机器学习的初学平台天花板，还可免费实操经典教程，照实也没谁了
[[441601]]
本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请相干出处。
论 AI 圈活菩萨，非李沐诚实莫属。
前有编写「着手学深度学习」，成就圈内初学经典，后又在B站免费讲斯坦福 AI 课，一则深重硬核讲论文的视频播放量36万，不少课题组从导师到见习本科生都在追番。
如斯给劲的共享，难怪不少东谈主自大自称「已拜在诚实门下」——
而最近，我发现存平台干了个更给劲的事。
这个平台无偿提供算力不说，还将初学经典「着手学深度学习」放进平台，免费供大家学习和实操，名曰：Amazon SageMaker Studio Lab 。
按先容说法，该平台基于 JupyterLab，提供免费 GPU 和 CPU 算力+15G永久存储功能，还与 GitHub 贯穿，搭救主流机器学习器具组件和开源资源包使用，开发者可采集「着手学深度学习」讲义自行检会模子、看终端。
何况，他们还堪称肯求只需一个邮箱，不要官方账号，更无谓填什么信用卡。
真有这样好的事？
今天就带着大家一皆亲测试试。
真能实操「着手学深度学习」案例？通过贯穿 studiolab.sagemaker.aws ，咱们即可登入 web 端平台，探探虚实。
哪能找到「着手学深度学习」？从界面能看到，平台提供 GPU/CPU 算力选定，何况，可径直开启使用，照实无需付款。
右下角，咱们就能看到那本 Dive into Deep Learning (缩写为 D2L )。
径直点击 Open D2L notebooks 可绽开：
开启名堂后，系统自动加载D2L资源，并存储在咱们的云上文献夹中。
README 文献也一并绽开好了，在这里面，系统环境建树、全书摘录、面向受众、目次框架一应俱全。文末还有每个章节贯穿，从中能径直干预。
到这，就不错通过平台采集课程内容与实操来学习深度学习了——
那么实操终端若何？
哪儿哪儿的代码，都能着手给你看以经典中的经典的 AlexNet 部分为例，感受一下。
平台上，AlexNet 复古发展、基础原涌现释均呈现出来，模子的界说构建代码均可着手。
为保证初学者更好涌现，还能构建单通谈数据示例，不雅察 AlexNet 里面8个层的输出情况，想法嘛，在于帮咱们直不雅了解不同层的作用：
最要道的是，检会模子措施也开放实操，选中代码部分着手即可。
不外该经由允许时刻较长，咱们在 GPU 选项下检会约莫使用7分钟，渐渐等吧！
△眼看弧线渐渐渐渐画出来
值得一提的是，由于通盘界面都能行为 Notebook 添加代码，记载学习念念考——
因此，即便咱们课程完成，还能在文末添加代码栏，对照着章节末尾习题，编程竣责任业。
从数理基础到实操环境建树，都安排得辉煌晰楚上头展示还只是一个末节。其实，从全联结层、卷积、池化等主见先容，到 ResNet、DenseNet 熟识…在 Amazon SageMaker Studio Lab 免费环境中均有呈现及实操，都安排得辉煌晰楚。
平台还贴心性议论到咱们的高数线性代数基础不一，不是每个东谈主都过了90分，还把单变量微积分、最大似然等数理基础先容和代码完竣都给出来了，还附上环境建树方法，一副很靠谱的架势。
经过上头考证，这个 Amazon SageMaker Studio Lab 照实可免费又齐备地实操大神的「着手学深度学习」——
对但愿初学乃至深度掌抓 AI/ML 这门工夫的东谈主来说，这种表面+实施型的研习方式天然更为高效，日后切换到实质责任或科研致使创业中，过渡也更为无缝。
事实上，它的智商还不仅这个水平。
一个面向开发者的免费平台从名字上你也发现了，推出 Amazon SageMaker Studio Lab 的幕后企业是亚马逊云科技。
这家前沿工夫大厂这次推出免费平台，不单将「着手学深度学习」作念成表面+实操熟识场，更想面向数据科学家、企业开发者、高校师生——
提供一个免费低门槛初学机器学习的普惠契机。
