論 AI 圈活菩薩，非李沐老師莫屬。

前有編寫「動手學深度學習」，成就圈內(nèi)入門經(jīng)典，后又在B站免費講斯坦福 AI 課，一則艱深硬核講論文的視頻播放量36萬，不少課題組從導師到見習本科生都在追番。

如此給勁的分享，難怪不少人驕傲自稱「已拜在老師門下」——

而最近，我發(fā)現(xiàn)有平臺干了個更給勁的事。

這個平臺無償提供算力不說，還將入門經(jīng)典「動手學深度學習」放進平臺，免費供大家學習和實操，名曰：Amazon SageMaker Studio Lab 。

按介紹說法，該平臺基于 JupyterLab，提供免費 GPU 和 CPU 算力+15G永久存儲功能，還與 GitHub 鏈接，支持主流機器學習工具組件和開源資源包使用，開發(fā)者可結(jié)合「動手學深度學習」教材自行訓練模型、看結(jié)果。

而且，他們還號稱申請只需一個郵箱，不要官方賬號，更不用填什么信用卡。

真有這么好的事？

今天就帶著大家一起親測試試。

 

1.真能實操「動手學深度學習」案例？

通過鏈接 studiolab.sagemaker.aws ，我們即可登入 web 端平臺，探探虛實。

• 哪能找到「動手學深度學習」？

從界面能看到，平臺提供 GPU/CPU 算力選擇，而且，可直接開啟使用，確實無需付款。

右下角，我們就能看到那本 Dive into Deep Learning (縮寫為 D2L )。

直接點擊 Open D2L notebooks 可打開：

開啟項目后，系統(tǒng)自動加載D2L資源，并存儲在我們的云上文件夾中。

README 文件也一并打開好了，在這里面，系統(tǒng)環(huán)境配置、全書概要、面向受眾、目錄框架一應俱全。文末還有每個章節(jié)鏈接，從中能直接進入。

到這，就可以通過平臺結(jié)合課程內(nèi)容與實操來學習深度學習了——

那么實操效果如何？

• 哪兒哪兒的代碼，都能運行給你看

以經(jīng)典中的經(jīng)典的 AlexNet 部分為例，感受一下。

平臺上，AlexNet 沿襲發(fā)展、基礎原理解釋均呈現(xiàn)出來，模型的定義構(gòu)建代碼均可運行。

為保證初學者更好理解，還能構(gòu)建單通道數(shù)據(jù)示例，觀察 AlexNet 內(nèi)部8個層的輸出情況，目的嘛，在于幫我們直觀了解不同層的作用：

最關鍵的是，訓練模型環(huán)節(jié)也開放實操，選中代碼部分運行即可。

不過該過程允許時間較長，我們在 GPU 選項下訓練大約使用7分鐘，慢慢等吧！

△眼看曲線緩緩慢慢畫出來

值得一提的是，由于整個界面都能作為 Notebook 添加代碼，記錄學習思考——

因此，即便我們課程完成，還能在文末添加代碼欄，對照著章節(jié)末尾習題，編程實現(xiàn)作業(yè)。

• 從數(shù)理基礎到實操環(huán)境配置，都安排得明明白白

上面展示還只是一個小節(jié)。其實，從全連接層、卷積、池化等概念介紹，到 ResNet、DenseNet 講解…在 Amazon SageMaker Studio Lab 免費環(huán)境中均有呈現(xiàn)及實操，都安排得明明白白。

平臺還貼心地考慮到我們的高數(shù)線性代數(shù)基礎不一，不是每個人都過了90分，還把單變量微積分、最大似然等數(shù)理基礎介紹和代碼實現(xiàn)都給出來了，還附上環(huán)境配置方法，一副很靠譜的架勢。

經(jīng)過上面驗證，這個 Amazon SageMaker Studio Lab 確實可免費又完整地實操大神的「動手學深度學習」——

對希望入門乃至深度掌握 AI/ML 這門技術(shù)的人來說，這種理論+實踐型的研習方式自然更為高效，日后切換到實際工作或科研甚至創(chuàng)業(yè)中，過渡也更為無縫。

事實上，它的能力還不僅這個水平。

 

2.一個面向開發(fā)者的免費平臺

從名字上你也發(fā)現(xiàn)了，推出 Amazon SageMaker Studio Lab 的幕后企業(yè)是亞馬遜云科技。

這家前沿技術(shù)大廠此次推出免費平臺，不只將「動手學深度學習」做成理論+實操練習場，更想面向數(shù)據(jù)科學家、企業(yè)開發(fā)者、高校師生——

