人脸识别有什么用？
人脸识别有什么用？
简单来说，人脸识别技术可图像转换为“矩阵”形式，不同内容的图像可得到不同的矩阵。随后将需要识别的图片进行类似转换，并计算被识别图片和训练模型时所用参考图片的矩阵相似度，借此判断图片中是否包含人脸，甚至进一步精确判断出包含了哪个人的面部。这种技术已经在娱乐、生活甚至公共安全等方面发挥出巨大作用。例如：
- 手机解锁和移动支付场景中，通过人脸识别技术“刷脸登录”，避免繁琐的密码输入过程；
- 安防等场景中，通过人脸识别追踪某人的具体行程，或在“茫茫人海”中快速定位某人；
- 视频拍摄和直播应用中，自动分析出面部区域，对该区域进行“自动美化”或添加有趣的特效。
这些需要以准确的模型、海量训练数据、长时间的训练过程，以及不断的调优为前提，这都离不开先进的机器学习能力，而 Amazon SageMaker 通过丰富的功能和强大算力用户提供了快速构建人脸识别算法、模型和应用所需的底层 IT 支持。
亚马逊云科技 Amazon SageMaker 优势
亚马逊云科技 Amazon SageMaker 优势
全面集成
传统 ML 开发是一个复杂、昂贵的迭代过程，而没有适用于整个机器学习工作流程的集成工具使得这一过程更加困难。您需要将工具和工作流程整合到一起，而这非常耗时并且容易出错。Amazon SageMaker 是一项完全托管的服务，可为每位开发人员和数据科学家提供快速构建、训练和部署机器学习 (ML) 模型的能力。SageMaker 消除了机器学习过程中的每个步骤的繁重工作，让您能够更轻松地开发高质量模型。
模型构建
作为首个适用于机器学习的完全集成式 IDE，Amazon SageMaker Studio 提供了一个基于 Web 的单一视觉界面，您可以在其中执行所有 ML 开发步骤，通过 SageMaker 笔记本加速构建并展开协作。SageMaker 支持各类领先的深度学习框架，如 TensorFlow、PyTorch、Apache MXNet 等。
模型训练
SageMaker Experiments 可帮助您组织和跟踪机器学习模型的迭代。您还可以借助 SageMaker Debugger 在训练期间自动捕获实时指标，使训练过程更加透明，从而帮助提高模型精度。SageMaker 提供托管的 Spot 训练，帮助降低多达 90% 的训练成本。
模型部署
只须单击一下，Amazon SageMaker 即可轻松将经过训练的模型部署到生产中，从而使您可以开始为实时或批量数据生成预测。您可以跨多个可用区将模型一键部署到自动扩展的 Amazon ML 实例上，实现高冗余。您的应用程序只需要有一个对此终端节点的 API 调用，即可实现低延迟、高吞吐量推理。
全面集成
传统 ML 开发是一个复杂、昂贵的迭代过程，而没有适用于整个机器学习工作流程的集成工具使得这一过程更加困难。您需要将工具和工作流程整合到一起，而这非常耗时并且容易出错。Amazon SageMaker 是一项完全托管的服务，可为每位开发人员和数据科学家提供快速构建、训练和部署机器学习 (ML) 模型的能力。SageMaker 消除了机器学习过程中的每个步骤的繁重工作，让您能够更轻松地开发高质量模型。
模型构建
作为首个适用于机器学习的完全集成式 IDE，Amazon SageMaker Studio 提供了一个基于 Web 的单一视觉界面，您可以在其中执行所有 ML 开发步骤，通过 SageMaker 笔记本加速构建并展开协作。SageMaker 支持各类领先的深度学习框架，如 TensorFlow、PyTorch、Apache MXNet 等。
模型训练
SageMaker Experiments 可帮助您组织和跟踪机器学习模型的迭代。您还可以借助 SageMaker Debugger 在训练期间自动捕获实时指标，使训练过程更加透明，从而帮助提高模型精度。SageMaker 提供托管的 Spot 训练，帮助降低多达 90% 的训练成本。
模型部署
只须单击一下，Amazon SageMaker 即可轻松将经过训练的模型部署到生产中，从而使您可以开始为实时或批量数据生成预测。您可以跨多个可用区将模型一键部署到自动扩展的 Amazon ML 实例上，实现高冗余。您的应用程序只需要有一个对此终端节点的 API 调用，即可实现低延迟、高吞吐量推理。
