আমরা সম্প্রতি একটি নতুন ক্ষমতা চালু করেছি অ্যামাজন সেজমেকার পাইথন এসডিকে যা ডেটা বিজ্ঞানীদের তাদের পছন্দের ইন্টিগ্রেটেড ডেভেলপার এনভায়রনমেন্ট (IDE) এবং নোটবুকগুলির সাথে সম্পর্কিত রানটাইম নির্ভরতার সাথে রচিত তাদের মেশিন লার্নিং (ML) কোড চালাতে দেয় আমাজন সেজমেকার স্থানীয়ভাবে করা পরীক্ষায় ন্যূনতম কোড পরিবর্তন সহ চাকরির প্রশিক্ষণ। ডেটা বিজ্ঞানীরা সাধারণত যেকোন এমএল সমস্যা নিয়ে কাজ করার সময় ডেটা প্রসেসিং এবং প্রশিক্ষণ মডেলগুলিতে পরীক্ষা-নিরীক্ষার বেশ কয়েকটি পুনরাবৃত্তি করে। তারা এই ML কোডটি চালাতে চায় এবং ব্যবহার সহজে এবং ন্যূনতম কোড পরিবর্তনের সাথে পরীক্ষা চালাতে চায়। অ্যামাজন সেজমেকার মডেল প্রশিক্ষণ ডেটা বিজ্ঞানীদের AWS-এর কম্পিউট অবকাঠামোতে সম্পূর্ণরূপে পরিচালিত বড়-স্কেল প্রশিক্ষণের কাজ চালাতে সাহায্য করে। সেজমেকার ট্রেনিং ডেটা বিজ্ঞানীদের উন্নত সরঞ্জামগুলির সাথে সাহায্য করে যেমন আমাজন সেজমেকার ডিবাগার এবং প্রোফাইলার তাদের বড় মাপের প্রশিক্ষণের কাজগুলি ডিবাগ এবং বিশ্লেষণ করতে।
ছোট বাজেট, ছোট দল এবং আঁটসাঁট টাইমলাইন সহ গ্রাহকদের জন্য, SageMaker-এ চালানোর জন্য পুনরায় লেখা প্রতিটি নতুন ধারণা এবং কোডের লাইন তাদের মূল কাজগুলির প্রতি কম উৎপাদনশীল করে তোলে, যেমন ডেটা প্রসেসিং এবং এমএল মডেলের প্রশিক্ষণ৷ তারা তাদের পছন্দের ফ্রেমওয়ার্কের মধ্যে একবার কোড লিখতে চায় এবং সেজমেকার ক্ষমতা ব্যবহার করে তাদের নোটবুক বা ল্যাপটপে চলমান কোড থেকে স্কেলে চলমান কোডে নির্বিঘ্নে যেতে সক্ষম হবে।
SageMaker Python SDK-এর এই নতুন ক্ষমতার সাথে, ডেটা বিজ্ঞানীরা কয়েক মিনিটের মধ্যে তাদের ML কোড SageMaker ট্রেনিং প্ল্যাটফর্মে নিয়ে যেতে পারেন। আপনাকে শুধু আপনার ML কোডে কোডের একটি লাইন যোগ করতে হবে, এবং SageMaker বুদ্ধিমত্তার সাথে ডেটাসেট এবং ওয়ার্কস্পেস এনভায়রনমেন্ট সেটআপ সহ আপনার কোড বুঝতে পারে এবং এটিকে সেজমেকার ট্রেনিং কাজ হিসাবে চালায়। তারপরে আপনি সেজমেকার ট্রেনিং প্ল্যাটফর্মের মূল ক্ষমতাগুলির সুবিধা নিতে পারেন, যেমন সহজেই কাজগুলি স্কেল করার ক্ষমতা এবং ডিবাগার এবং প্রোফাইলারের মতো অন্যান্য সম্পর্কিত সরঞ্জামগুলি। এই রিলিজে, আপনি আপনার স্থানীয় মেশিন লার্নিং (ML) পাইথন কোডকে একটি একক-নোড Amazon SageMaker প্রশিক্ষণের কাজ বা একাধিক সমান্তরাল কাজ হিসাবে চালাতে পারেন। বিতরণকৃত প্রশিক্ষণ কাজ (একাধিক নোড জুড়ে) দূরবর্তী ফাংশন দ্বারা সমর্থিত নয়।
এই পোস্টে, আমরা আপনাকে দেখাব কিভাবে একটি SageMaker প্রশিক্ষণের কাজ হিসাবে স্থানীয় ML কোড চালানোর জন্য এই নতুন ক্ষমতা ব্যবহার করতে হয়।
সমাধান ওভারভিউ
আপনি এখন আপনার আইডিই বা নোটবুকে লেখা আপনার এমএল কোডটিকে সেজমেকার ট্রেনিং কাজ হিসাবে ফাংশনটি টীকা দিয়ে চালাতে পারেন, যা একটি সাধারণ ডেকোরেটর সহ ব্যবহারকারীর কোড বেসে একটি এন্ট্রি পয়েন্ট হিসাবে কাজ করে৷ আহ্বান করার পরে, এই ক্ষমতাটি স্বয়ংক্রিয়ভাবে আপনার ML কোড থেকে সমস্ত সম্পর্কিত ভেরিয়েবল, ফাংশন, প্যাকেজ, এনভায়রনমেন্ট ভেরিয়েবল এবং অন্যান্য রানটাইম প্রয়োজনীয়তার একটি স্ন্যাপশট নেয়, সেগুলিকে সিরিয়ালাইজ করে এবং সেজমেকার ট্রেনিং কাজ হিসাবে জমা দেয়। এটা সম্প্রতি ঘোষিত সঙ্গে একীভূত প্যারামিটারের জন্য ডিফল্ট মান সেট করার জন্য SageMaker Python SDK বৈশিষ্ট্য. এই ক্ষমতা SageMaker নির্মাণগুলিকে সরল করে যা আপনাকে SageMaker প্রশিক্ষণ ব্যবহার করে কোড চালাতে সক্ষম হতে শিখতে হবে। ডেটা বিজ্ঞানীরা যেকোন পছন্দের IDE-তে তাদের কোড লিখতে, ডিবাগ করতে এবং পুনরাবৃত্তি করতে পারেন (যেমন অ্যামাজন সেজমেকার স্টুডিও, নোটবুক, ভিএস কোড, বা পাইচর্ম)। প্রস্তুত হলে, আপনি আপনার পাইথন ফাংশনটি দিয়ে টীকা করতে পারেন @remote
ডেকোরেটর এবং স্কেলে একটি SageMaker কাজ হিসাবে এটি চালান।
