Contenu connexe Similaire à 研究用途でのAWSの利用事例と機械学習について (20) Plus de Yasuhiro Matsuo (16) 研究用途でのAWSの利用事例と機械学習について2. Who am I ?
• 名前
– 松尾康博
• 所属
– アマゾンウェブサービスジャパン株式会社
– ソリューションアーキテクト
– HPC、CAE、ビッグデータ、DL等を主に担当
• 経歴
– 九州⼤学でスパコンの効率化研究
– SIerで 分散キューの開発・導⼊、分散処理研究
– Web系スタートアップCTO
– SIerで仮想化基盤の研究・導⼊・運⽤
– 現職
15. The Birds in the Cloud「雲の中の⿃」
NEXRADを利⽤したオクラホマ⼤学による⿃の研究
• Next Generation Weather Radar
Network (NEXRAD) は、最新の気
象レーダーでテレビの天気予報など
でも広く使われている
• 春と秋、NEXRADには渡り⿃の⼤き
な「雲」が観測されるため,⿃類学
者はこれを利⽤して研究を実施
• オクラホマ⼤学では、AWSパブリッ
クデータセットで公開されている
NEXRADの映像を、渡り⿃の数や渡
りの研究に使⽤して成果を上げてい
る
16. AWSパブリックデータセット
• 公共性の⾼いデータセットをまとめて保管し、無償で公開
– http://aws.amazon.com/datasets
• AWSベースのアプリケーションから、シームレスにご利⽤可能
• 現在ご利⽤可能なデータセットの例:
– 1000 Genomes Project 約200TB、1700⼈分超のゲノム
EC2、EMRでご利⽤可能
– Ensembl ⼈と約50種の⽣物のゲノムをご利⽤可能
– GenBank NIHのゲノムデータバンク
– UniGene NCBI提供の遺伝⼦情報
– Influenza Virus NCBI提供のインフルエンザウィルス情報
– PubChem NIHによる化学物質と⽣体の情報
– Japan Census
– Daily Global Weather Measurements, 1929-2009 (NCDC, GSOD)
– Sloan Digital Sky Survey DR6 Subset
– University of Florida Sparse Matrix Collection
– Freebase Data Dump
17. Amazon Robotics Challenge
17
• ロボットアームを⾃動制御して
ピッキング精度を競う
• 物体判別や物体の状態認識、モー
ションプランニング、物体把持プ
ランニングが要求される
• ディープラーニングは物体判定、
姿勢制御に積極的に活⽤されてい
る
• ⽇本のスタートアップも参加(ト
ヨタ等と資本提携)
• 2017は7⽉に名古屋で開催
• (RoboCup 2017併催)
https://www.amazonrobotics.com/#/roboticschallenge
20. 4 レイヤーから構成される AWS の AI サービス
20
Services Amazon
Rekognition
Amazon
Polly
Amazon
Lex
Platform
Amazon
Machine
Learning
Engines
TensorFlow Caffe Torch Theano CNTK Keras
CPU IoT MobileInfrastructure GPU
Apache Spark
&
Amazon EMR
Amazon
Kinesis
AWS
Batch
Amazon
ECS
MXNet
AWS Deep Learning AMI
21. 4 レイヤーから構成される AWS の AI サービス
21
Services Amazon
Rekognition
Amazon
Polly
Amazon
Lex
Platform
Amazon
Machine
Learning
Engines
TensorFlow Caffe Torch Theano CNTK Keras
CPU IoT MobileInfrastructure GPU
Apache Spark
&
Amazon EMR
Amazon
Kinesis
AWS
Batch
Amazon
ECS
MXNet
AWS Deep Learning AMI
23. 4 レイヤーから構成される AWS の AI サービス
23
Services Amazon
Rekognition
Amazon
Polly
Amazon
Lex
Platform
Amazon
Machine
Learning
Engines
TensorFlow Caffe Torch Theano CNTK Keras
CPU IoT MobileInfrastructure GPU
Apache Spark
&
Amazon EMR
Amazon
Kinesis
AWS
Batch
Amazon
ECS
MXNet
AWS Deep Learning AMI
25. 4 レイヤーから構成される AWS の AI サービス
25
Services Amazon
Rekognition
Amazon
Polly
Amazon
Lex
Platform
Amazon
Machine
Learning
Engines
TensorFlow Caffe Torch Theano CNTK Keras
CPU IoT MobileInfrastructure GPU
Apache Spark
