前言：

2. 在“笔记本实例”页面上，单击“创建笔记本实例”。

在“创建笔记本实例”页面中，输入名称、选择实例类型和计算资源等配置信息，并新建安全组。

在新的界面下，输入该 Notebook 实例的名称，并在 Notebook instance type 处选择实例的类型。同时，设置该实例的存储磁盘大小，默认是 5GB，截图中我们手动改为 30GB，该容量后期同样可以调大。

最后选择创建笔记本实例，SageMaker 就将创建该 Notebook 实例。在 笔记本实例 界面可以看当前的实例列表及其状态，如果状态为 InService，在操作列有 打开 Jupyter |打开 JupyterLab 的选项。
在机器学习中，Notebook 已经是常见的形式了，很多云平台都采用了这种编辑形式。因为可以与代码交互，用它来开发机器学习代码实在是再合适不过了。在 SageMaker Studio 中，除了 Notebook 传统擅长可视化，还额外加了一些可视化组件管理模型的实验过程。
本来用 Notebook 写轻量代码就非常方便，再加上 SageMaker 自己提供的大量精炼 API，它们之间的配合特别融洽。对于那些费时费力的底层资源管理繁杂过程，交给 SageMaker API 就行了，剩下的只要在 Notebook 写下算法逻辑，这才是机器学习开发者最高效的姿势。

点击 Open Jupyter，将自动弹出一个新的页面，加载完成后，出现我们熟悉的 Jupyter Notebook 界面。

其中在 SageMaker Examples 页面下，在右侧 New 下拉菜单中，您可以选择创建的开发环境，此处我们选择 conda_python3 以进行后面的内容。

3.创建存储桶用来存放本次实验数据

猫狗数据集介绍：
猫狗数据集包括25000张训练图片，12500张测试图片，包括猫和狗两种图片。在此次实验中为了训练方便，我们取了一个较小的数据集。 数据解压之后会有两个文件夹，一个是 “train”，一个是 “test”，顾名思义一个是用来训练的，另一个是作为检验正确性的数据。

在train文件夹里边是一些已经命名好的图像，有猫也有狗。而在test文件夹中是只有编号名的图像。

图片展示
下面是数据集中的图片展示：

class_names = ['cats', 'dogs']plt.figure(figsize=(10, 10))for images, labels in train_dataset.take(1):  for i in range(9):    ax = plt.subplot(3, 3, i + 1)    plt.imshow(images[i].numpy().astype("uint8"))    plt.title(class_names[labels[i]])    plt.axis("off")

这里是输出的结果：✨✨✨

二、下载数据集并将其进行数据预处理

数据集加载，数据是通过这个网站下载的猫狗数据集：http://aimaksen.bslience.cn/cats_and_dogs_filtered.zip，实验中为了训练方便，我们取了一个较小的数据集。

path_to_zip = tf.keras.utils.get_file(    'data.zip',    origin='http://aimaksen.bslience.cn/cats_and_dogs_filtered.zip',    extract=True,)PATH = os.path.join(os.path.dirname(path_to_zip), 'cats_and_dogs_filtered')train_dir = os.path.join(PATH, 'train')validation_dir = os.path.join(PATH, 'validation')BATCH_SIZE = 32IMG_SIZE = (160, 160)

数据集管理

使用image_dataset_from_director进行数据集管理。

train_dataset = image_dataset_from_directory(train_dir,                                             shuffle=True,                                             batch_size=BATCH_SIZE,                                             image_size=IMG_SIZE)validation_dataset = image_dataset_from_directory(validation_dir,                                                  shuffle=True,                                                  batch_size=BATCH_SIZE,                                                  image_size=IMG_SIZE)

加载预训练模型：

val_batches = tf.data.experimental.cardinality(validation_dataset)test_dataset = validation_dataset.take(val_batches // 5)validation_dataset = validation_dataset.skip(val_batches // 5)

三、构建、训练和部署您的模型。

在Jupyter Notebook中使用SageMaker Python SDK来构建、训练和部署模型。

1.Stable Diffusion 模型介绍

在此次训练中，我们用到了亚马逊用于预测产品的需求和销售趋势的一种模型—Stable Diffusion 模型。
它基于随机漫步和稳定性假设，能够描述价格波动的实际情况。该模型认为价格变化由两个部分组成：一个稳定的长期趋势和一个随机的短期波动。
该模型有四个主要参数：稳定指数alpha、漂移参数beta、标准差sigma和时间间隔delta。其中alpha表示价格波动的稳定程度，越大则波动越不稳定；beta表示价格的长期趋势；sigma表示价格离散度或者说波动大小，越大则价格波动越大；delta表示时间间隔。
总体体验下来，该模型给我以下的感觉：