提供一個免費低門檻入門機器學習的普惠機會。

其實在亞馬遜云科技之前，業(yè)內(nèi)已有多個開放機器學習平臺——

那么，這回的 Amazon SageMaker Studio Lab ，又有什么值得關注的新亮點？

我們一起先從配置看起。

平臺提供15G以上永久存儲，16G內(nèi)存，4個 CPU ，GPU 為英偉達 Tesla T4 ，比目前其他主流平臺稍高。

由于使用了較新架構(gòu)的英偉達 Tesla T4 ，其混合精度運算速度指標相應也更高，此外，免費版與 SageMaker Studio 使用相同架構(gòu)，相當于疊加一層企業(yè)級 Buff ，穩(wěn)定性更有保障。

值得我們注意的是，平臺宣傳的是4小時 GPU+12小時 CPU ，但實際上，我們到時間后仍可再次開啟 Runtime ，原來的文件依然存在。

不過如果你想挖幣，還是算了…

平臺明令禁止使用 SageMaker Studio Lab 進行生產(chǎn)行為，挖掘加密貨幣查到直接封號。

說完配置，再看下實操。

從操作性上來說， Amazon SageMaker Studio Lab 相比其他平臺更簡潔直觀。

界面不僅僅能建立 Jupyter Notebook 文件，還支持我們直接新建 Terminal 標簽頁、 Markdown 格式文件。

此外，這個平臺配置有 Conda 和 Pip 資源包管理器，避免我們重復安裝開源軟件包，省事省心。

拉取 GitHub 項目甚至無需使用命令行，點擊左側(cè)按鈕即可。

若克隆項目中有 yml 環(huán)境配置文件，在建立項目同時，也會同步建立好 Conda 環(huán)境。

平臺還與 Github 關聯(lián)。

在我們自己的 Github 項目 README 文檔中加入以下內(nèi)容：

[![Open In Studio Lab]

(https://studiolab.sagemaker.aws/studiolab.svg)](https://studiolab.sagemaker.aws/import/github/org/repo/blob/master/path/to/notebook.ipynb)

即可加入「 Open in Studio Lab 」按鈕——

他人只需一鍵，即可接入 Amazon SageMaker Studio Lab 平臺。

當然，我們也可以通過手動上傳或拷貝的方式新建 ipynb 。

以經(jīng)典的圖像分類算法舉例。

從其他平臺拷貝一份 ipynb 文件后，無需修改即可使用，最多也就是手動安裝依賴項。

實測訓練模型的速度與其他平臺基本相同，有時，甚至稍快。

最后，得看看很多人關心的數(shù)據(jù)安全問題。

我們做機器學習，經(jīng)常拿著大量人臉隱私信息，甚至是尚未脫敏的醫(yī)院病患信息，為保護他人隱私和數(shù)據(jù)安全，還得看看這方面情況。

Amazon SageMaker Studio Lab 脫胎于企業(yè)級應用，承諾每個人數(shù)據(jù)均通過加密保護，且如果刪除賬戶，所有相關數(shù)據(jù)也均相應刪除，平臺方承諾，不做保留。

目前，已有很多名校名企用上了 Amazon SageMaker Studio Lab ，并為其站臺背書。

這里面，有 ENIAC 誕生地的賓夕法尼亞大學工程學院，也有美國加州圣克拉拉大學金融系，還有 Hugging Face 。

國內(nèi)關注者也不少。

南方某985理工院校機器學習領域博士生表示，他們課題組方向雖然是傳統(tǒng)機器學習，但仍需深度學習方式輔助驗證。

由于實驗室的計算設備好幾年前購入的，隨著人員與研究方向的增加，特別是在投稿前夕，計算資源的爭搶情況很普遍。Amazon SageMaker Studio Lab 對他們來說，的確有吸引力。

說完該免費平臺的種種優(yōu)點，下個問題就是：怎么申請？

這里展開講講。

無需亞馬遜云科技賬號，登陸官方鏈接：

studiolab.sagemaker.aws/requestAccount ，填寫郵箱及相關信息即可。

不過，為保證大家早日通過申請用起來，有些 Tips ，希望大家留意：

建議語言用英文，填寫清楚相關機構(gòu)名稱，所留郵箱后綴與所在機構(gòu)英文名匹配，這樣的申請更可信靠譜。

滿足上述條件，親測24小時內(nèi)就能獲得邀請，注意查收郵箱。

 

3.無縫遷移的進階版

前面已經(jīng)提到了， Amazon SageMaker Studio Lab 與專業(yè)版 Amazon SageMaker Studio 為同一架構(gòu)，所以，如果想從初學免費版遷移專業(yè)版，肯定不是大事兒。

對專業(yè)開發(fā)者來說，這當然提供更多進階科研及創(chuàng)業(yè)的可能。

更具體看，專業(yè)版 Amazon SageMaker Studio 從頭到尾已經(jīng)提供給開發(fā)者一套相當全面的功能：

比如提供大規(guī)模分布式訓練，面向我們生產(chǎn)性的大模型訓練需求。使用分區(qū)算法，在 GPU 實例中自動拆分大模型和數(shù)據(jù)集，提升并行度加快訓練速度。

