宅系任务 ∣ 如何使用 Amazon SageMaker 快速构建汪星人分图利器？

今天的任务很有趣： 我们将为你解析如何利用 Amazon SageMaker 快速构建一个基于深度学习端到端的猫狗图片分类器。...

如果您正有意向构建自己的深度学习模型，却又为模型的基础设施构建而头疼不已，该怎么办？Amazon SageMaker 是一个完全托管的机器学习服务，它使一般的开发人员和数据科学家可以快速轻松地构建任何规模的机器学习训练任务，并且提供基于 API 的端到端的模型部署方案以及 10 多类 Amazon 自带的典型算法，让用户无障碍地轻松构建各种典型的机器学习应用。

今天，AWS 解决方案架构师团队经理肖凌，将通过一个有趣的任务——构建猫狗图片的分类器，来为我们演示如何从零开始使用 Amazon SageMaker 搭建自己的图像分类模型：

肖凌

AWS 解决方案架构师团队经理

肖凌是 AWS 解决方案架构师团队经理，负责基于 AWS 的云计算方案的咨询与架构设计，同时致力于 AWS 云服务在国内和全球的应用和推广。在大规模并发后台架构，跨境电商应用，社交媒体分享，程序化广告平台设计以及数据仓库应用等领域有着广泛的设计与实践经验。对基于 Spark 的大数据与机器学习，深度学习框架和应用等有浓厚的兴趣和热情。在加入 AWS 之前曾长期从事移动端嵌入式系统与服务端开发，并曾负责 IBM 亚太地区企业级高端存储产品支持技术团队，对基于企业的存储应用的高可用架构与方案有深入研究。我们希望对应的图片分类器可以达到90%以上的准确度来区分猫和狗的图片（图片不限但是建议以猫和狗作为图片的要素）。另外，我们希望这个分类的系统可以直接接受 API 的调用，做到线上部署，并且，随着这个模型后续进一步的优化，新的模型可以用来优化线上分类的结果。

嗯！是的，上面也是典型的线上图片分类或者判断系统的基本实现要素。要不，我们先看看两张图片如何？

label – dog, probability – 0.9999990463256836

label – cat, probability – 0.9972941279411316

很显然，如果可以准确地区分例如上图中的“喵星人”和“汪星人”，我们这个分类器的效果应该值得期待。

Amazon SageMaker 针对图片分类这种监督学习的场景，构建了一个自带的 Image Classification 算法。算法的实现是基于 ResNet 的典型深度神经网络结构进行封装，用户主需要按照格式准备好训练数据并配置对应的训练参数（Hyper Parameter），就可以进行直接的模型训练。另外，从零开始训练模型，不仅意味着用户需要做图片数据的收集（训练数据的多少直接决定训练精度），而且需要一定的时间与训练成本。因此，Image Classification 算法本身提供了基于 ImageNet 数据集的训练模型，用户可以直接在此基础上利用 Transfer Learning 对模型进行微调 （fine-tune），从而达到通过较少数据集实现比较高训练精度 （transfer learning）的目的。

    关注 AWS