এই ক্ষমতাটি পরিচিত ওপেন সোর্স পাইথন অবজেক্টকে আর্গুমেন্ট এবং আউটপুট হিসেবে নেয়। উপরন্তু, আপনাকে কন্টেইনার লাইফসাইকেল ম্যানেজমেন্ট বুঝতে হবে না এবং ন্যূনতম কনফিগারেশন ওভারহেড সহ বিভিন্ন গণনা প্রসঙ্গে (যেমন একটি স্থানীয় IDE, স্টুডিও বা প্রশিক্ষণের কাজ) জুড়ে আপনার কাজের বোঝা চালাতে পারেন। সেজমেকার ট্রেনিং কাজ হিসাবে যেকোন স্থানীয় কোড চালানোর জন্য, এই ক্ষমতা কাজগুলি চালানোর জন্য প্রয়োজনীয় কনফিগারেশনগুলিকে অনুমান করে, যেমন এডাব্লুএস আইডেন্টিটি এবং অ্যাক্সেস ম্যানেজমেন্ট (IAM) ভূমিকা, এনক্রিপশন কী এবং নেটওয়ার্ক কনফিগারেশন, স্টুডিও বা IDE সেটিংস থেকে (যা হতে পারে ডিফল্ট সেটিংস) এবং ডিফল্টরূপে প্ল্যাটফর্মে তাদের পাস করে। অনুমানকৃত কনফিগারেশন ব্যবহার করে সেজমেকার পরিচালিত পরিকাঠামোতে আপনার রানটাইম কাস্টমাইজ করার নমনীয়তা রয়েছে বা ডেকোরেটরের কাছে আর্গুমেন্ট হিসাবে সেগুলিকে SDK-লেভেলে ওভাররাইড করার জন্য আপনার কাছে নমনীয়তা রয়েছে।
SageMaker Python SDK-এর এই নতুন ক্ষমতা আপনার ML কোডকে একটি বিদ্যমান ওয়ার্কস্পেস পরিবেশে এবং যেকোন সংশ্লিষ্ট ডেটা প্রসেসিং কোড এবং ডেটাসেটকে SageMaker প্রশিক্ষণের কাজে রূপান্তরিত করে। এই ক্ষমতা একটি ভিতরে আবৃত ML কোড জন্য দেখায় @remote
ডেকোরেটর এবং স্বয়ংক্রিয়ভাবে এটিকে একটি চাকরিতে অনুবাদ করে যা হয় স্টুডিও বা স্থানীয় IDE যেমন PyCharm-এ চলে।
নিম্নলিখিত বিভাগগুলিতে, আমরা এই নতুন ক্ষমতার বৈশিষ্ট্যগুলি এবং সেজমেকার প্রশিক্ষণের কাজ হিসাবে পাইথন ফাংশনগুলি কীভাবে চালু করতে হয় তার মধ্য দিয়ে চলেছি।
পূর্বশর্ত
এই নতুন SageMaker Python SDK ক্ষমতা ব্যবহার করতে এবং এই পোস্টের সাথে যুক্ত কোডটি চালাতে, আপনার নিম্নলিখিত পূর্বশর্তগুলির প্রয়োজন:
- একটি AWS অ্যাকাউন্ট যাতে আপনার সমস্ত AWS সম্পদ থাকবে
- SageMaker অ্যাক্সেস করার জন্য একটি IAM ভূমিকা
- স্টুডিওতে অ্যাক্সেস বা একটি সেজমেকার নোটবুক উদাহরণ বা একটি IDE যেমন PyCharm
স্টুডিও এবং সেজমেকার নোটবুক থেকে এসডিকে ব্যবহার করুন
আপনি স্টুডিও থেকে এই ক্ষমতাটি ব্যবহার করতে পারেন একটি নোটবুক চালু করে এবং একটি দিয়ে আপনার কোড মোড়ানো @remote
নোটবুকের ভিতরে ডেকোরেটর। আপনাকে প্রথমে নিম্নলিখিত কোড ব্যবহার করে দূরবর্তী ফাংশন আমদানি করতে হবে:
from sagemaker.remote_function import remote
আপনি যখন ডেকোরেটর ফাংশন ব্যবহার করেন, তখন এই ক্ষমতাটি স্বয়ংক্রিয়ভাবে আপনার কোডের ফাংশন ব্যাখ্যা করবে এবং এটিকে সেজমেকার ট্রেনিং কাজ হিসাবে চালাবে।
আপনি একটি SageMaker নোটবুক উদাহরণ থেকে এই ক্ষমতা ব্যবহার করতে পারেন। আপনাকে প্রথমে একটি নোটবুক ইনস্ট্যান্স শুরু করতে হবে, এতে জুপিটার বা জুপিটার ল্যাব খুলতে হবে এবং একটি নোটবুক চালু করতে হবে। তারপরে পূর্ববর্তী কোডে দেখানো রিমোট ফাংশনটি আমদানি করুন এবং আপনার কোডটি দিয়ে মোড়ানো @remote
ডেকোরেটর আমরা এই পোস্টে পরে ডেকোরেটর ফাংশন এবং সংশ্লিষ্ট সেটিংস কীভাবে ব্যবহার করতে হয় তার একটি উদাহরণ অন্তর্ভুক্ত করেছি।
আপনার স্থানীয় পরিবেশ থেকে SDK ব্যবহার করুন
আপনি আপনার স্থানীয় IDE থেকেও এই ক্ষমতা ব্যবহার করতে পারেন। একটি পূর্বশর্ত হিসাবে, আপনি থাকতে হবে এডাব্লুএস কমান্ড লাইন ইন্টারফেস (AWS CLI), SageMaker Python SDK, এবং Python (Boto3) এর জন্য AWS SDK আপনার স্থানীয় পরিবেশে ইনস্টল করা হয়েছে। আপনাকে আপনার কোডে এই লাইব্রেরিগুলি আমদানি করতে হবে, সেজমেকার সেশন সেট করতে হবে, সেটিংস নির্দিষ্ট করতে হবে এবং আপনার ফাংশনটি এর সাথে সাজাতে হবে @remote
ডেকোরেটর নিম্নলিখিত উদাহরণ কোডে, আমরা সেজমেকার প্রশিক্ষণের কাজ হিসাবে একটি সাধারণ ভাগ ফাংশন চালাই:
import boto3
import sagemaker
from sagemaker.remote_function import remote sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="us-west-2"))
settings = dict(
sagemaker_session=sm_session,
role=<IAM_ROLE_NAME>
instance_type="ml.m5.xlarge",
)
@remote(**settings)
def divide(x, y):
return x / y
if __name__ == "__main__":
print(divide(2, 3.0))
আমরা প্রশিক্ষণের কাজ হিসাবে উন্নত ফাংশন চালানোর জন্য একটি অনুরূপ পদ্ধতি ব্যবহার করতে পারি, যেমনটি পরবর্তী বিভাগে দেখানো হয়েছে।
সেজমেকার কাজ হিসাবে পাইথন ফাংশন চালু করুন
নতুন SageMaker Python SDK বৈশিষ্ট্য আপনাকে পাইথন ফাংশনগুলিকে এইভাবে চালাতে দেয়৷ সেজমেকার প্রশিক্ষণের চাকরি. যেকোন পাইথন কোড, ML ট্রেনিং কোড ডেটা বিজ্ঞানীদের দ্বারা তাদের পছন্দের স্থানীয় IDEs (PyCharm, VS Code), SageMaker নোটবুক বা স্টুডিও নোটবুক ব্যবহার করে তৈরি করা একটি পরিচালিত SageMaker কাজ হিসাবে চালু করা যেতে পারে।
