开发者如何在云上技术中玩转机器学习？

近期，AI 领域不断涌现出重大的变革和创新，其中包括大规模模型的问世和 AIGC 技术的快速迭代发展。每天都有新技术、新算法不断涌现，更大型的模型也层出不穷。AI 技术已经渗透到了各行各业，对开发者、设计师、文字工作者等职业都产生了深刻影响。AI 正在改变着我们的工作生产方式，这已成为行业的共识。因此，了解和掌握 AI 的重要技术变革和趋势对于开发者来说至关重要。

为了让更多的开发者了解和真正参与到技术的开发与应用中，我们推出了一项名为【云上探索实验室】的活动，希望可以和开发者一起从实践中探索技术的边界。本期实验室主题围绕【从实践中探索机器学习边界——Amazon SageMaker 产品体验活动】进行。

从实践中探索机器学习边界——Amazon SageMaker 产品体验活动：

https://dev.amazoncloud.cn/experience

活动得到了众多专业开发者和技术爱好者的热情响应，他们积极参与提交产品体验报告，并分享了实践的视频 Demo。在活动社群中，参与者们积极交流讨论，相互帮助解决问题，共同创造分享、互相启发、共同玩转云上技术的氛围十分活跃。

热门创意作品曝光，

开发者分享心得与避坑经验

现在活动已经进入了中期阶段，许多开发者已经提交了自己的体验作品，并分享了一些心得与避坑经验。为了让更多的开发者加入其中，我们选取了一些具有代表性的体验报告和实践文档分享给大家，希望也可以给大家带来一些开发中的灵感。

体验者“白水”：

仅20分钟，就可搭建属于自己的 AIGC 应用

体验者“白水”《20分钟，使用 Amazon SageMaker 快速搭建属于自己的 AIGC 应用》文中图文并茂地逐步讲解了基于Amazon SageMaker搭建 AIGC 应用的整体流程：

创建 Notebook；
利用 Hugging Face 克隆模型；
了解模型的超参数；
配置和微调 Stable Diffusion 模型；
部署和使用训练好的模型；
清理资源。

《20分钟，使用 Amazon SageMaker 快速搭建属于自己的 AIGC 应用》：

https://al4x5zumz6.feishu.cn/docx/I7kJdl1W9o6CQ7xd9XgcOkGfn9f

使用 Amazon SageMaker 基于 Stable Diffusion 模型搭建的 AIGC 应用

除了讲解如何搭建 AIGC 应用，作者还设计了两个评估模型性能实验：“CPU 和 GPU 对生成速度”和“超参数对模型性能”，探究 Stable Diffusion 模型在不同情况下的效率区别，进而更加详细地展现对 Stable Diffusion 模型的解读。

“目前市面上机器学习的平台已经有很多，Amazon SageMaker 是比较全面的，而且还是面向应用的。”体验者“白水”表示，Amazon SageMaker 中包括了机器学习的各个流程，以往 Python 中的开发习惯完全可以在 Amazon SageMaker 中适用。不仅如此，Amazon SageMaker 支持 Sklearn、PyTorch、TensorFlow、Hugging Face 等，对这些主流模块和框架都有相应的封装。为了方便训练模型，Amazon SageMaker 还提供了 Amazon AutoPilot 可以自动对各种模型以及各组超参数进行搜索，训练最优模型。

体验者“墨理学 AI”：

讲解视频+体验报告，小白开发者的福音

相比较其他小伙伴儿提交的体验报告，体验者“墨理学 AI” 的《如何在亚马逊 SageMaker 进行 Stable Diffusion 模型在线服务部署》则为我们带来了 AI 模型的 Web 端在线部署和推理调用实践。

《如何在亚马逊 SageMaker 进行 Stable Diffusion 模型在线服务部署》:

https://positive.blog.csdn.net/article/details/130019373

文章从如何在 Amazon SageMaker 中进行环境搭建展示开始，创建笔记本编程实例（这个过程大概5分钟左右）——下载代码并上传到 Jupyter 中——选择合适的 Conda 环境。

第二步一键运行所有代码，代码执行过程中会依次完成 Stable Diffusion 模型相关类和函数的代码定义、推理测试，并打包代码和模型，然后部署模型至 Amazon Sagemaker 推理终端节点。

模型创建完成之后，作者通过 Amazon Cloud9 创建了一个前后端 Web 应用。在云服务环境的创建成功基础上，运行下图中的服务代码。

作者完成测试体验之后，表示即使每次输入的提示词是同一个，模型生成得到的输出也是不固定的。所以他建议输入提示词语如果越精准，生成的图像效果可能会越好。

“通过使用 Amazon SageMaker 服务平台，我们只需要一个浏览器，即可编写、运行和调试各种代码，无需进行复杂的机器适配和环境搭建，能够快速完成 AI 模型的推理、测试、验证部署工作。”体验者“墨理学 AI”谈到。通过借助 Amazon SageMaker 平台进行 AI 模型服务部署，可以简化普通开发者进行 AI 模型部署服务的难度，这对于中小企业和个人开发者而言，AI 服务的快速落地也不再是一件难事。

体验者“ZackSock”：

Amazon SageMaker 使用自编码器完成人脸生成

与其他体验者不同，体验者“ZackSock”《Amazon SageMaker 使用自编码器完成人脸生成》围绕 Amazon SageMaker 和自编码器进行的一次体验实践。通过训练自编码器，制作实现“变脸需求”，让人脸 A 渐渐变成人脸 B、让一个人从小慢慢变老、生成人脸等有趣的小实验。

《Amazon SageMaker 使用自编码器完成人脸生成》:

https://blog.csdn.net/ZackSock/article/details/129745320

作者首先使用 Amazon SageMaker 进行环境创建，再进行数据处理，最后训练一个自编码器。本次作者使用的数据是10万张修正好的人脸图片，所以实践是训练一个人脸的自编码。作者针对人脸渐变原理详细解释到，假设人脸 A 被编码成 z1，人脸 B 被编码成 z2，现在想让人脸由 A 到 B 渐变。现在可以把这个问题转换为向量 z1 和 z2 之间的渐变，向量的渐变可以直接使用插值算法，我们在两个向量见插入 n 个向量，再把这些向量输入解码器，得到的人脸图像就是介于 A 和 B 之间的人脸。现在人脸渐变就变为了插值。具体操作如下：

首先实现插值算法，插值的实现很简单，具体代码如下：

上面函数输入两个长度一样的向量，输出 num 个向量。这 num 个向量将作为 Decoder 的输入。接下来使用 Decoder 部分进行推理：

下面是实现的效果：

自编码器不仅可以实现人脸渐变，还能生成人脸。作者分享表示：“在训练自编码器时，把人脸编码成一个长度为1024维的向量。现在我们假设人脸服从高斯分布，如果能求出均值和方差，就可以知道这个高斯分布的具体样子。在知道高斯分布的具体表达式后，就可以对从中采样人脸向量，把这个向量交给 decoder 就可以生成人脸。”