了解 Amazon SageMaker 相关资讯
了解 Amazon SageMaker 相关资讯
基于 Amazon SageMaker 进行汽车型号的图像识别
本文重点介绍了在 Amazon SageMaker 中如何基于 MXNet 使用自己的数据来微调一个预训练的图像分类模型并且达到较高的准确率来构建一个车型号分类器。车辆检测及型号识别广泛应用于物业，交通等的管理场景中，借此将能以较高效率对车型，数量信息等进行采集，在不同场景中可以辅助不同的业务开展，如商场停车位的规划，路况规划，或者公安系统追踪肇事车辆等等。
使用 Amazon SageMaker 加速自定义 AI 医疗影像算法构建
随着 AI 在医疗领域的快速运用与推广，越来越多医疗用户在亚马逊云科技平台寻求弹性，安全，高效，高可用的解决方案，进而缩短产品从构想、开发，再到部署的时间。本文旨在以开源的医疗影像数据与语义分割算法为例，探索 Amazon SageMaker 加速自定义医疗 AI 影像分割算法构建的业务场景与优势。
使用 Amazon SageMaker 构建基于 gluon 的推荐系统
随着电子商务规模的不断扩大，商品种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。为解决这些问题，个性化推荐系统应运而生。本文将介绍如何使用 Amazon SageMaker 的自定义脚本方式来运行 gluon 程序的训练任务，并且进行部署调用。
使用 Amazon SageMaker 运行基于 TensorFlow 的中文命名实体识别
命名实体识别，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。英语中的命名实体具有比较明显的形式标志，所以实体边界识别相对容易。和英语相比，中文命名实体识别任务更加复杂，而且相对于实体类别标注子任务，实体边界的识别更加困难。本文将介绍如何使用 Amazon SageMaker 运行基于 TensorFlow 的中文命名实体识别。
基于 Amazon SageMaker 进行汽车型号的图像识别
本文重点介绍了在 Amazon SageMaker 中如何基于 MXNet 使用自己的数据来微调一个预训练的图像分类模型并且达到较高的准确率来构建一个车型号分类器。车辆检测及型号识别广泛应用于物业，交通等的管理场景中，借此将能以较高效率对车型，数量信息等进行采集，在不同场景中可以辅助不同的业务开展，如商场停车位的规划，路况规划，或者公安系统追踪肇事车辆等等。
使用 Amazon SageMaker 加速自定义 AI 医疗影像算法构建
随着 AI 在医疗领域的快速运用与推广，越来越多医疗用户在亚马逊云科技平台寻求弹性，安全，高效，高可用的解决方案，进而缩短产品从构想、开发，再到部署的时间。本文旨在以开源的医疗影像数据与语义分割算法为例，探索 Amazon SageMaker 加速自定义医疗 AI 影像分割算法构建的业务场景与优势。
使用 Amazon SageMaker 构建基于 gluon 的推荐系统
随着电子商务规模的不断扩大，商品种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品。为解决这些问题，个性化推荐系统应运而生。本文将介绍如何使用 Amazon SageMaker 的自定义脚本方式来运行 gluon 程序的训练任务，并且进行部署调用。
使用 Amazon SageMaker 运行基于 TensorFlow 的中文命名实体识别
命名实体识别，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。英语中的命名实体具有比较明显的形式标志，所以实体边界识别相对容易。和英语相比，中文命名实体识别任务更加复杂，而且相对于实体类别标注子任务，实体边界的识别更加困难。本文将介绍如何使用 Amazon SageMaker 运行基于 TensorFlow 的中文命名实体识别。
亚马逊云科技人脸识别相关产品
亚马逊云科技人脸识别相关产品
新用户注册，可免费体验 12 个月