为什么说AWS发布的SageMaker会是一个大杀器？ 2014 年

作者丨杨赛

2014 年，AWS 在 re:Invent 上发布 Lambda 服务的时候，很多开发者尚未意识到这个服务能给他们带来怎样的好处。时隔三年，Lambda 服务已经成为了“Serverless”和“Function as a Service”开发范式的代表，并且已经承担起为数不少的企业关键业务。可以说，Lambda 服务为应用开发领域开辟了一片全新的游戏场地。

在 InfoQ 编辑看来，AWS CEO Andy Jassy 在今年的 re:Invent 大会上发布的 Amazon SageMaker 也是一个改写游戏方式的关键标志，而这一次的游戏场地是在人工智能领域（2017 年 AWS re:Invent 的产品发布列表见之前的这篇报道）。

http://www.infoq.com/cn/news/2017/11/aws-reinvent-2017-andy-announce

在 2017 年的今天，阻碍人工智能技术被广泛应用的最主要的门槛是什么？

芯片、框架、算法、数据量？这些领域当然还有很大成长空间，但很难说是当前的最大门槛。有人说，最大的门槛是准确率还不够，尤其是 toC 领域的自然语言处理这样的场景，机器对人的表达方式的理解还远远达不到可以正常交流的水平。对于这个准确率的问题，每个体验过相关服务的读者应该都有自己的判断。但如果说这个问题为真，那么下一个问题是：为什么在这些领域，准确率提高得还不够快？

用机器学习来解决一个问题是建立在一个假设之上：针对任何一个问题，我们是能够根据固定数量的变量，得到一个足够好的模型，从而对其进行有效的解释与预测的。所以，基于这样的一个假设，那么准确率低的问题，就是一个模型不够好的问题。

模型不够好有很多原因，可能是因为训练数据不够，也可能是因为算法不合适，或者算法的参数没选择到最合适的组合。训练数据不够，就要多采集数据、多存储数据、多清洗数据。算法不合适，可能是因为参数的调试还没做到位，可能因为参数的调试需要耗费太多时间和其他成本所以在一个局部最优解就停下了，也可能是因为使用的框架（引擎）不合适。至于哪个框架更合适，可能需要多试几个框架，乃至于可能当前市面上流行的框架都不合适，需要一个新的框架。

对于以上各种可能的问题来源，Andy Jassy 提出了一个也许是更根本的问题：

也许，我们在建模这个层面的人手太少了？

根据 InfoQ 编辑所了解，目前市面上有一些业务做得很好的大数据公司，他们的技术团队 / 数据团队有 80% 的精力都用来做什么工作呢？

数据准备。

剩下的 20% 精力，又有很大部分是用在部署集群、安装框架、调优这些“杂活儿”上面了。

从当前的客观情况来看，这是把数据分析业务做好的一个基本功。然而从理想世界的角度来看，这样的现状是相当惊人的浪费。AI 领域大牛李飞飞，她有多少时间是用在改进框架和算法上，有多少时间是投入到标记那 320 万张图片上？

这就好比在云计算出现之前，一个开发者想要开发一个应用，可能 80% 的时间是用在买服务器、安装操作系统、调试数据库、部署扩容备份等等跟开发应用无关的事情上了。现在的数据领域，跟那个年代的应用开发领域其实是非常相似的——一半以上的时间都不是用来产出的。

有些开发者可能还没动手就被这些麻烦事儿吓跑了。坚持在这个领域深耕的数据科学家们，他们的精力也用不到刀刃上。这就是 AWS 发布 SageMaker 的立场：让有能力去改进框架和算法的开发者，尽可能少花费精力在那些跟主业无关的事情上。

简单的看一下 SageMaker 的基本用法——如何训练一个模型。以下内容来自 AWS 布道师 Randall Hunt 发布的博客。

首先，在 AWS 的后台新建一个 Notebook 用来放置你的代码和一些配置信息。新建好的 Notebook 下面会自带一个叫做 sample-notebooks 的目录，里面包含了一些预置的算法：