&
Amazon EMR
Amazon
Kinesis
AWS
Batch
Amazon
ECS
MXNet
AWS Deep Learning AMI
26. 主要な Deep Learning フレームワークをサポート
26
AWS Deep Learning AMI
MXNet TensorFlow Caffe & Caffe2
Theano Cognitive Toolkit Torch
Keras
Nvidia CUDA & cuDNN Python 2 & Python 3
Intel MKL Anaconda
Amazon EC2 (Amazon Linux / Ubuntu)
27. 4 レイヤーから構成される AWS の AI サービス
27
Services Amazon
Rekognition
Amazon
Polly
Amazon
Lex
Platform
Amazon
Machine
Learning
Engines
TensorFlow Caffe Torch Theano CNTK Keras
CPU IoT MobileInfrastructure GPU
Apache Spark
&
Amazon EMR
Amazon
Kinesis
AWS
Batch
Amazon
ECS
MXNet
AWS Deep Learning AMI
28. ⾼性能インスタンスの変遷
CC1 CC2 C3 C4 C5
vCPU 16 32 32 36 72
RAM
(GiB)
23 60.5 60 60 144
CPU Xeon
X5570
(Nehalem)
Xeon
E5-2670
(Sandy Bridge)
Xeon E5-
2680v2
(Ivy Bridge)
Xeon E5-
2666v3
(Haswell)
Xeon
(Skylake)
周波数 2.9GHz 2.6GHz 2.8GHz 2.9GHz 3.0GHz
NIC 10Gbps 10Gbps 10Gbps 10Gbps 20Gbps
Launch
Date
Jul, 2010 Nov, 2011 Nov, 2013 Jan, 2015 2017(Soon)
29. アクセラレータ搭載インスタンス
NVIDIA Tesla
GPU Card
GPU-accelerated computing
§ 各GPUの数千CUDAコアによる高並列計算
§ 豊富なAPI群 (CUDA, OpenACC, OpenCL)
§ 多くのISV製品やOSSが対応
§ K80に加え、Volta V100搭載予定
Xilinx
UltraScale+
FPGA
FPGA-accelerated computing
§ 各FPGAには数百万のロジックセルを搭載
§ 規定の命令セットがなく自由に実装可能
§ クラウドベースのFPGA開発ツールを用意
35. AWS Cloud Credits for Research
35
FREE
AWS Cloud Credit for
Researchは、研究に必要
なリソースを提供します
お申し込み先 : https://aws.amazon.com/jp/research-credits/
FAQ : https://aws.amazon.com/research-credits/faq/
FREE
AWS Cloud Credits for Research Programは以下のようなご要望
をお持ちの研究者の皆様を⽀援させていただきます。
• 必要なアプリケーションやソフトウェア、ツールなどをクラウ
ド上でお使いいただきたい研究者の⽅
• 研究におけるワークロードやオープンデータを効率的にクラウ
ド上で実現するためのPoCやベンチマークに
• ワークショップやチュートリアルにかかるクラウド利⽤をご検
討中の研究者の皆さまに
Notes de l'éditeur Amazon Rekognition では画像に現れる物体やシーンを発見することができます。新しい画像が S3 にアップロードされたときにRekognition を呼び出し、新しく検出された画像のラベルを検索サービス(Elasticsearch)の検索インデックスに追加する AWS Lambda 関数を準備することで、不動産物件を検索するサービスを容易に実現することが可能です。
A mobile app uploads new images to S3
An S3 notification triggers a Lambda function which calls Rekognition’s DetectLabels API with an S3 url
DetectLabels analyzes the image and returns labels for objects and scenes detected in the image
This output is persisted as metadata into DynamoDB to ensure durability and into Elasticsearch to power a smart search index. The application serves selected images directly from S3.
Options on this configuration include: writing to Elasticsearch directly from the Lambda function, and using CloudFront to serve the image to the user.