真能实操「动手学深度学习」案例？|QbitAI论AI圈活菩萨

韩志变策源于奥飞寺

量子位报告 | 公众号QbitAI

说起AI圈活菩萨，莫过于李牧先生。

此前，他撰写了《Hands-on Deep Learning》，成为圈内经典。后来，他在B站免费给斯坦福上了一堂AI课。一场高难度的硬核讲座视频36万，研究组从导师到实习本科生不等。生活在追逐。

这么给力的分享，难怪很多人都自豪地自称“拜师门下”——

最近，我发现有些平台做得更好。

本平台免费提供算力，还将入门经典“动手深度学习”免费放入平台供大家学习和实践。名称是：Amazon SageMaker Studio Lab。

据介绍，该平台基于JupyterLab，提供免费的GPU和CPU算力+15G永久存储功能。还链接GitHub，支持使用主流机器学习工具组件和开源资源包。开发者可以结合《动手深度学习》教材自己训练模型，看看效果。

此外，他们还声称该应用程序只需要一个电子邮件地址，不需要公众号，也不需要信用卡。

有这么好的事情吗？

今天就带大家来测试一下。

真能实践“动手学习深度学习”的案例吗？

通过链接到 studiolab.sagemaker.aws，我们可以登录网络平台并探索现实。

从界面可以看出，平台提供GPU/CPU算力选项，无需付费即可直接使用。

在右下角，我们可以看到Dive into Deep Learning（简称D2L）这本书。

点击 Open D2L notebooks 直接打开：

打开项目后，系统会自动加载D2L资源并存放在我们的云文件夹中。

自述文件也被打开。里面系统环境配置、书籍概要、受众、目录框架等一应俱全。文末还有各章节的链接，可以直接进入。

至此，您就可以通过课程内容与实际操作相结合的平台学习深度学习了——

那么它在实践中是如何工作的呢？

以经典中的经典AlexNet部分为例，感受一下。

在平台上展示了​​AlexNet的血统开发和基本原理的讲解，可以运行模型的定义和构建代码。

为了保证初学者更好的理解，我们还可以构建一个单通道数据示例未转变者怎么打代码，观察AlexNet内部8层的输出。目的是帮助我们直观地理解不同层的作用：

最重要的是训练模型也开放实操，代码部分可以选择运行。

但是，这个过程允许很长时间。我们在 GPU 选项下使用大约 7 分钟进行训练，请稍候！

△看到曲线画的很慢很慢

值得一提的是，由于整个界面可以当做Notebook来添加代码，记录学习和思考——

因此，即使我们的课程完成了，我们也可以在课文末尾添加一个代码栏，根据本章末尾的习题编写作业。

上面的介绍只是一个小节。其实从全连接层、卷积、池化等概念的介绍，到对ResNet和DenseNet的讲解……在Amazon SageMaker Studio Lab的免费环境中，都有演示和实际操作，而且他们安排得很清楚。

平台还考虑到我们高阶线性代数基础不一样，不是每个人都过90分，还给出了单变量微积分、最大似然等数学基础的介绍和代码实现，还附上了环境配置方法一个非常可靠的姿势。

经过以上验证，这家 Amazon SageMaker Studio Lab 确实可以免费完整地练习大师的“动手深度学习”——

对于想要入门甚至深入掌握AI/ML技术的人来说，这种理论+实践的学习方式自然效率更高，未来向实际工作或科研甚至创业的过渡会更加无缝。

其实它的能力还不止这个级别。

为开发人员提供的免费平台

从名字就可以看出，Amazon SageMaker Studio Lab 推出背后的公司是 Amazon Cloud Technology。

这家前沿科技公司此次推出免费平台，不仅让“动手深度学习”成为一个理论+实践的实践领域，还面向数据科学家、企业开发者、高校师生——

提供免费且低门槛的机器学习包容性机会。

事实上，在亚马逊云技术之前，业界已经有好几个开放的机器学习平台——

那么，此次 Amazon SageMaker Studio Lab 又有哪些新亮点呢？

让我们先从配置开始。

该平台提供15G以上永久存储、16G内存、4个CPU，GPU为NVIDIA Tesla T4，略高于目前其他主流平台。

由于采用了更新架构的NVIDIA Tesla T4，其混合精度计算速度指标也相应更高。另外，免费版采用与SageMaker Studio相同的架构，相当于叠加了一层企业级Buff，稳定性更有保障。

