新用户可获得高达 200 美元的服务抵扣金

亚马逊云科技新用户可以免费使用亚马逊云科技免费套餐（Amazon Free Tier）。注册即可获得 100 美元的服务抵扣金，在探索关键亚马逊云科技服务时可以再额外获得最多 100 美元的服务抵扣金。使用免费计划试用亚马逊云科技服务，最长可达 6 个月，无需支付任何费用，除非您选择付费计划。付费计划允许您扩展运营并获得超过 150 项亚马逊云科技服务的访问权限。

作为一个科技数码博主、资深的运营和营销工作者，我最早接触的云服务就是Amazon亚马逊云服务。主要原因有三点:

第一点，Amazon Web Services 作为全球领先的云计算平台，其覆盖的业务面非常广，拓展性和稳定性都非常强。我不需要把折腾的时间浪费在无关紧要的环节，而是专注在打通自己的流程和场景，这也是我建站、直播首选亚马逊云科技的原因。

第二点，亚马逊云科技为教育群体提供了极具吸引力的免费套餐（Amazon Free Tier），帮助教育用户零成本体验和实践主流云服务。这一点非常重要云计算平台是上学时科研的刚需，但是教育群体是没有太多试错成本的。Amazon就为当时的我提供了尝试的机会。

如果你也有搭建云服务、云计算的需求，您可以浏览这篇文章。本文将结合亚马逊云科技官网内容，详细介绍亚马逊云科技免费套餐的结构、注册流程、主要服务、教育场景应用、注意事项及实践建议，助力教育群体充分利用云计算资源，提升创新能力和数字化水平。

亚马逊云科技免费套餐是什么

亚马逊云科技免费套餐是面向新用户推出的优惠计划，旨在让用户在不承担成本风险的前提下，体验和学习云计算服务。教育群体可以通过免费套餐，尝试亚马逊云科技的核心产品，支持课程教学、科研项目、技能提升等多种需求。

免费套餐的主要特点

• 高达200美元服务抵扣金：新注册用户可获得100美元的服务抵扣金，探索关键服务后还可再获得最多100美元，总计200美元。
• 最长6个月免费体验：免费套餐有效期最长6个月，期间无需支付任何费用，除非主动切换到付费计划。
• 精选服务免费使用：包括计算、存储、数据库、人工智能等主流服务，满足多样化的教育和科研需
• 灵活升级：如需更大规模或更多服务，随时可升级至付费计划，解锁全部150+项亚马逊云科技服务。

亚马逊云科技免费套餐覆盖了云计算的多个核心领域:

体验地址：亚马逊云科技免费套餐

四、如何借助Amazon SageMaker和Bedrock等服务完成模型训练、推理和AI项目开发

我认为，最重要的就是AI方面的应用。当下，大多数行业都在加剧与AI结合，本地大模型并不是大多是人能玩得起的。通过云服务和云计算可以极大地降低教育群体搭建人工智能服务的场景。

Amazon Bedrock是开发生成式AI应用的便捷平台，支持基础模型的快速集成与扩展，适合AI课程、创新项目。

Amazon SageMaker AI为数据科学和机器学习提供一站式平台，支持模型训练、部署和管理，适合AI实验和科研。

1. 创建亚马逊云科技账户

• 访问亚马逊云科技控制台，这部分我附在后面，还没有注册尤其是不知道如何领取免费套餐的可以收藏本文照着做。

2. 配置IAM权限

• 创建IAM用户：登录控制台 → IAM服务 → “用户” → “添加用户”：
  • 设置用户名（如 sagemaker-user）
  • 访问类型：勾选”编程访问”（生成AKSK密钥）和”亚马逊云科技管理控制台访问”（设置控制台密码）。

• 权限分配：
  • 附加策略：AmazonSageMakerFullAccess（SageMaker全权限）
  • 自定义策略（可选）：添加S3存储桶访问权限（如 AmazonS3FullAccess）。
• 安全加固：启用多因素认证（MFA）并下载AKSK密钥（保存至安全位置）。

3.数据上传至S3

• 在SageMaker Studio中创建S3存储桶：

import sagemaker
sess = sagemaker.Session()
bucket = sess.default_bucket()  # 使用默认桶或自定义桶名
raw_data_location = sess.upload_data('local_data.csv', bucket=bucket, key_prefix='raw/') 
print(f"S3路径: s3://{bucket}/raw/local_data.csv")  # 输出s3://your-bucket/raw/local_data.csv [[92]][[103]]