1. 可以处理缺失值： Stable Diffusion 模型可以有效地处理数据中的缺失值，这使其在面对现实中的不完整数据时更加可靠。
2. 考虑市场饱和度： 该模型能够考虑市场饱和度对产品需求的影响，从而预测产品在市场上的销售情况。
3. 能够灵活应用： 该模型十分灵活，可以根据不同类型的产品和市场需求进行调整和改进，因此适用范围广泛。

Stable Diffusion 模型在预测产品销售趋势方面具有较高的准确度和可靠性，是亚马逊在产品销售策略制定中的重要工具之一。

2.训练

做机器学习的朋友应该都了解，ML 中的数据预处理是最麻烦的，而在 IDE 处理数据需要特别好用的可视化，从而给我们关于数据最直观的理解。与此同时，手动调参也需要特别好的可视化，来帮助我们对比不同算法和超参训练出来的模型效果。
而Amazon SageMaker正好可以为我们提供很好的可视化效果，为我们的训练以及调参带俩极大的便利。作为一个完全托管的机器学习平台，SageMaker把软件技能抽象化，能让我们通过一组直观并且易于使用的工具，就能构建、训练想要的机器学习模型。

inital_input = tf.keras.applications.mobilenet_v2.preprocess_input

IMG_SHAPE = IMG_SIZE + (3,)base_model = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,                                               include_top=False,                                               weights='imagenet')

base_model.trainable = Falsebase_model.summary()

这里是输出的结果：✨✨✨

3.训练结果可视化

用图表显示准确率和损失函数

# 训练结果可视化，用图表显示准确率和损失函数acc = history.history['accuracy']val_acc = history.history['val_accuracy']loss = history.history['loss']val_loss = history.history['val_loss']epochs_range=range(initial_epochs)plt.figure(figsize=(8,8))plt.subplot(2,1,1)plt.plot(epochs_range, acc, label="Training Accuracy")plt.plot(epochs_range, val_acc,label="Validation Accuracy")plt.legend()plt.title("Training and Validation Accuracy") plt.subplot(2,1,2)plt.plot(epochs_range, loss, label="Training Loss")plt.plot(epochs_range, val_loss,label="Validation Loss")plt.legend()plt.title("Training and Validation Loss")plt.show()

这里是输出的结果：✨✨✨

托管与实时推断现在我们的模型已经完成了训练，并可用于进行实际预测！利用之前提到的代码，这里创建并启动一个端点。

predictor = m.deploy(initial_instance_count=1, instance_type='ml.c4.xlarge')

而后运行以下命令调用该端点: predictor.predict(img_input)!
就这么简单，只需要不足100行代码，我们的端到端机器学习流程即构建完成。

四、 运行文件，查看模型的训练和评估结果

AWS Tensorflow optimization通过其庞大的256 GPU，可以提高最多90%的扩展性。这样，在很短的时间内，我们就可以体验到精确、复杂的训练模型。而且，Amazon Sagemaker附带的Managed Spot Training，还可以降低培训成本的90%。因为在本地总会因为配置问题使的运行速度非常缓慢甚至中途报废，所以说对运行的结果以及速度我还是非常期待的。

1.输出训练的准确率

# 输出训练的准确率test_loss, test_accuracy = model.evaluate(test_dataset)print('test accuracy: {:.2f}'.format(test_accuracy))

这里是输出的结果：✨✨✨

然后我们借用cnn工具可视化一批数据的预测结果

label_dict = {    0: 'cat',    1: 'dog'}test_image_batch, test_label_batch = test_dataset.as_numpy_iterator().next()# 编码成uint8 以图片形式输出test_image_batch = test_image_batch.astype('uint8')cnn_utils.plot_predictions(model, test_image_batch, test_label_batch, label_dict, 32, 5, 5)

这里是输出的结果： ✨✨✨

2.数据输出

# 数据输出，数字化特征图test_image_batch, test_label_batch = train_dataset.as_numpy_iterator().next()img_idx = 0random_batch = np.random.permutation(np.arange(0,len(test_image_batch)))[:BATCH_SIZE]image_activation = test_image_batch[random_batch[img_idx]:random_batch[img_idx]+1]cnn_utils.get_activations(base_model, image_activation[0])

