যেহেতু গ্রাহকরা ক্লাউডে তাদের স্থানান্তরকে ত্বরান্বিত করে এবং তাদের ব্যবসায় রূপান্তরিত করে, কেউ কেউ নিজেকে এমন পরিস্থিতিতে খুঁজে পায় যেখানে তাদের একটি মাল্টিক্লাউড পরিবেশে আইটি অপারেশন পরিচালনা করতে হয়। উদাহরণ স্বরূপ, আপনি হয়ত এমন একটি কোম্পানী অর্জন করেছেন যা ইতিমধ্যেই একটি ভিন্ন ক্লাউড প্রদানকারীতে চলছিল, অথবা আপনার কাছে এমন একটি কাজের চাপ থাকতে পারে যা AWS দ্বারা প্রদত্ত অনন্য ক্ষমতা থেকে মূল্য তৈরি করে। আরেকটি উদাহরণ হল স্বাধীন সফ্টওয়্যার বিক্রেতা (ISVs) যারা তাদের পণ্য এবং পরিষেবাগুলি তাদের শেষ গ্রাহকদের উপকার করার জন্য বিভিন্ন ক্লাউড প্ল্যাটফর্মে উপলব্ধ করে। অথবা একটি সংস্থা এমন একটি অঞ্চলে কাজ করতে পারে যেখানে একটি প্রাথমিক ক্লাউড প্রদানকারী পাওয়া যায় না এবং ডেটা সার্বভৌমত্ব বা ডেটা আবাসনের প্রয়োজনীয়তা পূরণ করার জন্য, তারা একটি সেকেন্ডারি ক্লাউড প্রদানকারী ব্যবহার করতে পারে।
এই পরিস্থিতিতে, আপনি যখন জেনারেটিভ এআই, বৃহৎ ভাষা মডেল (এলএলএম) এবং মেশিন লার্নিং (এমএল) প্রযুক্তিগুলিকে আপনার ব্যবসার মূল অংশ হিসাবে গ্রহণ করতে শুরু করেন, আপনি হয়ত এর সুবিধা নেওয়ার বিকল্পগুলি খুঁজছেন AWS AI এবং ML একটি মাল্টিক্লাউড পরিবেশে AWS এর বাইরের ক্ষমতা। উদাহরণস্বরূপ, আপনি ব্যবহার করতে চাইতে পারেন আমাজন সেজমেকার এমএল মডেল তৈরি এবং প্রশিক্ষণ, বা ব্যবহার অ্যামাজন সেজমেকার জাম্পস্টার্ট প্রাক-নির্মিত ফাউন্ডেশন বা তৃতীয় পক্ষের এমএল মডেল স্থাপন করতে, যা আপনি কয়েকটি বোতামের ক্লিকে স্থাপন করতে পারেন। অথবা আপনি সুবিধা নিতে চাইতে পারেন আমাজন বেডরক জেনারেটিভ এআই অ্যাপ্লিকেশন তৈরি এবং স্কেল করতে, অথবা আপনি লিভারেজ করতে পারেন AWS' প্রাক-প্রশিক্ষিত AI পরিষেবা, যার জন্য আপনাকে মেশিন লার্নিং দক্ষতা শিখতে হবে না। AWS এমন পরিস্থিতিতে সহায়তা প্রদান করে যেখানে সংস্থাগুলি চায়৷ Amazon SageMaker তাদের নিজস্ব মডেল আনুন or ভবিষ্যদ্বাণীর জন্য অ্যামাজন সেজমেকার ক্যানভাসে.