比如數(shù)據(jù)標注功能 Ground Truth Plus ，拉上了人類專家，結(jié)合機器學習輔助預標記，大幅降低標注錯誤，提升標注速率。

再比如 Amazon SageMaker Data Wrangler ，該功能面向機器學習中的數(shù)據(jù)準備階段，可通過可視化界面進行數(shù)據(jù)選擇、清理、探查。只需一鍵導入，無需代碼即可快速標準化、轉(zhuǎn)換大批量、結(jié)構(gòu)五花八門的數(shù)據(jù)。「四大」之一的德勤就采用了該項功能，原本幾個月才能完成的數(shù)據(jù)準備，現(xiàn)在壓縮到幾天完成。

此外，Amazon SageMaker Studio 還包括訪問權(quán)限控制管理、模型監(jiān)控、無服務器推理功能、推理配置推薦…直至全周期的工業(yè)化 AI/ML 服務，都給包圓了。

上述種種，不少是今年亞馬遜云科技 re:Invent 2021 新推出的功能，很大程度展示出這家企業(yè)對需求的理解和技術(shù)的前瞻性——

對專業(yè)開發(fā)者、數(shù)據(jù)科學家，不管是研究，還是創(chuàng)業(yè)，這些功能均提供了更多可能性。

更有意思的是，亞馬遜云科技著眼點似乎并不止于經(jīng)營業(yè)務，還有很多「不掙錢」的普惠性活動提供給我們。

機器學習馬拉松項目就是一個體現(xiàn)。

該活動一年好幾場，平臺一方會在AI相關領域應用中拿出試題，涵蓋 AI 自動化編程、對災害進行預防或定損等等方面。

活動將會測試挑戰(zhàn)者 CV 、NLP 等方面技能高低，這期間，相關平臺、資源也由平臺方提供。優(yōu)勝者會得到最高5萬美元的獎品。

像這種面向?qū)嶋H需求，又將技術(shù)普惠開發(fā)者的活動還有很多，而且，各有好玩之處或社會價值。

有0門檻即可入門機器學習的自動駕駛競速賽 Amazon DeepRacer ，關注者數(shù)百萬，參與開發(fā)者已有14萬；

也有活動跟非盈利性組織 Girls in Tech 合作，幫助更多女性了解并上手機器學習，消除科技圈的性別差距；

還有最新推出，在圈內(nèi)引發(fā)高度關注的 Amazon SageMaker Canvans ，面向0代碼經(jīng)驗的企業(yè)內(nèi)部分析師、運營者，幫他們在實際業(yè)務中應用到機器學習這門技術(shù)。

 

4.技術(shù)大廠退居幕后

最后，如何評價亞馬遜云科技的 SageMaker Studio Lab ？

經(jīng)營角度看，這些做法對未來自家生態(tài)構(gòu)建當然有利，是頭部企業(yè)保持身位的必要動作。此外，大批企業(yè)動輒年薪50萬招相關從業(yè)者，對很多開發(fā)者也是好事。

畢竟，人工智能短缺肉眼可見，大部分開發(fā)者有豐富編程經(jīng)驗和數(shù)理基礎，唯一擋板就是：不熟悉機器學習。補上這塊就喝湯，何樂不為？

不過，從行業(yè)維度看，上述動作也確實在推動前沿技術(shù)落地——

不過這里的推動，不在于更快，而在于更廣。

要知道，一百年前汽車剛發(fā)明，只有機械專家才能成為車主，以至于當時社會，司機都是一個手握前沿技術(shù)的職業(yè)。

也要知道，三十年前，PC 和互聯(lián)網(wǎng)只是少部分開發(fā)者的玩具，以至于開發(fā)網(wǎng)站都能讓人迅速暴富，積累起萬丈高樓一樣高的資產(chǎn)。

所以，百年前的人無法理解一個人人可開車的社會，所以，30年前的人們也很難想象自己可以動動手指擁有屬于自己的互聯(lián)網(wǎng)平臺。

今天放在機器學習上也一樣。即便是最前沿的科技界大師，也只能窺見AI落地版圖的小部分狀貌。只有一再降維，這項技術(shù)才能走進千行百業(yè)場景，在不同背景不同經(jīng)歷的人手里才會產(chǎn)生不同頻率的回響——

這既是亞馬遜云科技普惠布局的價值體現(xiàn)，也是李沐老師等大拿的公心所在。

那么，將來 AI 技術(shù)還能釋放多大能量？

答案還得從每位個體開發(fā)者、每個場景裂隙里，去尋找。