其真实亚马逊云科技之前，业内已有多个开放机器学习平台——
那么，这回的 Amazon SageMaker Studio Lab ，又有什么值得关注的新亮点？
咱们一皆先从建树看起。
平台提供15G以上永久存储，16G内存，4个 CPU ，GPU 为英伟达 Tesla T4 ，比咫尺其他主流平台稍高。
由于使用了较新架构的英伟达 Tesla T4 ，其羼杂精度运算速率研究相应也更高，此外，免费版与 SageMaker Studio 使用沟通架构，绝顶于叠加一层企业级 Buff ，雄厚性更有保险。
值得咱们难得的是，平台宣传的是4小时 GPU+12小时 CPU ，但实质上，咱们到时刻后仍可再次开启 Runtime ，原来的文献依然存在。
不外淌若你想挖币，如故算了…
平台明令窒碍使用 SageMaker Studio Lab 进行分娩行径，挖掘加密货币查到径直封号。
说完建树，再看下实操。
从操作性上来说， Amazon SageMaker Studio Lab 比拟其他平台更简陋直不雅。
界面不单是能建造 Jupyter Notebook 文献，还搭救咱们径直新建 Terminal 标签页、 Markdown 样式文献。
此外，这个平台建树有 Conda 和 Pip 资源包经管器，幸免咱们重迭安设开源软件包，省事宽解。
拉取 GitHub 名堂致使无需使用大叫行，点击左侧按钮即可。
若克隆名堂中有 yml 环境建树文献，在建造名堂同期，也会同步建造好 Conda 环境。
平台还与 Github 关联。
在咱们我方的 Github 名堂 README 文档中加入以下内容：
[](https://studiolab.sagemaker.aws/import/github/org/repo/blob/master/path/to/notebook.ipynb)
即可加入「 Open in Studio Lab 」按钮——
他东谈主只需一键，即可接入 Amazon SageMaker Studio Lab 平台。
天然，咱们也不错通过手动上传或拷贝的方式新建 ipynb 。
以经典的图像分类算法例如。
从其他平台拷贝一份 ipynb 文献后，无需修改即可使用，最多也就是手动安设依赖项。
实测检会模子的速率与其他平台基本沟通，惟恐，致使稍快。
临了，得望望好多东谈主情态的数据安全问题。
咱们作念机器学习，时常拿着大宗东谈主脸秘密信息，致使是尚未脱敏的病院病患信息，为保护他东谈主秘密和数据安全，还得望望这方面情况。
Amazon SageMaker Studio Lab 脱胎于企业级哄骗，首肯每个东谈主数据均通过加密保护，且淌若删除账户，悉数相干数据也均相应删除，平台方首肯，不作念保留。
咫尺，已有好多名校名企用上了 Amazon SageMaker Studio Lab ，并为其站台背书。
这里面，有 ENIAC 出身地的宾夕法尼亚大学工程学院，也有好意思国加州圣克拉拉大学金融系，还有 Hugging Face 。
国内关注者也不少。
南边某985理工院校机器学习范围博士生暗示，他们课题组标的天然是传统机器学习，但仍需深度学习方式扶持考证。
由于本质室的筹划开荒好几年前购入的，跟着东谈主员与接头标的的增多，稀零是在投稿前夜，筹划资源的争抢情况很宽阔。Amazon SageMaker Studio Lab 对他们来说，果然有诱导力。
[[441603]]说完该免费平台的种种优点，下个问题就是：若何肯求？
这里张开讲讲。
无需亚马逊云科技账号，登陆官方贯穿 studiolab.sagemaker.aws/requestAccount 填写邮箱及相干信息即可。
不外，为保证大家早日通过肯求用起来，有些 Tips ，但愿大家寄望：
提议说话用英文，填写明晰相干机构称呼，所留邮箱后缀与场所机构英文名匹配，这样的肯求更真实靠谱。
餍足上述条款，亲测24小时内就能获取邀请，难得查收邮箱。
