Amazon SageMaker

是什么

Amazon SageMaker 是亚马逊云科技（AWS）提供的一项机器学习服务。AWS 把它描述为一项全托管、端到端的服务，用于大规模地构建、训练和托管模型 ^[1]。「全托管」意味着底层服务器、存储和软件都由服务商运行，用户面对的是笔记本、训练任务和端点，而不是机器本身；「端到端」意味着从探索数据到对外提供预测的整条路径都在这项服务里。

由来

AWS 于 2017 年 11 月 29 日在 re:Invent 大会上宣布 SageMaker，发布形式是 Randall Hunt 撰写的一篇博客文章 ^[1]。发布时把它拆成三个主要组件——创作（authoring）、模型训练和模型托管，这三者也正好是大多数机器学习工作要经过的三个阶段 ^[1]。

创作

创作组件提供免配置的托管 Jupyter 笔记本环境，用来做数据探索、清洗和预处理，可以运行在通用实例或 GPU 实例上 ^[1]。Jupyter 笔记本是一种把代码、运行结果和文字说明放在一起的交互式文档，因此在数据工作中被广泛使用；GPU 之所以重要，是因为许多机器学习计算在它上面比在普通处理器上快得多。

训练

模型训练是一项分布式服务。用户既可以使用内置的监督学习和无监督学习算法与框架，也可以把自写的训练代码打包进 Docker 容器 ^[1]。容器把代码和它依赖的环境装在一起，使其在任何能运行它的机器上表现一致。训练最多可以扩展到数十个实例，从 Amazon S3 读取训练数据，再把训练得到的模型文件写回 S3 ^[1]。

托管

模型托管提供用于实时推理的 HTTPS 端点。端点会随流量伸缩，并且可以同时服务多个模型，以便对它们做 A/B 测试 ^[1]。这里的 A/B 测试指的是把进来的请求分给不同的模型版本、比较各自的表现，而不是一步到位地替换线上模型。

单独使用其中一块

三个组件都能独立使用，因此这项服务可以只用来补上已有流水线中的缺口 ^[1]。一个团队如果已经有可用的训练代码、只缺对外提供模型的方式，就可以只用托管；如果主要需要一个探索和清洗数据的地方，就只用创作，不必接收其余部分。

计费

免费额度覆盖前两个月：每月 250 小时的 t2.medium 笔记本、50 小时的 m4.xlarge 训练和 125 小时的 m4.xlarge 托管 ^[1]。超出免费额度后，按实例使用秒数、存储 GB 数和数据传输 GB 数计费 ^[1]。按秒计费适合训练任务，因为它们往往只跑几分钟或几小时，而不是持续运行。

在发展中的位置

把创作、训练和托管放进同一项服务、并让训练数据和模型文件都留在 S3 上，SageMaker 覆盖了那些原本要靠多个工具拼接起来的环节 ^[1]。由于每个组件都是可选的，团队可以逐步引入它，而不必一次性搬动整条工作流。