训练出来的模型怎么样？还行吧。

以上就是此次体验的SageMaker。

最后别忘了把你开启的训练实例删除掉，要不然，花的可是你的真金白银。

感受：

与本地的平台相比（笔者是用Anaconda无脑包打造的本地环境），内置的算法挺方便的，配置省去了很大麻烦，不过，因为替换成sagemaker的API，所以需要机器学习开发者花点时间熟悉一下，方便也不方便。另外，模型管理，算法管理都展示的比较清楚还是挺强大的。

更主要的是，用户可以自由配置计算的实例，如果觉得时间比较长的话可以换成比较高的配置，可以把计算复杂扩展到多台计算实例上，这个是单机完全不能比的。