এই পোস্টে, আমরা অনেকগুলি বিকল্পের মধ্যে একটি প্রদর্শন করেছি যা আপনাকে একটি মাল্টিক্লাউড পরিবেশে AWS-এর বিস্তৃত এবং গভীরতম AI/ML ক্ষমতার সুবিধা নিতে হবে। আমরা দেখাই কিভাবে আপনি AWS-এ একটি ML মডেল তৈরি ও প্রশিক্ষণ দিতে পারেন এবং মডেলটিকে অন্য প্ল্যাটফর্মে স্থাপন করতে পারেন। আমরা Amazon SageMaker ব্যবহার করে মডেলটিকে প্রশিক্ষণ দিই, মডেলের নিদর্শনগুলি সংরক্ষণ করি৷ আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3), এবং Azure-এ মডেল স্থাপন ও চালান। এই পদ্ধতিটি উপকারী যদি আপনি ML-এর জন্য AWS পরিষেবাগুলি ব্যবহার করেন এর সর্বাধিক বিস্তৃত বৈশিষ্ট্যগুলির জন্য, তবুও আপনাকে আমাদের আলোচনা করা পরিস্থিতিতে অন্য ক্লাউড প্রদানকারীতে আপনার মডেল চালাতে হবে।
মূল ধারণা
অ্যামাজন সেজমেকার স্টুডিও মেশিন লার্নিংয়ের জন্য একটি ওয়েব-ভিত্তিক, ইন্টিগ্রেটেড ডেভেলপমেন্ট এনভায়রনমেন্ট (IDE)। সেজমেকার স্টুডিও ডেটা বিজ্ঞানী, এমএল ইঞ্জিনিয়ার এবং ডেটা ইঞ্জিনিয়ারদের ডেটা প্রস্তুত করতে, তৈরি করতে, প্রশিক্ষণ দিতে এবং এমএল মডেলগুলিকে একটি ওয়েব ইন্টারফেসে স্থাপন করার অনুমতি দেয়৷ সেজমেকার স্টুডিওর সাহায্যে, আপনি ML ডেভেলপমেন্ট লাইফসাইকেলের প্রতিটি পর্যায়ের জন্য উদ্দেশ্য-নির্মিত সরঞ্জামগুলি অ্যাক্সেস করতে পারেন, ডেটা প্রস্তুতি থেকে শুরু করে আপনার ML মডেলগুলি তৈরি, প্রশিক্ষণ এবং স্থাপন করা, ডেটা সায়েন্স টিমের উত্পাদনশীলতা দশ গুণ পর্যন্ত উন্নত করা। সেজমেকার স্টুডিও নোটবুক দ্রুত শুরু, সহযোগিতামূলক নোটবুক যা সেজমেকার এবং অন্যান্য AWS পরিষেবাগুলিতে উদ্দেশ্য-নির্মিত ML সরঞ্জামগুলির সাথে একীভূত হয়৷
SageMaker হল একটি ব্যাপক ML পরিষেবা যা ব্যবসায় বিশ্লেষক, ডেটা বিজ্ঞানী এবং MLOps ইঞ্জিনিয়ারদের ML দক্ষতা নির্বিশেষে যেকোন ব্যবহারের ক্ষেত্রে ML মডেল তৈরি, প্রশিক্ষণ এবং স্থাপন করতে সক্ষম করে৷
AWS প্রদান করে গভীর শিক্ষার পাত্রে PyTorch, TensorFlow, এবং Apache MXNet-এর মতো জনপ্রিয় ML ফ্রেমওয়ার্কের জন্য (DLCs), যা আপনি প্রশিক্ষণ এবং অনুমানের জন্য SageMaker-এর সাথে ব্যবহার করতে পারেন। DLCগুলি ডকার ইমেজ হিসাবে উপলব্ধ অ্যামাজন ইলাস্টিক কনটেইনার রেজিস্ট্রি (আমাজন ইসিআর)। ডকার ইমেজগুলি প্রিইন্সটল করা হয় এবং জনপ্রিয় ডিপ লার্নিং ফ্রেমওয়ার্কের সর্বশেষ সংস্করণের পাশাপাশি প্রশিক্ষণ এবং অনুমানের জন্য প্রয়োজনীয় অন্যান্য নির্ভরতাগুলির সাথে পরীক্ষা করা হয়। সেজমেকার দ্বারা পরিচালিত পূর্ব-নির্মিত ডকার চিত্রগুলির একটি সম্পূর্ণ তালিকার জন্য, দেখুন ডকার রেজিস্ট্রি পাথ এবং উদাহরণ কোড. Amazon ECR নিরাপত্তা স্ক্যানিং সমর্থন করে, এবং এর সাথে একত্রিত করা হয় আমাজন ইন্সপেক্টর আপনার প্রতিষ্ঠানের ইমেজ কমপ্লায়েন্স সিকিউরিটি প্রয়োজনীয়তা পূরণ করতে এবং দুর্বলতা মূল্যায়ন স্ক্যানিং স্বয়ংক্রিয় করতে দুর্বলতা ব্যবস্থাপনা পরিষেবা। সংস্থাগুলিও ব্যবহার করতে পারে এডব্লিউএস ট্রেনিয়াম এবং এডাব্লুএস ইনফেরেন্টিয়া এমএল প্রশিক্ষণের কাজ বা অনুমান চালানোর জন্য ভাল মূল্য-কর্মক্ষমতার জন্য।