无论是哪种算法，代码大致上是下面这个结构：

def train( channel_input_dirs, hyperparameters, output_data_dir, model_dir, num_gpus, hosts, current_host): # 给训练代码占座 passdef save(model): # 找个地方保存模型文件 pass

首先，channel input dirs：训练数据从哪儿来？可以是本地的一个目录，也可以是云端的。自从 S3 支持对象级别的查询之后，S3 在这几年已经变成一个挺流行的 Data Lake 选项。现在有了新发布的 S3 Select，这个 Data Lake 的查询变得更高效了。而且现在还有了 Glacier Select，于是那些冷数据也可以直接被拿来当作训练数据（题外话：Andy Jassy 说这两个 Select 功能是研发了一年的时间做出来的。你怎么看？我真心觉得还挺快的。）

然后，hyperparameters：这一个步骤就是 SageMaker 的第一个魔法所在了。看看教程中是怎么定义这个 hyperparameter 的：

hyperparameters={ "batch_size": 128, "epochs": 50, "learning_rate": 0.1, "momentum": 0.9}

传统来说，这些 hyperparameter 的初始设置可能对最终的模型质量有很大的影响。比如这个 learning rate，如果设置太低，则学习得太慢；如果设置太高，可能压根跑不出来结果。于是乎，数据科学家们不得不一次又一次的试错，一直试错到他们觉得足够好，或者他们觉得足够烦了为止。

SageMaker 的第一个魔法就在于这一个步骤的自动化：把试错这件事交给机器来做，直到机器认为足够好了为止——机器可是从来都不会厌烦的。

其余的训练参数定义比较直观，就不多介绍了。要跑训练的时候，假设你要用 MXNet 这个框架配合一个你写好的 cifar10 算法，那么你就这么写（点击这里查看 AWS 提供的 sample notebook - cifar10.py 文件的详细内容，以及 AWS Github 账号上的 SageMaker Python SDK。这个文件使用了 Gluon API。）：

import sagemakerfrom sagemaker.mxnet import MXNetm = MXNet("cifar10.py", role=role, train_instance_count=4, train_instance_type="ml.p2.xlarge", hyperparameters={"batch_size": 128, "epochs": 50, "learning_rate": 0.1, "momentum": 0.9})

现在，可以把训练数据丢给它了：

m.fit("s3://randall-likes-sagemaker/data/gluon-cifar10")

于是你就有了四个 P2 实例开始帮你跑训练了！当训练跑完的时候，你就有了一个模型 m，可以拿来做预测了。至于这四个 P2 实例，它们会被自动释放，不用去管它们。这是 SageMaker 的第二个魔法：忘记你的服务器，也不用折腾各种框架的安装部署这些底层工作。SageMaker 上的这些框架都是已经优化好的，你自己部署的话，效果多半不会比它更好。

预测的执行也仅仅需要下面这一个指令，不需要在主机层面搞东搞西：

predictor = m.deploy(initial_instance_count=1, instance_type="ml.c4.xlarge")

比如，可以把想要做预测的在线实时数据——比如一张 Twitter 上的新照片——通过一个 Flask App 丢过去：

@app.route("/invocations", methods=["POST"])def invoke(): data = http://www.gunmi.cn/v/request.get_json(force=True) return jsonify(predict.download_and_predict(data["url"]))

然后你就可以得到你的预测结果——比如说，这张照片的拍摄地点。

那么你要问了，SageMaker 对于数据准备这个最大的“杂活儿”有啥帮助呢？

SageMaker 有一个 preprocess 数据的功能。至于这个功能能做到什么程度，还得试试才知道，详细情况可以参考这个文档。我想，恐怕暂时还不能跟那些专门提供数据准备服务的质量相比，因为这个文档里面同时也推荐了 Marketplace 上的相关服务。

不过，能够节省下创建实例、安装框架、训练试错这些方面的工作，已经是一个很大的进步。现在，开发者只要有一个 AWS 账号就可以体验 SageMaker，而且现在是有两个月的免费额度的，正是尝鲜的最佳时机。AWS 的开发者文档网站已经更新了 SageMaker 的详细说明，可以在此查看：

http://aws.amazon.com/blogs/aws/sagemaker/

期待看到 SageMaker 之后的发展情况。