এই ক্ষমতা ব্যবহার করে এমএল ওয়ার্কলোডগুলিতে, সম্পর্কিত ডেটাসেট, নির্ভরতা এবং ওয়ার্কস্পেস এনভায়রনমেন্ট সেটআপগুলি এমএল কোড ব্যবহার করে সিরিয়ালাইজ করা হয় এবং সিঙ্ক্রোনাস এবং অ্যাসিঙ্ক্রোনাসভাবে সেজমেকার কাজ হিসাবে চালানো হয়।
আপনি একটি যোগ করতে পারেন @remote
স্থানীয় ML প্রসেসিং বা প্রশিক্ষণ ফাংশন সহ যেকোন পাইথন কোডের ডেকোরেটর টীকা এটিকে একটি পরিচালিত সেজমেকার ট্রেনিং কাজ হিসাবে চালু করার জন্য, যার ফলে সেজমেকারের স্কেল, কর্মক্ষমতা এবং খরচের সুবিধার সুবিধা নেওয়া হয়। পাইথন ফাংশন কোডে একটি ডেকোরেটর যোগ করে ন্যূনতম কোড পরিবর্তনের মাধ্যমে এটি অর্জন করা যেতে পারে। সজ্জিত ফাংশনে আহ্বান সিঙ্ক্রোনাসভাবে চালানো হয়, এবং ফাংশন রান সেজমেকার কাজ সম্পূর্ণ না হওয়া পর্যন্ত অপেক্ষা করে।
নিম্নলিখিত উদাহরণে, আমরা ব্যবহার করি @remote
ডেকোরেটর একটি ml.m5.large ইন্সট্যান্স ব্যবহার করে ডেকোরেটর মোডে SageMaker কাজগুলি চালু করবে। SageMaker একটি পরিচালিত কাজ হিসাবে এই ফাংশন চালু করতে প্রশিক্ষণ কাজ ব্যবহার করে।
from sagemaker.remote_function import remote
from numpy as np @remote(instance_type="ml.m5.large")
def matrix_multiply(a, b): return np.matmul(a, b) a = np.array([[1, 0], [0, 1]])
b = np.array([1, 2]) assert matrix_multiply(a, b) == np.array([1,2])
আপনি সেজমেকার কাজ, পাইথন প্যাকেজ এবং নির্ভরতা চালু করতে ডেকোরেটর মোড ব্যবহার করতে পারেন। আপনি সেজমেকার প্রশিক্ষণের কাজগুলি চালু করতে ভিপিসি, সাবনেট এবং সুরক্ষা গোষ্ঠীর মতো পরিবেশের ভেরিয়েবলগুলি অন্তর্ভুক্ত করতে পারেন environment.yml
ফাইল এটি এমএল ইঞ্জিনিয়ার এবং প্রশাসকদের এই পরিবেশ ভেরিয়েবলগুলি কনফিগার করার অনুমতি দেয় যাতে ডেটা বিজ্ঞানীরা এমএল মডেল বিল্ডিংয়ের উপর ফোকাস করতে পারে এবং দ্রুত পুনরাবৃত্তি করতে পারে। নিম্নলিখিত কোড দেখুন:
from sagemaker.remote_function import remote @remote(instance_type="ml.g4dn.xlarge",dependencies = "./environment.yml")
def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
... <TRUCNATED>
return os.path.join(s3_output_path, model_dir), eval_result
তুমি ব্যবহার করতে পার RemoteExecutor
Python ফাংশনগুলিকে SageMaker কাজগুলি অ্যাসিঙ্ক্রোনাসভাবে চালু করতে। কাজের স্থিতি আপডেট করার জন্য নির্বাহক অ্যাসিঙ্ক্রোনাসভাবে সেজমেকার ট্রেনিং চাকরির নির্বাচন করেন। দ্য RemoteExecutor
ক্লাস এর বাস্তবায়ন concurrent.futures.Executor, যা SageMaker প্রশিক্ষণের কাজগুলিকে অ্যাসিঙ্ক্রোনাস জমা দিতে ব্যবহৃত হয়। নিম্নলিখিত কোড দেখুন:
from sagemaker.remote_function import RemoteExecutor def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
...<TRUNCATED>
return os.path.join(s3_output_path, model_dir), eval_result with RemoteExecutor(instance_type="ml.g4dn.xlarge", dependencies = './requirements.txt') as e:
future = e.submit(train_hf_model, train_input_path,test_input_path,s3_output_path,
epochs, train_batch_size, eval_batch_size,warmup_steps,learning_rate)
রানটাইম পরিবেশ কাস্টমাইজ করুন
ডেকোরেটর মোড এবং RemoteExecutor
আপনাকে SageMaker কাজের জন্য রানটাইম পরিবেশ সংজ্ঞায়িত এবং কাস্টমাইজ করার অনুমতি দেয়। SageMaker কাজের জন্য Python প্যাকেজ এবং পরিবেশ ভেরিয়েবল সহ রানটাইম নির্ভরতা, রানটাইম কাস্টমাইজ করার জন্য নির্দিষ্ট করা যেতে পারে। সেজমেকার পরিচালিত কাজ হিসাবে স্থানীয় পাইথন কোড চালানোর জন্য, পাইথন প্যাকেজ এবং নির্ভরতাগুলি সেজমেকারের কাছে উপলব্ধ করা দরকার। এমএল ইঞ্জিনিয়ার বা ডেটা সায়েন্স অ্যাডমিনিস্ট্রেটররা সেজমেকার কাজের জন্য নেটওয়ার্কিং এবং নিরাপত্তা কনফিগারেশন যেমন ভিপিসি, সাবনেট এবং নিরাপত্তা গোষ্ঠী কনফিগার করতে পারেন, তাই ডেটা বিজ্ঞানীরা সেজমেকার কাজগুলি চালু করার সময় এই কেন্দ্রীয়ভাবে পরিচালিত কনফিগারেশনগুলি ব্যবহার করতে পারেন। আপনি একটি ব্যবহার করতে পারেন requirements.txt
ফাইল বা ক Conda environment.yaml
ফাইল.