সমাধান ওভারভিউ
এই বিভাগে, আমরা বর্ণনা করি কিভাবে SageMaker ব্যবহার করে একটি মডেল তৈরি ও প্রশিক্ষণ দেওয়া যায় এবং মডেলটিকে Azure ফাংশনে স্থাপন করা যায়। আমরা মডেল তৈরি, প্রশিক্ষণ এবং স্থাপন করতে একটি সেজমেকার স্টুডিও নোটবুক ব্যবহার করি। আমরা PyTorch-এর জন্য একটি পূর্ব-নির্মিত ডকার ইমেজ ব্যবহার করে SageMaker-এ মডেলকে প্রশিক্ষণ দিই। যদিও আমরা এই ক্ষেত্রে Azure-এ প্রশিক্ষিত মডেল মোতায়েন করছি, আপনি অন্যান্য প্ল্যাটফর্ম যেমন প্রাঙ্গনে বা অন্যান্য ক্লাউড প্ল্যাটফর্মে মডেলটি স্থাপন করতে একই পদ্ধতি ব্যবহার করতে পারেন।
যখন আমরা একটি প্রশিক্ষণের কাজ তৈরি করি, তখন SageMaker ML কম্পিউট দৃষ্টান্ত চালু করে এবং মডেলটি প্রশিক্ষণের জন্য আমাদের প্রশিক্ষণ কোড এবং প্রশিক্ষণ ডেটাসেট ব্যবহার করে। এটি একটি S3 বালতিতে ফলাফলের মডেল আর্টিফ্যাক্ট এবং অন্যান্য আউটপুট সংরক্ষণ করে যা আমরা প্রশিক্ষণ কাজের জন্য ইনপুট হিসাবে নির্দিষ্ট করি। মডেল প্রশিক্ষণ সম্পূর্ণ হলে, আমরা ব্যবহার করি ওপেন নিউরাল নেটওয়ার্ক এক্সচেঞ্জ (ONNX) রানটাইম লাইব্রেরি PyTorch মডেলটিকে ONNX মডেল হিসেবে রপ্তানি করতে।
অবশেষে, আমরা Azure CLI ব্যবহার করে পাইথনে Azure ফাংশনে লেখা একটি কাস্টম ইনফারেন্স কোড সহ ONNX মডেল স্থাপন করি। ONNX বেশিরভাগ সমর্থন করে সাধারণত ব্যবহৃত ML ফ্রেমওয়ার্ক এবং টুল. উল্লেখ্য একটি বিষয় হল যে একটি ML মডেলকে ONNX-এ রূপান্তর করা দরকারী যদি আপনি একটি ভিন্ন টার্গেট ডিপ্লয়মেন্ট ফ্রেমওয়ার্ক ব্যবহার করতে চান, যেমন PyTorch থেকে TensorFlow। আপনি যদি সোর্স এবং টার্গেট উভয় ক্ষেত্রেই একই ফ্রেমওয়ার্ক ব্যবহার করেন, তাহলে আপনাকে মডেলটিকে ONNX ফর্ম্যাটে রূপান্তর করতে হবে না।
নিম্নলিখিত চিত্রটি এই পদ্ধতির জন্য স্থাপত্যকে চিত্রিত করে।
আমরা এর সাথে একটি সেজমেকার স্টুডিও নোটবুক ব্যবহার করি সেজমেকার পাইথন এসডিকে আমাদের মডেল তৈরি এবং প্রশিক্ষণের জন্য। SageMaker Python SDK হল SageMaker-এ ML মডেল প্রশিক্ষণ ও স্থাপনের জন্য একটি ওপেন-সোর্স লাইব্রেরি। আরো বিস্তারিত জানার জন্য, পড়ুন একটি Amazon SageMaker স্টুডিও নোটবুক তৈরি করুন বা খুলুন.
নিম্নলিখিত বিভাগগুলির কোড স্নিপেটগুলি ডেটা সায়েন্স 3.0 ইমেজ এবং পাইথন 3.0 কার্নেল ব্যবহার করে সেজমেকার স্টুডিও নোটবুক পরিবেশে পরীক্ষা করা হয়েছে।
এই সমাধানে, আমরা নিম্নলিখিত পদক্ষেপগুলি প্রদর্শন করি:
- একটি PyTorch মডেল প্রশিক্ষণ.