无缝搬动的进阶版前边如故提到了， Amazon SageMaker Studio Lab 与专科版 Amazon SageMaker Studio 为消亡架构，是以，淌若想从初学免费版搬动专科版，细目不是大事儿。
对专科开发者来说，这天然提供更多进阶科研及创业的可能。
更具体看，专科版 Amazon SageMaker Studio 从新到尾如故提供给开发者一套绝顶全面的功能：
比如提供大范围差别式检会，面向咱们分娩性的大模子检会需求。使用分区算法，在 GPU 实例中自动拆分大模子和数据集，栽培并行度加速检会速率。
比如数据标注功能 Ground Truth Plus ，拉上了东谈主类行家，采集机器学习扶持预记号，大幅裁汰标注空幻，栽培标注速率。
再比如 Amazon SageMaker Data Wrangler ，该功能面向机器学习中的数据准备阶段，可通过可视化界面进行数据选定、计帐、探查。只需一键导入，无需代码即可快速尺度化、调养多数目、结构琳琅满想法数据。「四大」之一的德勤就剿袭了该项功能，原来几个月才调完成的数据准备，当今压缩到几天完成。
此外，Amazon SageMaker Studio 还包括探听权限端正经管、模子监控、无办事器推理功能、推理建树保举…直至全周期的工业化 AI/ML 办事，都给包圆了。
上述种种，不少是本年亚马逊云科技 re:Invent 2021 新推出的功能，很猛进度展示出这家企业对需求的涌现和工夫的前瞻性——
对专科开发者、数据科学家，岂论是接头，如故创业，这些功能均提供了更多可能性。
更有兴致的是，亚马逊云科技着眼点似乎并不啻于筹谋业务，还有好多「不挣钱」的普惠性行为提供给咱们。
机器学习马拉松名堂就是一个体现。
该行为一年好几场，平台一方会在AI相干范围哄骗中拿出试题，涵盖 AI 自动化编程、对灾害进行退步或定损等等方面。
行为将会测试挑战者 CV 、NLP 等方面妙技高下，这时代，相干平台、资源也由平台方提供。优厚者会得到最高5万好意思元的奖品。
像这种面向实质需求，又将工夫普惠开发者的行为还有好多，何况，各有好玩之处或社会价值。
有0门槛即可初学机器学习的自动驾驶竞速赛 Amazon DeepRacer ，关注者数百万，参与开发者已有14万；
也有行为跟非盈利性组织 Girls in Tech 团结，匡助更多女性了解并上手机器学习，排斥科技圈的性别差距；
还有最新推出，在圈内激勉高度关注的 Amazon SageMaker Canvans ，面向0代码教授的企业里面分析师、运营者，帮他们在实质业务中哄骗到机器学习这门工夫。
工夫大厂退居幕后
临了，若何评价亚马逊云科技的 SageMaker Studio Lab ？
筹谋角度看，这些作念法对以前自家生态构建天然有意，是头部企业保持身位的必要动作。此外，多数企业动辄年薪50万招相干从业者，对好多开发者亦然善事。
毕竟，东谈主工智能枯竭肉眼可见，大部分开发者有丰富编程教授和数理基础，唯独挡板就是：不熟悉机器学习。补上这块就喝汤，何乐不为？
不外，从行业维度看，上述动作也照真实鼓励前沿工夫落地——
不外这里的鼓励，不在于更快，而在于更广。
要知谈，一百年前汽车刚发明，唯有机械行家才调成为车主，以至于其时社会，司机都是一个手抓前沿工夫的奇迹。
也要知谈，三十年前，PC 和互联网只是少部分开发者的玩物，以至于开发网站都能让东谈主赶紧暴富，积存起万丈高楼通常高的钞票。
是以，百年前的东谈主无法涌现一个东谈主东谈主可开车的社会，是以，30年前的东谈主们也很难设想我方不错动着手指领有属于我方的互联网平台。
今天放在机器学习上也通常。即即是最前沿的科技界行家，也只可窥见AI落地邦畿的小部分刻画。唯有一再降维，这项工夫才调走进千行百业场景，在不同配景不同资格的东谈主手里才会产生不同频率的回响——
这既是亚马逊云科技普惠布局的价值体现，亦然李沐诚实等大拿的公心场所。
那么，将来 AI 工夫还能开释多大能量？
谜底还得从每位个体开发者、每个场景裂隙里，去寻找。