যখন নির্ভরতা সংজ্ঞায়িত করা হয় requirements.txt
, কাজের রানটাইমে পিপ ব্যবহার করে প্যাকেজ ইনস্টল করা হবে। যদি কাজ চালানোর জন্য ব্যবহৃত চিত্রটি Conda পরিবেশের সাথে আসে তবে প্যাকেজগুলি কাজের জন্য ব্যবহার করার জন্য ঘোষিত Conda পরিবেশে ইনস্টল করা হবে। নিম্নলিখিত কোড একটি উদাহরণ দেখায় requirements.txt
ফাইল:
datasets
transformers
torch
scikit-learn
s3fs==0.4.2
sagemaker>=2.148.0
আপনি আপনার পাস করতে পারেন Conda environment.yaml
কন্ডা পরিবেশ তৈরি করার জন্য ফাইল যা আপনি প্রশিক্ষণ কাজের সময় আপনার কোডটি চালাতে চান। যদি কাজ চালানোর জন্য ব্যবহৃত চিত্রটি কোডটি চালানোর জন্য একটি Conda পরিবেশ ঘোষণা করে, আমরা প্রদত্ত স্পেসিফিকেশনের সাথে ঘোষিত Conda পরিবেশ আপডেট করব। নিম্নলিখিত কোড একটি উদাহরণ Conda environment.yaml
ফাইল:
name: sagemaker_example
channels: - conda-forge
dependencies: - python=3.10 - pandas - pip: - sagemaker
বিকল্পভাবে, আপনি সেট করতে পারেন dependencies=”auto_capture”
SageMaker Python SDK সক্রিয় কনডা পরিবেশে ইনস্টল করা নির্ভরতাগুলি ক্যাপচার করতে দেয়। আপনার জন্য অবশ্যই একটি সক্রিয় কনডা পরিবেশ থাকতে হবে auto_capture
কাজ করতে. উল্লেখ্য যে এর জন্য পূর্বশর্ত রয়েছে auto_capture
কাজ করতে; আমরা সুপারিশ করি যে আপনি একটি হিসাবে আপনার নির্ভরতা পাস করুন৷ requirement.txt
or Conda environment.yml
আগের বিভাগে বর্ণিত ফাইল।
আরও তথ্যের জন্য, দেখুন একটি SageMaker প্রশিক্ষণ কাজ হিসাবে আপনার স্থানীয় কোড চালান.
SageMaker কাজের জন্য কনফিগারেশন
অবকাঠামো-সম্পর্কিত সেটিংস একটি কনফিগারেশন ফাইলে অফলোড করা যেতে পারে যা অ্যাডমিন ব্যবহারকারীরা সেট আপ করতে সাহায্য করতে পারে। আপনি শুধুমাত্র একবার এটি সেট আপ করতে হবে. অবকাঠামো সেটিংস নেটওয়ার্ক কনফিগারেশন, IAM ভূমিকা, কভার করে আমাজন সিম্পল স্টোরেজ সার্ভিস ইনপুট, আউটপুট ডেটা এবং ট্যাগের জন্য (Amazon S3) ফোল্ডার। নির্দেশ করে SageMaker Python SDK এর সাথে ডিফল্ট কনফিগার করা এবং ব্যবহার করা আরো বিস্তারিত জানার জন্য.
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
Dependencies: path/to/requirements.txt
EnvironmentVariables: {"EnvVarKey": "EnvVarValue"}
ImageUri: 366666666666.dkr.ecr.us-west-2.amazonaws.com/my-image:latest
InstanceType: ml.m5.large
RoleArn: arn:aws:iam::366666666666:role/MyRole
S3KmsKeyId: somekmskeyid
S3RootUri: s3://my-bucket/my-project
SecurityGroupIds:
- sg123
Subnets:
- subnet-1234
Tags:
- {"Key": "someTagKey", "Value": "someTagValue"}
VolumeKmsKeyId: somekmskeyid
বাস্তবায়ন
PyTorch বা TensorFlow-এর মতো ডিপ লার্নিং মডেলগুলিও নোটবুকের মধ্যে একটি প্রশিক্ষণের কাজ হিসাবে কোডটি চালিয়ে স্টুডিওতে চালানো যেতে পারে। স্টুডিওতে এই ক্ষমতা প্রদর্শন করতে, আপনি এই রেপোটিকে আপনার স্টুডিওতে ক্লোন করতে পারেন এবং এখানে অবস্থিত নোটবুকটি চালাতে পারেন GitHub সংগ্রহস্থল।
এই উদাহরণটি এন্ড-টু-এন্ড বাইনারি টেক্সট ক্লাসিফিকেশন ব্যবহারের ক্ষেত্রে দেখায়। বাইনারি টেক্সট শ্রেণীবিভাগে একটি প্রাক-প্রশিক্ষিত ট্রান্সফরমারকে ফাইন-টিউন করতে আমরা হাগিং ফেস ট্রান্সফরমার এবং ডেটাসেট লাইব্রেরি ব্যবহার করছি। বিশেষ করে, প্রাক-প্রশিক্ষিত মডেল ব্যবহার করে সূক্ষ্ম-টিউন করা হবে আইএমডিবি ডেটাসেট.
