Amazon AI 服务让每位开发人员均能使用自然语言理解 (NLU)、自动语音识别 (ASR)、视觉搜索和图像识别、文本转语音 (TTS) 及机器学习 (ML) 技术。Amazon AI 服务采用由数千名深度学习和机器学习专家通过亚马逊构建的高度可扩展的产品和服务，来提供可扩展且富有经济效益的高质量、高精准 AI 功能。
此外，借助 AWS Deep Learning AMI，AI 开发人员和研究人员能够在 AWS 的大规模计算基础设施上，快速简单地开始使用任何主要深度学习框架来开发复杂的自定义 AI 模型，体验新的算法并了解新的深度学习技能和技术。
我们的 AI 方法由位于 AWS 基础设施顶部的三个主要层次组成：
AI 服务：在最高层，AWS 提供了一系列预训练、预调且高度可扩展的托管 AI 服务组合，专门面向想要使用 AI 技术而又不想训练或开发自己的 ML 模型的开发人员，这些服务不需要任何已有的人工智能或深度学习知识即可开始使用。用于图像和面孔分析的 Amazon Rekognition、用于文本转语音的 Amazon Polly 以及用于构建带自动语音识别和自然语音理解 (NLU) 功能的对话式聊天机器人 Amazon Lex。
AI 平台：对于想要使用现有数据着力构建自定义推理模型的客户，我们为其提供了一套 AI 平台，借助这些平台，他们无需再操心与开发和管理 AI 训练和模型托管任务相关的无差别的繁重任务。借助 Amazon Machine Learning，您可以使用自己的数据训练自定义机器学习模型，而无需任何高深的机器学习技能或专业知识。另外，Amazon EMR 上的 Apache Spark 包括适用于可扩展机器学习算法的 MLlib。
AI 框架：最后，我们支持所有主要 AI 框架，便于想要构建复杂的前沿智能系统的研究人员和数据科学家使用。Apache MXNet、TensorFlow、Caffe、Theano、Torch、Keras、CNTK 等框架提供灵活的编程模型，可以进行大规模的自定义模型训练。适用于 Amazon Linux 和 Ubuntu 的 AWS Deep Learning AMI 提供了所有这些框架，它们已预先安装在一个方便的 Amazon 系统映像中，并进行了配置，以帮助您快速、轻松开始使用。
AI 基础设施：Apache MXNet 等深度学习框架使用使用的是神经网络，其中涉及增加大量模型的过程。Amazon EC2 P2 实例提供功能强大的 Nvidia GPU，这大大缩短了完成这些计算所需的时间，从而使您只需使用传统 CPU 所需时间的一个零头即可完成模型的训练。训练后，Amazon EC2 C4 计算优化型实例和 M4 通用型实例非常适合使用训练后的模型来运行推理。此外，借助 AWS Lambda，可以简化无服务器机器学习预测操作，借助 AWS Greengrass，可以在 AWS 云和本地设备之间无缝运行 AI IoT 应用程序。
借助 Amazon AI 服务，任何开发人员都可以轻松构建可将文本转换为栩栩如生的语音的应用程序；使用语音或文本进行对话；以及分析图像来识别面孔、物体和场景。
Amazon Lex 使用 Amazon Alexa 所用的同种技术来提供自动语音识别 (ASR) 和自然语言理解 (NLU) 的高级深度学习功能，使您能够构建出含对话式界面 (通常称为聊天机器人) 的应用程序。
Amazon Polly 是一种可将文本转换为逼真语音的服务。借助 Amazon Polly，您能够打造可以用 24 种以上的语言进行讲话的应用程序，其中含有各种男声和女声自然声音，从而打造全新类别的具有语音功能的产品。
Amazon Rekognition 采用 Amazon Prime Photos 所用的技术每日分析数十亿张图像，借助该服务，可以轻松向您的应用程序添加图像分析。借助 Amazon Rekognition，您可以检测图像中的物体、场景和面孔，以及搜索和对比图像中的面孔。
对于想要使用现有数据构建自定义模型的开发人员，借助 AI 平台服务，他们无需再操心与开发和管理 AI 训练和模型托管任务相关的无差别的开销。
Amazon Machine Learning 提供可视化工具和向导来指导您完成机器学习 (ML) 模型的创建过程，您不必学习复杂的 ML 算法和技术。
Amazon EMR 上的 Apache Spark 包括用于开发可扩展的机器学习算法的 MLlib，您也可以使用自己的库。通过在内存中存储数据集，Spark 能够为机器学习应用程序提供较好的性能。
借助 AWS Deep Learning AMI (适用于 Amazon Linux 和 Ubuntu) 和 AWS Deep Learning CloudFormation 模板，您可以快速部署和运行各种规模的主要深度学习框架。借助 AWS Deep Learning AMI，您能够针对大规模训练创建可自动扩展的托管 GPU 群集，以及在训练后的模型中运行推理。它预先安装了 Apache MXNet、TensorFlow、Caffe2 (和 Caffe)、Theano、Torch、CNTK 和 Keras。AWS Deep Learning AMI 是 Amazon Web Services 提供的且由其提供技术支持，以便在 Amazon EC2 中使用。AWS Deep Learning AMI 不额外收费 – 您只需为存储和运行应用程序时所用的 AWS 资源支付相关费用即可。
TensorFlow 是一个开源软件库，用于使用有状态的数据流图进行数值计算。
Caffe2 是一个轻型、模块化且可扩展的深度学习框架，旨在帮助研究人员开发大型机器学习模型，并在移动设备上交付 AI。
Keras 是一个高级神经网络库，采用 Python 语言编写而成，能够在 TensorFlow 或 Theano 上运行。开发它的主要目的是实现快速实验研究。
Microsoft Cognitive Toolkit 是 Microsoft Research 提供的一个统一的深度学习工具包，其中通过有向图将神经网络描述成一系列计算步骤。
Torch 是一个科学计算框架，广泛支持把 GPU 放在首位的机器学习算法。它高效易用，这得益于方便快捷的脚本语言 LuaJIT 和底层的 C/CUDA 实施。
Theano 是一个 Python 库，允许您高效定义、优化和计算涉及多维数组的数学表达式。
Amazon 系统映像非常适合在 AWS 上快速开始使用深度学习技术。AWS Deep Learning AMI 预装了常用的开源深度学习框架 (Apache MXNet、TensorFlow、Theano、Torch、CNTK 和 Caffe)、通过预配置 CUDA 驱动程序实现的 GPU 加速功能，以及 Anaconda 和 Jupyter 等支持工具。
有关更多信息，请访问 AWS Deep Learning AMI 网站。
AWS CloudFormation 模板让您能够轻松扩展 EC2 实例的多个实例，适合执行训练深层神经网络等大型计算任务。对于使用 Deep Learning AMI 的 P2 或 G2 实例，开发人员可以借助分布式 Deep Learning CloudFormation 模板加快运行其已扩展的弹性群集，从而满足更高的训练要求。
有关适用于 Deep Learning 的 CloudFormation 使用情况的更多信息，请访问 AWS EC2 计算博客。
