让神经网络触手可及

Amazon AI 的目标是通过开发 Amazon SageMaker 之类的平台来让机器学习变得大众化，而 fast.ai 的目标正好与其相同：提供平等教育机会，以便每个人都可以掌握机器学习并提高工作效率。fast.ai 的宣传语是“让神经网络触手可及。”这不是一场降低深度神经网络热门度的比赛，而是要让其吸引力和可访问性不仅仅局限于主导该领域研究的学术精英。

随着深度学习用例 (例如，计算机视觉、自然语言处理和机器翻译) 的激增，我们还发现，开发人员社区对了解机器学习及其在众多问题上的应用产生了浓厚的兴趣。在实际应用方面，“深度学习纳米学位”开发公司 Udacity 在全球的用户数量已超过 800 万。其中，5 万多名用户志在获得纳米学位，获得这些学位的很大一部分用户专注于深度学习。我们开始注意到，机器学习掀起热潮，但这方面的教育仍旧沿袭一般教育方式，从研究开始，然后才是应用。进入 fast.ai 世界，感受大规模开放在线课程 (MOOC) 无与伦比的魅力，与 10 万余名学生共同利用 AWS 云的全球网络办公环境在线学习深度学习。

fast.ai 2017 年课程

fast.ai 于 2017 年 12 月刚刚录制完其最新的深度学习课程。这些课程构成了最近发布的 2017 年底上线的 MOOC 的基础。这些课程是在 USF Data Institute 现场录制的，当时有 120 名学生 (包括 40 多名多样化学员) 到场上课，有 400 名世界各地的国际学员通过 YouTube 直播上课。

部分 fast.ai 2017 国际学员的分布位置

这些学生取得了不俗的成绩，并发表数篇文章来解释课程中涉及的许多概念。以下是他们所取得成绩的一小部分示例：

• 通过学习率改进我们的工作方式介绍了在处理学习率计划方面的最新进展，这是应用型深度学习最重要的其中一部分。

• 小图像数据集的趣味性展示了如何仅使用 14 张图像来训练图像分类器，实现高精确度。

• 解码 ResNet 架构以一种引人入胜的方式介绍了这一出众的 ImageNet 架构。

• 结构化深度学习展示了如何使用深度学习获得含有结构化数据 (例如，数据库表和电子表格) 的先进成果。

• 我们如何“训练”神经网络介绍了梯度下降 (所有深度学习的基础) 的基本理念。

特别的礼物

2016 年来自孟加拉国的 fast.ai 国际学员 Tahsin Mayeesha 说：“许多小的和看似不重要的细节对于想要学习的发展中国家学生来说反而成了障碍。”fast.ai 担心，许多国际学员难以获得可以注册 AWS 的信用卡，而访问 AWS 深度学习实例每小时需要支付 0.90 USD 对很多人来说可能比较昂贵必要时，学生需要使用 GPU 训练模型。使用适合深度学习的 GPU 构建 PC 至少需要花费 1,000 USD，而且搭建耗时并需要大量的专业知识。因此，AWS 是学生的理想平台，因为他们前期不需要任何投入便可开始学习。

在帮助我们的学生实现互联方面，一些热情贴心的 AWS 人员给予了我们很大帮助，因此我们再次向他们寻求帮助。我们得到的回应令我们欣喜异常：AWS 为我们的学生提供了大约 250,000 USD 的贷款，资助学生完成 fast.ai 学习的各个方面！

当我们告诉学生他们的 AWS 费用已经全额支付时，他们震惊不已。forums.fast.ai 上汇聚了数个我们的深度学习社区，数百名学生表达了他们的感激和兴奋之情。如果没有这份大礼，我们的许多学生可能无法取得成功。

fast.ai 和 AWS：让深度学习触手可及

2016 版 fast.ai 免费在线课程面向编程人员的深度学习已经为 10 万余名学生提供了 25 小时的课程，供具备高中数学知识和基本编程经验的人员学习。课程内容全面，从如何使用预先训练的网络进行基本图像识别到从头开始践行最新的深度学习论文，不一而足。学生会学习如何创建并连接 AWS 上托管的深度学习服务器，他们将使用该服务器完成课程作业。

正如 Forbes 在人工智能教育将改变不断发展的世界中所说的那样，这些学生会继续在世界各地启动大量重要的项目。得益于 AWS，现在有更多的学生有机会成为一流的深度学习从业者。

您是否期待教授一节课或者只是讲授如何以最快的方式大规模执行 ML？

Amazon SageMaker 是一项完全托管的服务，可以帮助开发人员和数据科学家快速轻松地构建、训练和部署任何规模的机器学习模型。它采用模块化架构，可以结合使用，也可以单独使用，具体取决于您的工作流程。Amazon SageMaker 提供最常见的机器学习算法并且针对性能进行了优化，借助自动超参数优化，可以缩短模型优化时间。通过 Amazon SageMaker，还可以加入您自己的容器以及您偏爱的任何深度学习框架。

下一步工作? ****

• 访问此处，查看最新的 fast.ai MOOC，详细了解深度学习中的从实际编码到前沿编码。

• 从几个示例 Jupyter notebook (包括 AWS 作者 Randall Hunt 编写的有关如何开始使用的博文) 中选择一个来试用 Amazon SageMaker。

• 利用深度学习 AMI 快速开始使用 PyTorch、Apache MXNet 和 TensorFlow 等框架。

作者介绍：

Jeremy Howard 是 fast.ai 的创始研究人员，fast.ai 是一家致力于让深度学习广为人用的研究机构。另外，他还是旧金山大学一位有名望的研究科学家、奇点大学的教职工、世界经济论坛的全球青年领袖。

Joseph Spisak 负责领导 AWS 的合作伙伴生态系统，重点关注人工智能和机器学习。他在 Amazon、Intel 和 Motorola 等公司获得了 17 年以上的丰富技术经验，主要研究视频、机器学习和人工智能。闲暇时，他喜欢打冰球和阅读科幻小说。

本文转载自 AWS 技术博客。

原文链接：

https://amazonaws-china.com/cn/blogs/china/making-neural-nets-uncool-again-aws-style/