亚马逊云科技【云上探索实验室】使用 Amazon SageMaker 构建机器学习应用、基于 Amazon SageMaker构建细粒度情感分析应用、使用 Amazon SageMaker基于Stable Diffusion模型，快速搭建你的第一个AIGC应用

实验前准备：

1. 确保自己处于稳定的网络环境。

2. 请确保自己的DNS设置为8.8.8.8或国外DNS地址，这一步主要是确保你访问亚马逊云会快一点。

3. 文中提到的一些坑需要注意一下。

4. 申请额度需要一定时间，可以点击这里查看额度申请记录

5. 如果要使用代理网络，请确保不要频繁切换其他国家节点，否则会触发"未经授权活动"
   的假阳性系统报警。

   PS：我就是那个大冤钟，半夜做实验网络不好疯狂切换代理网络，后面风控报警还以为号真的被盗了，紧急改了root密码、检查用户、日志和资源并且设置了两步验证（两步验证还是有必要开启一下）。
   
   这里点名表扬亚马逊，应急响应速度反应很快，客服也很尽责，回消息很快。

第一个实验【使用 Amazon SageMaker 构建机器学习应用】

前面根据手册上的步骤进行部署即可，文章写了很详细，按照步骤来就可以做完。
手册链接：使用 Amazon SageMaker 构建机器学习应用

注意：instance创建完成之后会Pending 5分钟左右才会变成inService
点开Open Jupyter

打开Jupyter Notebook 界面

点击cell，并插入cell，建议每执行手册中提供的命令或者代码就在below下插入一个cell

下载并解压数据：

!wget -N https://archive.ics.uci.edu/ml/machine-learning-databases/00222/bank-additional.zip
!unzip -o bank-additional.zip

后续参考部署手册：使用 Amazon SageMaker 构建机器学习应用

第二个实验【基于 Amazon SageMaker 构建细粒度情感分析应用】

步骤可以参考文章：基于 Amazon SageMaker 构建细粒度情感分析应用
注意：这篇文中步骤部署写的不是很详细，而且还有一点问题，可以参考我这里建议的方法

前提：这里会使用ml.p3.2xlarge，请确保 ml.p3.2xlarge有额度，点击这里：Service Quotas查看
在搜索框中输入ml.p3.2xlarge for endpoint usage 如果没有额度请申请

根据文章：基于 Amazon SageMaker 构建细粒度情感分析应用 创建instance
点开Open Jupyter

部署完成后，打开Jupyter Notebook 界面，点击new新建一个terminal

terminal中执行以下命令。下载GAS-Sagemaker数据

cd ~/SageMaker
git clone https://github.com/HaoranLv/GAS-SageMaker.git

具体数据可以在这里查看这个目录

cd ~/SageMaker/data/tasd/

打开Jupyter Notebook 界面、进入Sagemaker目录，打开gabsa.ipynb 选择内核为conda_pytorch
然后逐行运行。
可以查看这个视频，这里没有使用部署手册里面的代码：

第二个实验视频

需要注意以下：
1、在执行hyperparameters 这一行时需要注意，epochs的参数为30，这意味着后续训练次数会训练30次，经过我自己的训练训练了一个小时才训练了19次，如果担心会影响后续扣费。
建议调低一下这个数值，如10次即可。
修改"num_train_epochs":“30”,为"num_train_epochs":“10”

2、如果使用手册提供的代码，请注意这里的单引号有问题需要注意一下。

以下为手册和github下载的代码对比
下图是手册里面提供的代码，使用手册的代码没有跑通

以下为gabsa.ipynb内置的代码，博主用的是自带的代码。

3、response = estimator.fit(inputs)
启动模型训练，开始训练会比较久，注意训练时间。

后续逐行执行即可，训练完成之后，可以在这里看到训练任务和创建的端点

点开终端节点，往下滑可以看到监控状态。

第三个实验 【基于Stable Diffusion模型，快速搭建你的第一个AIGC应用】

部署参考手册：基于Stable Diffusion模型，快速搭建你的第一个AIGC应用 这个手册写的很详细，但是也需要注意一个地方，后续会提到。

前提：这里会使用ml.g4dn.xlarge，请确保 ml.g4dn.xlarge有额度，点击这里：Service Quotas 查看，在搜索框中输入ml.g4dn.xlarge for endpoint usage，如果没有额度请申请

注意：
根据手册要求上传ipynb文件之后，选择内核为conda_pytorch，逐行执行命令部分手册未详细说明。
这里逐行执行命令即可。我这里简单录制了一段视频

第三个实验

后面部署的时候会很慢，耐心等待即可。
检查终端节点是否创建，如下图

ipynb部分部署完毕之后再参考手册：基于Stable Diffusion模型，快速搭建你的第一个AIGC应用 Cloud9创建前后端Web应用部分，进行后续部署
部署完成之后，这里用了两个简单的prompt：

a beauty girl

a china superman

弱弱吐槽一句。输入的prompt生成的图有点搞笑，酷似马云=_=

来个正常点的prompt：

a cartoon style cute monkey wearing a space suit, star background; clear portrait of a superhero concept between spiderman and batman, cottagecore

可能遇到的问题：

1. 如果打开preview running application
   
   提示：“You can’t access preview functionality because your browser blocks third-party cookies (also known as cross-site tracking). To use previews, allow third-party cookies and reload your IDE.”

解决方法：在cloud9页面里把已阻止的勾选为允许，如下图

关于扣费

重要的事情说三遍
做完实验，停止实例之后记得删除实例、训练任务等等！！！
做完实验，停止实例之后记得删除实例、训练任务等等！！！
做完实验，停止实例之后记得删除实例、训练任务等等！！！
如果触发扣费怎么解决：
先检查account账户账单，如果有扣费点击这里新建case找客服解决。
在此期间检查一下以下链接，把能删除任务删除。
https://console.aws.amazon.com/s3/
https://console.aws.amazon.com/iam/
https://us-east-1.console.aws.amazon.com/sagemaker/home?region=us-east-1#/processing-jobs
https://console.aws.amazon.com/cloudwatch/
删除带/aws/sagemaker/.的日志
参考文档：https://docs.aws.amazon.com/sagemaker/latest/dg/ex1-cleanup

总结

这三个实验总体来说并不是很难，文章写的很详细，容易上手，我是第一次使用Amazon Sagemaker，也算小白一个，之前用过谷歌的colab，在部署中耽误时间的点主要是阅读手册时，理解可能会有误差，如第三个实验没有部署ipynb导致后面cloud9部署后不能正常生图，后面返回去部署ipynb才解决；在部署第二个实验时，发现有手册中的步骤和实际操作有出入，发现错误需要有一点点代码经验来排查才能顺利完成整个实验，中途遇到问题时很正常的，根据提示来排查问题然后解决这是一项必备的技能。解决问题后把遇到的问题总结起来，以后遇到可以用类似的思路来解决，总结经验。最后感谢亚马逊能提供这样的一个活动，让我们可以随时体验到科技带了的便利，别忘了做完实验之后停止并删除实例以及训练任务等等，大家遇到什么问题可以在文章后面评论，如文中有错误也希望大家能够指出改进，我们共同交流学习。