值得注意的是，该平台标榜4小时GPU+12小时CPU，但实际上时间到了我们仍然可以再次打开Runtime，原始文件依然存在。

但如果你想挖硬币，算了……

平台明文禁止使用SageMaker Studio Lab进行生产，挖矿加密货币时发现直接禁止。

说完配置，再来看看实际操作。

在操作上，Amazon SageMaker Studio Lab 比其他平台更简单、更直观。

该界面不仅可以创建 Jupyter Notebook 文件，还支持我们直接创建 Terminal 选项卡和 Markdown 格式文件。

另外，这个平台配置了 Conda 和 Pip 资源包管理器，让我们不用重复安装开源包。

拉取 GitHub 项目甚至不需要使用命令行，只需点击左侧的按钮即可。

如果克隆的项目中有 yml 环境配置文件，那么在项目构建时，Conda 环境也会同步建立。

该平台还与 Github 相关联。

在我们自己的 Github 项目 README 文档中包含以下内容：

[![在工作室实验室中打开]()]()

您可以添加“在 Studio Lab 中打开”按钮 –

其他人可以一键访问 Amazon SageMaker Studio Lab 平台。

当然，我们也可以通过手动上传或者复制的方式新建一个ipynb。

以经典的图像分类算法为例。

从其他平台复制一个ipynb文件后，无需修改即可使用，最多手动安装依赖即可。

训练模型的实际速度与其他平台基本相同，有时甚至会稍快一些。

最后，我们还要看看很多人关心的数据安全问题。

我们在做机器学习的时候，往往会持有大量的私人人脸信息，甚至是未经脱敏的医院病人信息。为了保护他人的隐私和数据安全，我们不得不看看这种情况。

Amazon SageMaker Studio Lab 脱胎于企业级应用，承诺每个人的数据都受到加密保护，如果账户被删除，所有相关数据都会被相应删除。该平台承诺不会保留它。

目前，许多知名学校和企业已经使用了 Amazon SageMaker Studio Lab 并为其平台背书。

其中，有ENIAC发源地宾夕法尼亚大学工程学院、加州大学圣克拉拉分校金融系、拥抱脸。

国内的追随者也不少。

南方某985理工学院机器学习领域的一名博士生表示，虽然他们课题组的方向是传统机器学习，但仍然需要深度学习来辅助验证。

由于实验室的计算设备是几年前购买的，随着人员和研究方向的增加，特别是在投稿前夕，计算资源的竞争是很普遍的。Amazon SageMaker Studio Lab 对他们来说真的很有吸引力。

说完这个免费平台的优势，接下来的问题是：如何申请？

在这里谈论它。

无需亚马逊云技术账户，只需登录官方链接 studiolab.sagemaker.aws/requestAccount 并填写邮箱地址及相关信息即可。

不过为了保证大家能尽快通过应用程序使用，这里有一些Tips，希望大家注意：

建议语言为英文，相关机构名称填写清楚，留邮箱后缀与申请所在机构英文名称一致。这样的应用程序更加可信和可靠。

如果满足以上条件，可以在亲测24小时内收到邀请，注意查收邮件。

无缝迁移的高级版本

如前所述，Amazon SageMaker Studio Lab 与 Amazon SageMaker Studio 专业版基于相同的架构，所以如果你想从初学者免费版迁移到专业版，绝对不是什么大问题。