আপনি সংগ্রহস্থল ক্লোন করার সময়, আপনার নিম্নলিখিত ফাইলগুলি সনাক্ত করা উচিত:
- config.yaml - কোড বেস থেকে অবকাঠামো-সম্পর্কিত সেটিংস আলাদা করার জন্য বেশিরভাগ ডেকোরেটর আর্গুমেন্ট কনফিগারেশন ফাইলে অফলোড করা যেতে পারে
- huggingface.ipynb - এটিতে একটি প্রাক-প্রশিক্ষিত HuggingFace মডেলকে প্রশিক্ষণ দেওয়ার জন্য কোড রয়েছে, যা IMDB ডেটাসেট ব্যবহার করে সূক্ষ্ম সুর করা হবে
- প্রয়োজনীয়গুলি.txt - এই ফাইলটিতে ফাংশন চালানোর জন্য সমস্ত নির্ভরতা রয়েছে যা এই নোটবুকে কোড চালানোর জন্য এবং প্রশিক্ষণের কাজ হিসাবে একটি GPU উদাহরণে দূরবর্তীভাবে প্রশিক্ষণ চালানোর জন্য ব্যবহার করা হবে।
আপনি যখন নোটবুক খুলবেন, তখন আপনাকে নোটবুকের পরিবেশ সেট আপ করতে বলা হবে। আপনি Python 3.0 কার্নেল সহ ডেটা সায়েন্স 3 ইমেজ এবং নোটবুক কোড চালানোর জন্য দ্রুত লঞ্চ ইনস্ট্যান্স টাইপ হিসাবে ml.m5.large নির্বাচন করতে পারেন। এই দৃষ্টান্ত টাইপ একটি পরিবেশ ঘূর্ণন উল্লেখযোগ্যভাবে দ্রুত.
প্রশিক্ষণের কাজটি একটি ml.g4dn.xlarge উদাহরণে সংজ্ঞায়িত করা হবে config.yaml
ফাইল:
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
# role arn is not required if in SageMaker Notebook instance or SageMaker Studio
# Uncomment the following line and replace with the right execution role if in a local IDE
# RoleArn: <IAM_ROLE_ARN>
InstanceType: ml.g4dn.xlarge
Dependencies: ./requirements.txt
সার্জারির requirements.txt
আলিঙ্গন মুখ মডেল প্রশিক্ষণের জন্য ফাংশন চালানোর জন্য ফাইল নির্ভরতা নিম্নলিখিত অন্তর্ভুক্ত:
datasets
transformers
torch
scikit-learn
# lock s3fs to this specific version as more recent ones introduce dependency on aiobotocore, which is not compatible with botocore
s3fs==0.4.2
sagemaker>=2.148.0,<3
আলিঙ্গন ফেস নোটবুক দেখায় কিভাবে এর মাধ্যমে দূরবর্তীভাবে প্রশিক্ষণ চালানো যায় @remote
ফাংশন, যা সিঙ্ক্রোনাসভাবে চালানো হয়। অতএব, মডেলের প্রশিক্ষণের জন্য চালানো ফাংশনটি সেজমেকার প্রশিক্ষণের কাজ সম্পূর্ণ না হওয়া পর্যন্ত অপেক্ষা করবে। প্রশিক্ষণটি একটি GPU দৃষ্টান্তের সাথে দূরবর্তীভাবে চালানো হবে যেখানে পূর্ববর্তী কনফিগারেশন ফাইলে উদাহরণের ধরণটি সংজ্ঞায়িত করা হয়েছে।
আপনি প্রশিক্ষণের কাজটি চালানোর পরে, আপনি মূল্যায়নের মেট্রিক্স পরিদর্শন করতে এবং আমাদের প্রশিক্ষিত মডেলের পাঠ্যকে শ্রেণিবদ্ধ করতে নোটবুকের বাকি ঘরগুলি চালাতে পারেন।
এছাড়াও আপনি SageMaker কনসোলে ফিরে নেভিগেট করে SageMaker ড্যাশবোর্ডে GPU ইন্সট্যান্সে দূরবর্তীভাবে ট্রিগার হওয়া প্রশিক্ষণের কাজের অবস্থা দেখতে পারেন।
প্রশিক্ষণের কাজটি সম্পূর্ণ হওয়ার সাথে সাথে, এটি মূল্যায়ন এবং শ্রেণীবিভাগের জন্য নোটবুকে নির্দেশাবলী চালাতে থাকে। অনুরূপ কাজগুলি অ্যাসিঙ্ক্রোনাসভাবে চালানোর জন্য স্টুডিও নোটবুকের মধ্যে এমবেড করা রিমোট এক্সিকিউটর ফাংশনের মাধ্যমে প্রশিক্ষিত এবং চালানো যেতে পারে।
একটি @remote ফাংশনের ভিতরে SageMaker পরীক্ষার সাথে একীকরণ
SageMaker পরীক্ষা চালানোর জন্য আপনি আপনার রিমোট ফাংশনে আপনার পরীক্ষার নাম, রানের নাম এবং অন্যান্য প্যারামিটার পাস করতে পারেন। নিম্নলিখিত কোড উদাহরণটি পরীক্ষার নাম, রানের নাম এবং প্রতিটি রানের জন্য লগ করার পরামিতি আমদানি করে:
from sagemaker.remote_function import remote
from sagemaker.experiments.run import Run
# Define your remote function
@remote
def train(value_1, value_2, exp_name, run_name):
...
...
#Creates the experiment
with Run( experiment_name=exp_name, run_name=run_name, sagemaker_session=sagemaker_session
) as run:
...
...
#Define values for the parameters to log
run.log_parameter("param_1", value_1)
run.log_parameter("param_2", value_2)
...
...
