在 Day 34 - 實作 S3 驅動 Lambda 函數進行 Yolo 物件辨識中，我們使用 AWS Lambda 來進行物件辨識，結果辨識時間長達一分鐘左右，與 Day 16 - 進行影像辨識訓練 中使用 g4dn 類型的 EC2 來進行辨識，時間不到 0.1 秒比較，差距太大，且不適合作為線上辨識觀賞魚的應用，於是我們試著在 AWS 的服務中來找尋其他節省成本又可以達到要求的服務。
對於人工智慧 (AI) 在雲端的的使用，AWS 已經提供了很多這方面的服務，簡列如下表：
圖 1、AWS 所提供的人工智慧服務
而以上這些服務都是針對需求明確，沒有資料分析人員的使用者而言，如果使用者打算建立自己的機器學習模型，並將其部署在雲端的話，AWS 推出了 Amazon SageMaker 這項服務來滿足使用者的需求。根據 AWS 官方網站，對於 Amazon SageMaker 的服務是這樣定義的：Amazon SageMaker 透過整合專門為 ML 建置的一組廣泛的功能，協助資料科學家和開發人員快速準備、建置、培訓和部署高品質的機器學習 (ML) 模型。下圖是 Amazon SageMaker 的登錄畫面首頁，可以看出 Amazon SageMaker 的服務包含了資料準備、建置、訓練與調整以及最後的部署與管理
圖 2、Amazon SageMaker 服務概覽
因為我們已經在訓練好的資料，所以現在需要的就只是進行佈署，而最好的入口就是透過 Amazon SageMaker Studio，這是 AWS 於 2020 年 re:invent 推出適用於機器學習的整合式開發環境(IDE)，讓使用者可以輕鬆建立、訓練、偵錯、部署並監控機器學習模型 ，並專注於開發機器學習模型，而非環境的設置與開發工具的轉換。
包含了以下功能：
而 Amazon SageMaker Studio Notebooks 操作起來就是平時我們常用的 Jupyter Notebook 或是 Jupyter lab，但請注意的是它需要運行在一個實體之上，所以一但啟用 Amazon SageMaker Studio Notebooks 就要收費的，觀念就跟 EC2 是一樣的，開著不用還是要收錢的，下圖是我在 2021/10 所使用的 Amazon SageMaker Studio Notebooks 的收費情形。主機是位於新加坡地區 (ap-southeast-1)，使用的機型是 ml.t2.medium，開了 138.77 小時，每小時收費 0.0584 美元，很多時候都是忘了關機，其實真正使用時間遠少於 138 個小時，不過從帳單來看，它應該是以分鐘來算的，所以才會有小數點；而因為把權重檔案也放在 Studio Notebooks 中，所以才會出現第一筆使用硬碟空間的錢，每個月 1G 的使用費是 0.168 美元。
圖 3、Amazon SageMaker Studio Notebooks 收費
接下來操作一次如何使用 Amazon SageMaker Studio Notebooks ，主要是參考 AWS 官方教學 建立、訓練和部署機器學習模型 - 使用 Amazon SageMaker，內容為：
接下來這句話很重要：在本教學建立和使用的資源符合 AWS 免費方案資格，請記得終止您的資源。不然 AWS 將向您帳戶收取費用。
步驟 1.建立筆記本執行個體
進入 Amazon SageMaker 主控台，並在左邊功能列中點擊 筆記本->筆記本執行個體，右邊主畫面中點擊 建立筆記本執行個體，如下圖所示。
圖 4、啟動 Amazon SageMaker 筆記本
在建立筆記本執行個體頁面上，在 筆記本執行個體名稱 欄位中輸入名稱。本教學使用 ithomeSM 做為執行個體名稱，不過如有需要，您可以選擇其他名稱。筆記本執行個體類型 保留 ml.t2.medium 的預設。
在 IAM 角色欄位中，選擇建立 新角色，在 建立 IAM 角色 視窗中，使用預設值，不需改變，直接點擊 建立角色 按鈕，讓 Amazon SageMaker 建立的角色具有必要的許可並將其分配給您的執行個體，或者，也可以為此在帳戶中選擇一個現有的 IAM 角色，最後點擊 建立筆記本執行個體 按鈕。如下圖所示。
圖 5、建立筆記本執行個體
新建的筆記本執行個體需要等待數分鐘才會從待處理 (pending) 轉換到服務中 (InService) 狀態。當狀態變為服務中後，選取 ithomeSM 並使用 動作 下拉式功能表將其開啟，或選擇服務中狀態旁的 開啟 Jupyter。如下圖所示。
圖 6、透過 Jupyter 進入筆記本執行個體
開啟 Jupyter 後，在畫面右手邊單擊 New 按鈕，出現下拉選單，選擇 conda_python3。如下圖所示。
圖 7、透過 Jupyter 進入筆記本執行個體
步驟 2.操作筆記本
這裡使用簡單的一個 KNN 近臨的案例，只是要體驗一下 Amazon SageMaker 筆記本的操作，而相關於觀賞魚辨識模型的操作，將於下一篇文章中示範。
這是一個使用KNN算法實現對一組電影的分類，電影數據包含 10 條數據集的測試集和 2 條數據的訓練集，這批電影共有兩個畫面：動作鏡頭數和接吻鏡頭數，這兩個特徵，每部電影都對應一個分類標籤值，共有“動作”，“愛情”兩個類別。程式碼與運行結果如下。
# 引入函式庫
from sklearn.neighbors import KNeighborsClassifier
import numpy as np
# 準備資料
X_train=np.array([[19,1],[2,18],[25,1],[24,3],[3,17],[5,10],[7,8],[5,4],[5,3]])
Y_train=np.array(['動作','愛情','動作','動作','愛情','愛情','愛情','動作','動作'])
X_test=np.array([[13,10],[5,10]])
# 進行模型訓練
knnclf=KNeighborsClassifier(n_neighbors=5)
knnclf.fit(X_train,Y_train)
# 測試、推估
knnclf.predict(X_test)
圖 8、在筆記本執行個體中使用 Jupyter
AWS 提供很多 Amazon SageMaker 筆記本的範例，可以在頁簽中 Amazon SageMaker Examples 中找到，開發者其實可以試著找到相關案例來參考。
圖 9、Amazon SageMaker 筆記本範例的集合
iThome鐵人賽
看影片追技術