对于专业的开发者来说，这当然为先进的科研和创业提供了更多的可能。

更具体地说，Amazon SageMaker Studio 专业版自始至终为开发者提供了一套相当全面的功能：

例如，它为我们高效的大型模型训练需求提供了大规模的分布式训练。使用分区算法自动拆分 GPU 实例中的大型模型和数据集，以提高并行度并加快训练速度。

比如数据标注功能Ground Truth Plus就已经吸引了人类专家未转变者怎么打代码，结合机器学习辅助预标注，大大减少标注错误，提高标注速度。

再比如Amazon SageMaker Data Wrangler，它面向机器学习中的数据准备阶段，可以通过可视化界面进行数据选择、清洗和探索。一键导入，无需代码即可快速标准化和转换各种结构的大量数据。“四大”之一的德勤就采用了这一功能。原本几个月完成的数据准备，现在压缩到了几天。

此外，Amazon SageMaker Studio 还包括访问控制管理、模型监控、无服务器推理功能、推理配置建议……以及全周期的工业 AI/ML 服务，应有尽有。

以上很多都是亚马逊云技术re:Invent 2021今年新推出的功能，很大程度上体现了公司对需求的理解和技术的前瞻性——

这些功能为专业开发人员、数据科学家提供了更多的可能性，无论是研究还是创业。

更有趣的是，亚马逊的云技术似乎并不专注于运营业务，有很多普惠活动对我们来说“不赚钱”。

机器学习马拉松项目就是一个例子。

该活动每年举办数次，平台将提出人工智能相关领域应用的测试题，涵盖人工智能自动化编程、防灾或损毁评估等。

本次活动将考验挑战者在CV、NLP等方面的技能，期间平台还将提供相关平台和资源。获胜者将获得高达 50,000 美元的奖金。

像这样的活动还有很多，都是面向实际需求，用技术造福开发者，每一个都有自己的乐趣或社会价值。

Amazon DeepRacer，一个零门槛进入机器学习的自动驾驶竞赛，拥有数百万粉丝和14万参与开发者；

还与非营利组织 Girls in Tech 合作开展活动，帮助更多女性了解和使用机器学习，消除科技界的性别差距；

还有最新推出的Amazon SageMaker Canvans，在圈内引起了高度关注。针对零代码经验的内部分析师和运营商，帮助他们将机器学习技术应用到实际业务中。

科技巨头退居二线

最后，您如何评价 Amazon Cloud Technology 的 SageMaker Studio Lab？

从运营的角度来看，这些做法当然有利于自身未来的生态建设，是龙头企业保住地位的必要举措。另外，大量公司以50万年薪招聘相关从业者，这对很多开发者来说也是一件好事。

毕竟，人工智能的不足是肉眼可见的。大多数开发人员具有丰富的编程经验和数学基础。唯一的障碍是：他们不熟悉机器学习。补这片喝汤，何乐而不为？

不过，从业界的角度来看，上述动作确实是在推动前沿技术的落地——

但是，这里的推动不是更快，而是更宽。

要知道，一百年前汽车才刚刚发明出来，只有机械专家才能成为车主，所以在当时的社会，司机是一个拥有尖端技术的职业。

你也要知道，三十年前，PC和互联网只是少数开发者的玩具，开发网站可以让人们快速致富，积累高达万丈高楼的资产。

因此，一百年前的人们无法理解一个人人都能开车的社会，30年前的人们很难想象用手指就能拥有自己的互联网平台。

今天的机器学习也是如此。即使是最前沿的技术高手，也只能瞥见 AI 版图的一小部分。只有反复降维，这项技术才能进入千行百业的场景，在不同背景、不同经历的人手中，会产生不同频率的回响——

这不仅是亚马逊云技术普惠布局价值的体现，也是李牧先生等人的公益心。

那么，未来人工智能技术能释放多少能量呢？

答案必须从每个单独的开发人员和每个场景破解中找到。

– 结束-