4. 数据预处理（SageMaker Processing）

• 使用SKLearnProcessor运行清洗脚本：

from sagemaker.processing import ScriptProcessor
sklearn_processor = ScriptProcessor(
    framework_version='0.23-1',
    role=sagemaker.get_execution_role(),
    instance_type='ml.m5.large',
    command=['python3']
)
sklearn_processor.run(
    code='preprocessing.py',  # 预处理脚本
    inputs=[sagemaker.processing.ProcessingInput(source=raw_data_location, destination='/opt/ml/processing/input')],
    outputs=[sagemaker.processing.ProcessingOutput(output_name='train', source='/opt/ml/processing/train')]
) 

• 预处理脚本示例（preprocessing.py）：

import pandas as pd
data = pd.read_csv('/opt/ml/processing/input/local_data.csv')
data = data.dropna()  # 删除缺失值
data.to_csv('/opt/ml/processing/train/cleaned.csv', index=False)

方案1： 使用SageMaker内置算法（快速入门）

• 适用场景：结构化数据分类/回归（如XGBoost）

from sagemaker.xgboost import XGBoost
estimator = XGBoost(
    entry_point='train.py',        # 训练脚本
    framework_version='1.3-1',
    instance_type='ml.m5.xlarge',
    output_path=f's3://{bucket}/models/'
)
estimator.fit({'train': 's3://bucket/processed/train/'}) [[95]][[129]]

• 训练脚本（train.py）：需定义train()函数加载数据、设置超参数并保存模型.

方案2：Bedrock模型微调 + SageMaker部署

• 步骤：
  • Bedrock模型选择：在Bedrock控制台选择基础模型（如Llama 3）。
  • 微调数据准备：上传领域特定数据（如医疗问答对）至S3。
  • 启动微调任务：

  import boto3
  bedrock = boto3.client('bedrock')
  bedrock.create_fine_tuning_job(
      baseModel='meta.llama3-70b-instruct',
      trainingData='s3://bucket/finetune-data.jsonl',
      outputLocation=f's3://{bucket}/fine-tuned-models/' 
  )
  

  • 导入SageMaker部署：

  from sagemaker.model import Model
  model = Model(
      model_data='s3://bucket/fine-tuned-models/model.tar.gz',
      role=sagemaker.get_execution_role(),
      image_uri='bedrock-llama3-container'  # 使用Bedrock兼容的Docker镜像
  )
  predictor = model.deploy(instance_type='ml.g5.2xlarge', endpoint_name='bedrock-llama-endpoint') [[166]][[154]]
  

6. SageMaker端点部署

• 一键部署训练好的模型：

predictor = estimator.deploy(
    initial_instance_count=1,
    instance_type='ml.m5.large',
    endpoint_name='xgboost-model-endpoint'
) 

7. 自动化监控配置

• CloudWatch指标：监控端点延迟、错误率 。
• 自动扩缩容：根据流量动态调整实例数量：

from sagemaker.scaling_config import ScalingConfig
scaling_config = ScalingConfig(
    min_instance_count=1,
    max_instance_count=4,
    target_invocations_per_minute=1000  # 每分钟1000次请求时扩容 
)

• 模型监控：启用SageMaker Model Monitor检测数据偏移：

from sagemaker.model_monitor import DataCaptureConfig
data_capture_config = DataCaptureConfig(enable_capture=True, sampling_percentage=100)
predictor.update_data_capture_config(data_capture_config) 

附录：如何才能用上亚马逊云科技免费套餐

1. 访问亚马逊云科技官网，点击“创建账户”。
2. 填写邮箱、密码、账户名称等基本信息。
3. 完成身份验证（可选：教育邮箱可能享受更多优惠）。
4. 激活账户后，自动获得100美元服务抵扣金，后续可再获得最多100美元。

启动免费套餐

• 注册成功后，免费套餐自动生效，无需额外申请。
• 可在管理控制台浏览和启用各项服务。
• 免费套餐有效期最长6个月，期间可随时升级为付费计划。

服务启用与资源管理

• 通过控制台快速创建EC2实例、S3存储桶、RDS数据库等。
• 使用预算和费用监控工具，实时了解资源使用和费用情况。
• 超出免费额度前，系统会有提醒，避免意外扣费。

亚马逊云科技免费套餐为教育群体提供了宝贵的云计算入门机会。通过免费套餐，教师和学生可以零成本体验顶级云服务，提升实践能力和创新水平。无论是课程实验、科研项目，还是创新创业，亚马逊云科技免费套餐都能为教育用户提供坚实的技术支撑。建议大家结合官方资源和教育专属支持，积极探索和实践云计算，为未来的数字化转型和职业发展打下坚实基础。

通过本教程，教育群体可以系统了解并高效利用亚马逊云科技免费套餐，开启云计算学习与创新之旅。立即注册亚马逊云科技账户，探索数字世界的无限可能！

以上就是本文的全部内容啦。最后提醒一下各位工友，如果后续不再使用相关服务，别忘了在控制台关闭，避免超出免费额度产生费用～