Las AMI de aprendizaje profundo de AWS equipa a los científicos de datos, los profesionales del aprendizaje automático y los científicos investigadores con la infraestructura y las herramientas necesarias para acelerar el trabajo de aprendizaje profundo, en la nube y a cualquier escala. Puede lanzar rápidamente instancias Amazon EC2 en Amazon Linux o Ubuntu, preinstaladas con marcos de aprendizaje profundo populares para entrenar modelos de inteligencia artificial personalizados y sofisticados, experimentar con nuevos algoritmos o aprender nuevas habilidades y técnicas. Las AMI de aprendizaje profundo permiten la creación de clústeres de GPU administrados de escalado automático para el entrenamiento a gran escala, o la ejecución de inferencias en modelos entrenados con instancias de CPU de uso general u optimizadas para la computación, mediante Apache MXNet, TensorFlow, Microsoft Cognitive Toolkit (CNTK), Caffe, Caffe2, Theano, Torch y Keras.
Empiece rápidamente
Para empezar a utilizar rápidamente su instancia de Amazon EC2 de aprendizaje profundo en la nube, las AMI de aprendizaje profundo están provistas de numerosos marcos de aprendizaje profundo populares, cada uno de los cuales incluye un tutorial fácil de usar para mostrar la correcta instalación, configuración y precisión del modelo.
Instalación y configuración sin complicaciones
Las AMI de aprendizaje profundo instalan dependencias, realizan un seguimiento de las versiones de las bibliotecas y validan la compatibilidad del código. Además, con las actualizaciones mensuales de las AMI, siempre tendrá las versiones más recientes de los motores y las bibliotecas de ciencias de datos.
Pague solo por lo que utilice
Tanto si necesita instancias de GPU como de CPU de Amazon EC2, no se aplica ningún cargo adicional por las AMI de aprendizaje profundo. Solo paga por las horas de recursos de AWS que necesite para almacenar y ejecutar las aplicaciones.
El aprendizaje profundo puede resultar complicado desde el punto de vista técnico, y es necesario que comprenda las matemáticas de los modelos en sí, y que tenga experiencia en el escalado del entrenamiento y en la inferencia entre sistemas distribuidos de gran tamaño. Como resultado, han surgido varios marcos de aprendizaje profundo que permiten definir modelos y, después, entrenarlos a escala. Creadas para Amazon Linux y Ubuntu, las AMI de aprendizaje profundo de AWS vienen preconfiguradas con Apache MXNet, TensorFlow, Microsoft Cognitive Toolkit (CNTK), Caffe, Caffe2, Theano, Torch y Keras, lo que permite implementar y ejecutar rápidamente cualquiera de estos marcos a escala.
Los marcos de aprendizaje profundo usan redes neuronales, que incluyen el proceso de multiplicar una gran cantidad de matrices. Para agilizar el entrenamiento de los modelos y la investigación y el desarrollo del aprendizaje profundo, las AMI de aprendizaje profundo de AWS ofrecen aceleración de GPU mediante controladores cuDNN y CUDA preconfigurados, así como la biblioteca Math Kernel Library (MKL) de Intel y la instalación de paquetes Python populares y la plataforma Anaconda.
Las AMI de aprendizaje profundo de AWS que se ejecutan en instancias P2 de Amazon EC2 vienen preinstaladas con controladores CUDA y cuDNN de NVIDIA para todos los marcos de aprendizaje profundo compatibles con el fin de acelerar notablemente el tiempo necesario para completar los cálculos.
Cuando se utilizan procesadores Intel para las instancias Amazon EC2, las AMI de aprendizaje profundo integran la biblioteca Math Kernel Library (MKL) de Intel para acelerar el procesamiento matemático y rutinas de la red neuronal.
Las AMI de aprendizaje profundo de AWS vienen instaladas con notebooks de Jupyter (anteriormente iPython) cargados con kernels Python 2.7 y Python 3.4, además de otros paquetes de Python populares, como el SDK de AWS para Python.
Para simplificar la administración e implementación de paquetes, las AMI de aprendizaje profundo de AWS instalan la plataforma Anaconda2 y Anaconda3 Data Science para disponer de funciones de procesamiento de datos a gran escala, análisis predictivos e informática científica.