#Define metrics to log
run.log_metric("metric_a", 0.5)
run.log_metric("metric_b", 0.1) # Invoke your remote function
train(1.0, 2.0, "my-exp-name", "my-run-name")
পূর্ববর্তী উদাহরণে, পরামিতি p1
এবং p2
একটি প্রশিক্ষণ লুপের ভিতরে সময়ের সাথে লগ করা হয়। সাধারণ পরামিতি ব্যাচ আকার বা epochs অন্তর্ভুক্ত হতে পারে. উদাহরণে, মেট্রিক্স A
এবং B
একটি প্রশিক্ষণ লুপের ভিতরে সময়ের সাথে রানের জন্য লগ করা হয়। সাধারণ মেট্রিক্সে যথার্থতা বা ক্ষতি অন্তর্ভুক্ত থাকতে পারে। আরও তথ্যের জন্য, দেখুন একটি Amazon SageMaker পরীক্ষা তৈরি করুন.
উপসংহার
এই পোস্টে, আমরা একটি নতুন SageMaker Python SDK ক্ষমতা প্রবর্তন করেছি যা ডেটা বিজ্ঞানীদের তাদের পছন্দের IDE-তে SageMaker প্রশিক্ষণের কাজ হিসাবে তাদের ML কোড চালাতে সক্ষম করে। আমরা এর বৈশিষ্ট্য সহ এই ক্ষমতা ব্যবহার করার জন্য প্রয়োজনীয় পূর্বশর্তগুলি নিয়ে আলোচনা করেছি। আমরা স্টুডিও, সেজমেকার নোটবুক ইনস্ট্যান্স এবং আপনার স্থানীয় IDE-এ এই ক্ষমতা কীভাবে ব্যবহার করতে হয় তাও দেখিয়েছি। উপরন্তু, এই ক্ষমতা কিভাবে ব্যবহার করতে হয় তা প্রদর্শন করতে আমরা নমুনা কোড উদাহরণ প্রদান করেছি। পরবর্তী পদক্ষেপ হিসাবে, আমরা অনুসরণ করে আপনার IDE বা SageMaker-এ এই ক্ষমতাটি চেষ্টা করার পরামর্শ দিই কোড উদাহরণ এই পোস্টে উল্লেখ করা হয়েছে।
লেখক সম্পর্কে
দীপঙ্কর পাত্র তিনি AWS SageMaker-এর একজন সফ্টওয়্যার ডেভেলপমেন্ট ইঞ্জিনিয়ার, গ্রাহকদের AI/ML সলিউশনগুলিকে স্কেলে গ্রহণ করতে সাহায্য করার জন্য MLOps সমাধানগুলি উদ্ভাবন এবং তৈরি করে৷ তার কম্পিউটার সায়েন্সে এমএস রয়েছে এবং তার আগ্রহের ক্ষেত্রগুলি হল কম্পিউটার সিকিউরিটি, ডিস্ট্রিবিউটেড সিস্টেম এবং এআই/এমএল।
ফারুক সাবির AWS-এর একজন সিনিয়র আর্টিফিশিয়াল ইন্টেলিজেন্স এবং মেশিন লার্নিং স্পেশালিস্ট সলিউশন আর্কিটেক্ট। তিনি অস্টিনের টেক্সাস বিশ্ববিদ্যালয় থেকে ইলেকট্রিক্যাল ইঞ্জিনিয়ারিংয়ে পিএইচডি এবং এমএস ডিগ্রি এবং জর্জিয়া ইনস্টিটিউট অফ টেকনোলজি থেকে কম্পিউটার সায়েন্সে এমএস ডিগ্রি অর্জন করেছেন। তার 15 বছরেরও বেশি কাজের অভিজ্ঞতা রয়েছে এবং তিনি কলেজের শিক্ষার্থীদের পড়াতে ও পরামর্শ দিতে পছন্দ করেন। AWS-এ, তিনি গ্রাহকদের ডেটা সায়েন্স, মেশিন লার্নিং, কম্পিউটার ভিশন, কৃত্রিম বুদ্ধিমত্তা, সংখ্যাসূচক অপ্টিমাইজেশান এবং সম্পর্কিত ডোমেনে তাদের ব্যবসায়িক সমস্যাগুলি তৈরি করতে এবং সমাধান করতে সহায়তা করেন৷ ডালাস, টেক্সাসে অবস্থিত, তিনি এবং তার পরিবার ভ্রমণ করতে এবং দীর্ঘ সড়ক ভ্রমণে যেতে পছন্দ করেন।
মনোজ রবি অ্যামাজন সেজমেকারের একজন সিনিয়র প্রোডাক্ট ম্যানেজার। তিনি পরবর্তী প্রজন্মের AI পণ্য তৈরির বিষয়ে উত্সাহী এবং গ্রাহকদের জন্য বড় আকারের মেশিন লার্নিং সহজ করতে সফ্টওয়্যার এবং সরঞ্জামগুলিতে কাজ করেন৷ তিনি হাস স্কুল অফ বিজনেস থেকে এমবিএ এবং কার্নেগি মেলন ইউনিভার্সিটি থেকে ইনফরমেশন সিস্টেম ম্যানেজমেন্টে মাস্টার্স করেছেন। তার অবসর সময়ে, মনোজ টেনিস খেলা এবং ল্যান্ডস্কেপ ফটোগ্রাফি অনুসরণ করে।
শিখর কোয়াতরা তিনি আমাজন ওয়েব সার্ভিসের একজন এআই/এমএল স্পেশালিস্ট সলিউশন আর্কিটেক্ট, একজন শীর্ষস্থানীয় গ্লোবাল সিস্টেম ইন্টিগ্রেটরের সাথে কাজ করছেন। তিনি AI/ML এবং IoT ডোমেনে 500 টিরও বেশি পেটেন্ট সহ সর্বকনিষ্ঠ ভারতীয় মাস্টার উদ্ভাবকদের একজনের খেতাব অর্জন করেছেন। শিখর সংস্থার জন্য ব্যয়-দক্ষ, স্কেলযোগ্য ক্লাউড পরিবেশের স্থাপত্য, নির্মাণ এবং রক্ষণাবেক্ষণে সহায়তা করে এবং AWS-এ কৌশলগত শিল্প সমাধান তৈরিতে GSI অংশীদারকে সমর্থন করে। শিখর তার অবসর সময়ে গিটার বাজানো, সঙ্গীত রচনা করা এবং মননশীলতা অনুশীলন করা উপভোগ করেন।
