AWS 深局孊習 AMI

深局孊習アプリケヌションをすばやく構築するために事前に構成された環境

AWS 深局孊習 AMI では、デヌタサむ゚ンティスト、機械孊習の専門家、研究者がクラりド䞊での深局孊習をあらゆる芏暡で加速するためのむンフラストラクチャずツヌルを提䟛しおいたす。Amazon EC2 むンスタンスには Apache MXNet、Gluon、TensorFlow、Microsoft Cognitive Toolkit、Caffe、Caffe2、Theano、Torch、PyTorch、Chainer、Keras ずいった䞀般的な深局孊習フレヌムワヌクが事前むンストヌルされおいたす。このため、Amazon EC2 むンスタンスをすばやく䜜成しお、高床なカスタム AI モデルのトレヌニング、新しいアルゎリズムの実隓、新しいスキルや技術の孊習を行えたす。

Amazon EC2 GPU むンスタンスが必芁な堎合でも、CPU むンスタンスが必芁な堎合でも、深局孊習 AMI に察する远加料金は発生したせん。アプリケヌションの保存や実行に必芁な AWS リ゜ヌスに察しおのみ料金が発生したす。

TensorFlow

クラりド䞊の TensorFlow プロゞェクトの 88% は AWS で実行しおいたす。

Nucleus Research は、深局孊習の専門家が深局孊習のために他のクラりドプロバむダヌよりも AWS を遞択する 5 ぀の理由を説明しおいたす。

AWS 深局孊習 AMI ずいう遞択

経隓豊かな機械孊習の専門家であっおも、機械孊習の䜿甚を開始するこずは時間のかかる面倒なものです。AWS では、開発者のさたざたなニヌズをサポヌトするために AMI を甚意しおいたす。䜿甚開始プロセスに぀いおの詳现は、AMI 遞択ガむドやその他の深局孊習リ゜ヌスもご芧ください。

Conda AMI

深局孊習フレヌムワヌクの事前むンストヌルされた pip パッケヌゞを別の仮想環境で必芁ずする開発者は、Ubuntu、Amazon Linux、Windows 2016 のバヌゞョンで Conda ベヌスの AMI を利甚できたす。

Conda AMI の利点 の詳现ず手順ガむドをご芧になり、䜿甚を開始しおください。

Base AMI

プラむベヌト深局孊習゚ンゞンリポゞトリを最初から蚭定する開発者や、深局孊習゚ンゞンのカスタム構築を行う開発者は、Ubuntu ず Amazon Linux のバヌゞョンで Base AMI を利甚できたす。

Base AMI の利点 の詳现ず手順ガむドをご芧になり、䜿甚を開始しおください。

深局孊習フレヌムワヌクのサポヌト

AWS 深局孊習 AMI ではすべおの䞀般的な深局孊習フレヌムワヌクをサポヌトしおいるため、倧芏暡なモデルを定矩しおトレヌニングできたす。Amazon Linux および Ubuntu 向けに構築されおいる AMI には、Apache MXNet ず Gluon、TensorFlow、Microsoft Cognitive Toolkit、Caffe、Caffe2、Theano、Torch、PyTorch、Chainer、Keras が事前に構成されおいるため、これらのどのフレヌムワヌクも倧芏暡にすばやくデプロむしお実行できたす。

600x400_TensorFlow_Logo
600x400_mxnet_Logo
gluon-logo
chainer_600x
600x400_Caffe_Logo
600x400_Theano_Logo
pytorch-logo-flat
600x400_keras_Logo
600x400_Microsoft_Cognitive-Toolkit_Logo
600x400_Caffe2_Logo

モデルのトレヌニングを加速

開発やモデルのトレヌニングを促進するために、AWS Deep Learning AMI では、䞀般的な Python パッケヌゞず Anaconda Platform のむンストヌルに加えお、事前に構成された CUDA ドラむバヌ、cuDNN ドラむバヌ、Intel Math Kernel Library (MKL) を䜿甚した、最新の NVIDIA GPU によるアクセラレヌションを利甚できたす。 

GPU むンスタンス

Nvidia

P3 むンスタンスでは、旧䞖代の Amazon EC2 GPU コンピュヌティングむンスタンスよりも最倧 14 倍高いパフォヌマンスを発揮したす。NVIDIA Tesla V100 GPU を最倧 8 個搭茉した P3 むンスタンスの浮動小数点パフォヌマンスは、混合粟床で最倧 1 PFLOPS、単粟床で最倧 125 TFLOPS、倍粟床で最倧 62 TFLOPS です。

匷力なコンピュヌティング

Intel

C5 むンスタンスは 3.0 GHz Intel Xeon スケヌラブルプロセッサを搭茉しおおり、Intel Turbo Boost Technology によりシングルコアで最倧 3.5 GHz たで高速化できたす。C5 むンスタンスは vCPU に察するメモリの割合が高く、䟡栌性胜比は C4 むンスタンスに比べお 25% 向䞊しおいるため、芁求の厳しい掚論アプリケヌションに最適です。

Python パッケヌゞ

python-logo

AWS 深局孊習 AMI には、Python 2.7 および Python 3.5 カヌネルを搭茉した Jupyter ノヌトブックず共に、Python 向け AWS SDK などの䞀般的な Python パッケヌゞがむンストヌルされおいたす。

Anaconda Platform

Anaconda_ForTrademark_HorizontalLarge_white

AWS Deep Learning AMI には、パッケヌゞの管理ずデプロむを簡単にするために、Anaconda2 ず Anaconda3 Data Science プラットフォヌムがむンストヌルされおおり、倧芏暡デヌタ凊理、予枬分析、科孊蚈算に察応しおいたす。

AWS で深局孊習の䜿甚を開始する

icon1

AWS アカりントにサむンアップする

すぐに AWS のサヌビスを利甚できるようになりたす。
icon2

AWS 深局孊習 AMI を入手する

プロゞェクトに合った AMI ずむンスタンスタむプを遞択しおください。

icon3

AWS で構築を開始する

これらの 簡単なチュヌトリアルを䜿っお、構築を開始しおください。

Amazon SageMaker を機械孊習で䜿甚する

Amazon SageMaker の詳现

Amazon SageMaker は、開発者やデヌタサむ゚ンティストが機械孊習モデルをあらゆる芏暡ですばやく簡単に構築、トレヌニング、デプロむできるようにするフルマネヌゞドサヌビスです。Amazon SageMaker を䜿甚するず、開発者による機械孊習を通垞枛速させるような障害すべおを排陀できたす。

構築を始めたしょう。
AWS 深局孊習 AMI の䜿甚を開始する
ご䞍明な点がおありですか?
お問い合わせ