这里是输出的结果： ✨✨✨

Amazon SageMaker 在数据导入，输出方面具有明显优势，易用性方面国内部分厂商也同样优秀。同时对于 TensorFlow 和 PyTorch的支持度都比较好。

3.图像结果输出

这里是输出的结果：✨✨✨


运行之后，我们发现计算结果准确性高达了0.97，可以说是准确度相当之高了，经过可视化之后输出的图像也是肉眼可见的准确！而且相比于在本地运行其简便性十分突出，这次技术体验比我想象的好太多，技术体验耗时不到 10 分钟，解决了最头疼的配置和调优问题，简化了开发流程，提升了开发效率，可以快速帮助我们构建、训练和评估模型。并且训练速度极快，0.1s内就可以将所有项目输出结果全盘脱出！

五、使用体验总结

Amazon SageMaker 的优势在于不必安装，也不需要手动扩展，只要保证网络畅通，有兼容的浏览器保证运行即可。它提供了一个完整的机器学习套件，其中包括 IDE，API，调试、监控工具等，可以在机器学习建模的各个流程环节处理好关键事项。

相对于传统的机器学习开发，使用 Amazon SageMaker 可以带来以下几个方面的优势：

1. 快速构建和测试： Amazon SageMaker 提供了内置算法和模型模板，可以快速构建、训练和评估模型。此外，您还可以使用 Amazon SageMaker Studio 和 Amazon SageMaker Notebook Instance 进行交互式开发和调试。

2. 易于部署和扩展： 使用 Amazon SageMaker，您可以轻松地将训练好的模型部署到实时终端节点或批处理推理作业中。您还可以根据需要自动缩放模型推理容量。

3. 成本效益： Amazon SageMaker 提供了灵活的定价模型，使您的机器学习应用程序能够按需缩放，从而节约成本。

4. 安全性和合规性： Amazon SageMaker 采用多层安全措施来保护您的数据和模型。此外，Amazon SageMaker 还符合多种合规标准，如 HIPAA、PCI、SOC 1/2/3 等。

5. 强大的生态系统： Amazon SageMaker 集成了许多其他 AWS 服务，例如 Amazon S3、Amazon Redshift、Amazon Athena 等，让您的机器学习工作流程更加无缝。

6. 按使用量付费： Amazon SageMaker的付费方式是按使用量付费，您只需支付您使用的资源和服务，这使得使用Amazon SageMaker非常灵活和经济。

总之，Amazon SageMaker 为您提供了一个全面的、高度托管的机器学习平台， 可以使用大规模分布式计算集群，使得我们的模型训练速度更快，能够应对大规模数据和复杂模型训练，对于那些想要利用机器学习技术但不想花费大量时间和资源来构建自己的环境的用户来说，是一个非常有价值的工具。而且SageMaker 提供了自动模型调优工具，根据我们提供的数据和模型类型，自动找到最佳的超参数组合，从而提高模型的准确率，使得机器学习建模变得更加简单和高效。
SageMaker 的强大不仅来自于 AWS 多年积累的技术，也源于这家公司与众多使用者、合作伙伴共同建立起的生态。通过云上探索实验室，开发者可以学习实践云上技术，同时将自己的技术心得分享给其他开发者小伙伴。一同创造分享，互助启发，玩转云上技术。云上探索实验室不仅是体验的空间，更是分享的平台！
欢迎大家一起参与云上探索实验室，用技术实验、产品体验、案例应用等方式，亲身感受最新、最热门的亚马逊云科技开发者工具与服务。发挥您的想象和创造，以文章、视频、代码 Demo 等形式分享见解。
让我们一起分享，帮助更多开发者进行学习与开发，为技术实践提供更多的可能性：https://dev.amazoncloud.cn/experience
好啦，这就是今天要分享给大家的全部内容了，我们下期再见！
❤️❤️❤️如果你喜欢的话，就不要吝惜你的一键三连了~

最后，有任何问题，欢迎关注下面的公众号，获取第一时间消息、作者联系方式及每周抽奖等多重好礼！ ↓↓↓

本期推荐：

Python从入门到精通（微课精编版）（软件开发视频大讲堂）

《Python从入门到精通（微课精编版）》 使用通俗易懂的语言、丰富的案例，详细介绍了Python语言的编程知识和应用技巧。全书共24章，内容包括Python开发环境、变量和数据类型、表达式、程序结构、序列、字典和集合、字符串、正则表达式、函数、类、模块、异常处理和程序调试、进程和线程、文件操作、数据库操作、图形界面编程、网络编程、Web编程、网络爬虫、数据处理等，还详细介绍了多个综合实战项目。