বিক্রম এলাঙ্গো ভার্জিনিয়া, মার্কিন যুক্তরাষ্ট্রে অবস্থিত AWS-এর একজন সিনিয়র এআই/এমএল বিশেষজ্ঞ সমাধান স্থপতি। তিনি বর্তমানে জেনারেটিভ এআই, এলএলএম, প্রম্পট ইঞ্জিনিয়ারিং, বড় মডেল ইনফারেন্স অপ্টিমাইজেশান এবং এন্টারপ্রাইজ জুড়ে এমএল স্কেলিং এর উপর দৃষ্টি নিবদ্ধ করছেন। বিক্রম আর্থিক এবং বীমা শিল্পের গ্রাহকদের ডিজাইন এবং চিন্তার নেতৃত্ব দিয়ে মেশিন লার্নিং অ্যাপ্লিকেশন তৈরি এবং স্থাপন করতে সাহায্য করে। তার অবসর সময়ে, তিনি ভ্রমণ, হাইকিং, রান্না এবং ক্যাম্পিং উপভোগ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- প্লেটোএআইস্ট্রিম। Web3 ডেটা ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- অ্যাড্রিয়েন অ্যাশলির সাথে ভবিষ্যত মিন্টিং। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/run-your-local-machine-learning-code-as-amazon-sagemaker-training-jobs-with-minimal-code-changes/
- : আছে
- : হয়
- :না
- $ ইউপি
- 1
- 10
- 100
- 15 বছর
- 500
- 7
- a
- ক্ষমতা
- সক্ষম
- সম্পর্কে
- প্রবেশ
- হিসাব
- সঠিকতা
- অর্জন
- দিয়ে
- সক্রিয়
- কাজ
- যোগ
- যোগ
- যোগ
- অ্যাডমিন
- অ্যাডমিনিস্ট্রেটররা
- পোষ্যপুত্র গ্রহণ করা
- অগ্রসর
- সুবিধা
- AI
- এআই / এমএল
- এইডস
- সব
- অনুমতি
- বরাবর
- এছাড়াও
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- বিশ্লেষণ করা
- এবং
- ঘোষিত
- কোন
- অ্যাপ্লিকেশন
- রয়েছি
- এলাকার
- আর্গুমেন্ট
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- কৃত্রিম গোয়েন্দা এবং মেশিন লার্নিং
- AS
- যুক্ত
- At
- অস্টিন
- স্বয়ংক্রিয়ভাবে
- সহজলভ্য
- ডেস্কটপ AWS
- পিছনে
- ভিত্তি
- ভিত্তি
- BE
- সুবিধা
- বাজেট
- নির্মাণ করা
- ভবন
- ব্যবসায়
- by
- CAN
- ক্ষমতা
- গ্রেপ্তার
- কার্নেগী মেলন
- বহন
- কেস
- সেল
- পরিবর্তন
- পরিবর্তন
- চ্যানেল
- পছন্দ
- শ্রেণী
- শ্রেণীবিন্যাস
- শ্রেণীভুক্ত করা
- মেঘ
- কোড
- কোড বেস
- কলেজ
- আসে
- সাধারণ
- উপযুক্ত
- সম্পূর্ণ
- গনা
- কম্পিউটার
- কম্পিউটার বিজ্ঞান
- কম্পিউটার নিরাপত্তা
- কম্পিউটার ভিশন
- ধারণা
- কনফিগারেশন
- কনসোল
- ধারণ করা
- আধার
- ধারণ
- প্রসঙ্গ
- চলতে
- মূল
- মূল্য
- পারা
- আবরণ
- সৃষ্টি
- এখন
- গ্রাহকদের
- কাস্টমাইজ
- ডালাস
- ড্যাশবোর্ড
- উপাত্ত
- তথ্য প্রক্রিয়াজাতকরণ
- তথ্য বিজ্ঞান
- ডেটাসেট
- ঘোষণা
- ডিফল্ট
- অক্ষমতা
- সংজ্ঞায়িত
- প্রদর্শন
- প্রমান
- বশ্যতা
- স্থাপন
- বর্ণিত
- নকশা
- বিস্তারিত
- উন্নত
- বিকাশকারী
- উন্নয়ন
- বিভিন্ন
- আলোচনা
- বণ্টিত
- বিতরণ সিস্টেম
- বিতরণ করা প্রশিক্ষণ
- ডোমেইনের
- সম্পন্ন
- Dont
- সময়
- e
- প্রতি
- অর্জিত
- ব্যবহারে সহজ
- সহজ
- সহজে
- পারেন
- এম্বেড করা
- সম্ভব
- এনক্রিপশন
- সর্বশেষ সীমা
- প্রকৌশলী
- প্রকৌশল
- প্রকৌশলী
- উদ্যোগ
- প্রবেশ
- পরিবেশ
- পরিবেশের
- কাল
- পর্বগুলি
- মূল্যায়ন
- প্রতি
- উদাহরণ
- উদাহরণ
- ফাঁসি
- বিদ্যমান
- অভিজ্ঞতা
- পরীক্ষা
- মুখ
- পরিচিত
- পরিবার
- দ্রুত
- দ্রুত
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- কয়েক
- ফাইল
- নথি পত্র
- আর্থিক
- প্রথম
- নমনীয়তা
- কেন্দ্রবিন্দু
- দৃষ্টি নিবদ্ধ করা
- অনুসরণ
- জন্য
- ফ্রেমওয়ার্ক
- থেকে
- সম্পূর্ণরূপে
- ক্রিয়া
- ক্রিয়াকলাপ
- তদ্ব্যতীত
- ভবিষ্যৎ
- ফিউচার
- সৃজক
- জেনারেটিভ এআই
- জর্জিয়া
- প্রদত্ত
- বিশ্বব্যাপী
- Go
- জিপিইউ
- গ্রুপের
- আছে
- he
- সাহায্য
- সাহায্য
- তার
- ঝুলিতে
- কিভাবে
- কিভাবে
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- জড়িয়ে আছে
- পরিচয়
- if
- ভাবমূর্তি
- বাস্তবায়ন
- আমদানি
- আমদানি
- in
- অন্তর্ভুক্ত করা
- সুদ্ধ
- ভারতীয়
- শিল্প
- তথ্য
- তথ্য ব্যবস্থা
- পরিকাঠামো
- উদ্ভাবনী
- ইনপুট
- ইনস্টল
- উদাহরণ
- প্রতিষ্ঠান
- নির্দেশাবলী
- বীমা
- সংহত
- সংহত
- বুদ্ধিমত্তা
- স্বার্থ
- মধ্যে
- প্রবর্তন করা
- উপস্থাপিত
- আবিষ্কর্তাদের
- IOT
- IT
- পুনরাবৃত্তি
- এর
- কাজ
- জবস
- JPG
- মাত্র
- চাবি
- গবেষণাগার
- ভূদৃশ্য
- ল্যাপটপের
- বড়
- বড় আকারের
- সর্বশেষ
- শুরু করা
- চালু
- চালু করা
- নেতৃত্ব
- নেতৃত্ব
- শিখতে
- শিক্ষা
- দিন
- যাক
- লাইব্রেরি
- লাইব্রেরি
- জীবনচক্র
- মত
- পছন্দ
- লাইন
- লিঙ্কডইন
- স্থানীয়
- স্থানীয়ভাবে
- অবস্থিত
- লগ ইন করুন
- লগ
- দীর্ঘ
- সৌন্দর্য
- ক্ষতি
- ভালবাসা
- মেশিন
- মেশিন লার্নিং
- প্রণীত
- নিয়ন্ত্রণের
- করা
- তৈরি করে
- পরিচালিত
- ব্যবস্থাপনা
- পরিচালক
- মালিক
- মে..
- মেলন
- প্রণালী বিজ্ঞান
- ছন্দোবিজ্ঞান
- একাগ্র
- যত্সামান্য
- মিনিট
- ML
- এমএলওএস
- মোড
- মডেল
- মডেল
- মডিউল
- অধিক
- সেতু
- পদক্ষেপ
- MS
- বহু
- সঙ্গীত
- নাম
- যথা
- নেভিগেট
- প্রয়োজন
- প্রয়োজন
- নেটওয়ার্ক
- নেটওয়ার্কিং
- নতুন
- পরবর্তী
- নোড
- নোটবই
- এখন
- অসাড়
- বস্তু
- of
- on
- অনবোর্ড
- একদা
- ONE
- কেবল
- খোলা
- ওপেন সোর্স
- অপ্টিমাইজেশান
- or
- ক্রম
- সংগঠন
- OS
- অন্যান্য
- আমাদের
- বাইরে
- আউটপুট
- শেষ
- অগ্রাহ্য করা
- প্যাকেজ
- প্যাকেজ
- পান্ডাস
- সমান্তরাল
- পরামিতি
- বিশেষ
- হাসপাতাল
- পাস
- পাস
- পাসিং
- কামুক
- পেটেন্ট
- পথ
- কর্মক্ষমতা
- ফটোগ্রাফি
- মাচা
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- কেলি
- বিন্দু
- পোস্ট
- পছন্দের
- পূর্বশর্ত
- আগে
- সমস্যা
- সমস্যা
- প্রক্রিয়াজাতকরণ
- পণ্য
- পণ্য ব্যবস্থাপক
- উত্পাদনক্ষম
- পণ্য
- প্রদত্ত
- পাইথন
- পাইটার্চ
- প্রস্তুত
- সাম্প্রতিক
- সম্প্রতি
- সুপারিশ করা
- সংশ্লিষ্ট
- মুক্তি
- দূরবর্তী
- প্রতিস্থাপন করা
- সংগ্রহস্থলের
- প্রয়োজনীয়
- আবশ্যকতা
- বিশ্রাম
- প্রত্যাবর্তন
- রাস্তা
- ভূমিকা
- ভূমিকা
- চালান
- দৌড়
- ঋষি নির্মাতা
- মাপযোগ্য
- স্কেল
- আরোহী
- স্কুল
- বিজ্ঞান
- বিজ্ঞানীরা
- scikit-শিখতে
- SDK
- নির্বিঘ্নে
- অধ্যায়
- বিভাগে
- নিরাপত্তা
- দেখ
- জ্যেষ্ঠ
- আলাদা
- সেবা
- সেশন
- সেট
- বিন্যাস
- সেটিংস
- সেটআপ
- বিভিন্ন
- উচিত
- প্রদর্শনী
- গ্লাসকেস
- প্রদর্শিত
- শো
- উল্লেখযোগ্যভাবে
- অনুরূপ
- সহজ
- কেবল
- একক
- আয়তন
- ছোট
- স্ন্যাপশট
- So
- সফটওয়্যার
- সফটওয়্যার উন্নয়ন
- সলিউশন
- সমাধান
- বিশেষজ্ঞ
- নির্দিষ্ট
- সবিস্তার বিবরণী
- নিদিষ্ট
- শুরু
- শুরু হচ্ছে
- অবস্থা
- ধাপ
- স্টোরেজ
- কৌশলগত
- শিক্ষার্থীরা
- চিত্রশালা
- জমা
- সাবনেট
- এমন
- সমর্থিত
- সমর্থন
- পদ্ধতি
- সিস্টেম
- গ্রহণ করা
- লাগে
- গ্রহণ
- কাজ
- দল
- প্রযুক্তিঃ
- tensorflow
- টেক্সাস
- পাঠ্য শ্রেণিবিন্যাস
- যে
- সার্জারির
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- যার ফলে
- অতএব
- এইগুলো
- তারা
- এই
- চিন্তা
- চিন্তা নেতৃত্ব
- দ্বারা
- সময়
- শিরনাম
- থেকে
- সরঞ্জাম
- মশাল
- প্রতি
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- ট্রান্সফরমার
- ভ্রমণ
- ভ্রমণ
- আলোড়ন সৃষ্টি
- আদর্শ
- সাধারণত
- অধীনে
- বোঝা
- বিশ্ববিদ্যালয়
- আপডেট
- us
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহার
- মূল্য
- মানগুলি
- সংস্করণ
- মাধ্যমে
- চেক
- ভার্জিনিয়া
- দৃষ্টি
- vs
- বনাম কোড
- অপেক্ষা করুন
- প্রয়োজন
- we
- ওয়েব
- ওয়েব সার্ভিস
- কখন
- যে
- যখন
- ইচ্ছা
- সঙ্গে
- মধ্যে
- হয়া যাই ?
- কাজ
- কাজ
- would
- মোড়ানো
- জড়ান
- লেখা
- কোড লিখুন
- লিখিত
- X
- বছর
- আপনি
- কনিষ্ঠ
- আপনার
- zephyrnet