- PyTorch মডেলটিকে একটি ONNX মডেল হিসাবে রপ্তানি করুন৷
- মডেল এবং অনুমান কোড প্যাকেজ.
- Azure ফাংশনে মডেলটি স্থাপন করুন।
পূর্বশর্ত
আপনার নিম্নলিখিত পূর্বশর্ত থাকা উচিত:
- একটি AWS অ্যাকাউন্ট।
- একজন সেজমেকার ডোমেন এবং সেজমেকার স্টুডিও ব্যবহারকারী। এগুলি তৈরি করার নির্দেশাবলীর জন্য, পড়ুন দ্রুত সেটআপ ব্যবহার করে অ্যামাজন সেজমেকার ডোমেনে অনবোর্ড.
- Azure CLI.
- Azure-এ অ্যাক্সেস এবং একটি পরিষেবা প্রিন্সিপালের জন্য শংসাপত্র যার Azure ফাংশন তৈরি এবং পরিচালনা করার অনুমতি রয়েছে।
PyTorch দিয়ে একটি মডেলকে প্রশিক্ষণ দিন
এই বিভাগে, আমরা একটি PyTorch মডেল প্রশিক্ষণের ধাপগুলি বিস্তারিতভাবে বর্ণনা করি৷
নির্ভরতাগুলি ইনস্টল করুন
মডেল প্রশিক্ষণ এবং মডেল স্থাপনের জন্য প্রয়োজনীয় পদক্ষেপগুলি সম্পাদন করতে লাইব্রেরিগুলি ইনস্টল করুন:
pip install torchvision onnx onnxruntime
প্রাথমিক সেটআপ সম্পূর্ণ করুন
আমরা আমদানি করে শুরু করি Python (Boto3) এর জন্য AWS SDK এবং সেজমেকার পাইথন এসডিকে. সেটআপের অংশ হিসাবে, আমরা নিম্নলিখিতগুলি সংজ্ঞায়িত করি:
- একটি সেশন অবজেক্ট যা সেজমেকার এবং আমাদের নিজস্ব অ্যাকাউন্টের প্রেক্ষাপটে সুবিধার পদ্ধতি প্রদান করে।
- একটি সেজমেকার ভূমিকা ARN প্রশিক্ষণ এবং হোস্টিং পরিষেবাতে অনুমতি প্রদান করতে ব্যবহৃত হয়। আমাদের এটি প্রয়োজন যাতে এই পরিষেবাগুলি S3 বাকেটগুলিতে অ্যাক্সেস করতে পারে যেখানে আমাদের ডেটা এবং মডেল সংরক্ষণ করা হয়৷ আপনার ব্যবসার চাহিদা পূরণ করে এমন একটি ভূমিকা তৈরি করার নির্দেশাবলীর জন্য, পড়ুন SageMaker ভূমিকা. এই পোস্টের জন্য, আমরা আমাদের স্টুডিও নোটবুকের উদাহরণ হিসাবে একই কার্যকর ভূমিকা ব্যবহার করি। আমরা ফোন করে এই ভূমিকা পাই
sagemaker.get_execution_role()
. - ডিফল্ট অঞ্চল যেখানে আমাদের প্রশিক্ষণের কাজ চলবে।
- ডিফল্ট বালতি এবং উপসর্গটি আমরা মডেল আউটপুট সংরক্ষণ করতে ব্যবহার করি।
নিম্নলিখিত কোডটি দেখুন:
import sagemaker
import boto3
import os execution_role = sagemaker.get_execution_role()
region = boto3.Session().region_name
session = sagemaker.Session()
bucket = session.default_bucket()
prefix = "sagemaker/mnist-pytorch"
প্রশিক্ষণ ডেটাসেট তৈরি করুন
আমরা পাবলিক বালতিতে উপলব্ধ ডেটাসেট ব্যবহার করি sagemaker-example-files-prod-{region}
. ডেটাসেটে নিম্নলিখিত ফাইলগুলি রয়েছে:
- ট্রেন-ছবি-idx3-ubyte.gz - প্রশিক্ষণ সেট ইমেজ রয়েছে
- ট্রেন-লেবেল-idx1-ubyte.gz - প্রশিক্ষণ সেট লেবেল রয়েছে
- t10k-images-idx3-ubyte.gz - পরীক্ষা সেট ইমেজ রয়েছে
- t10k-labels-idx1-ubyte.gz - পরীক্ষা সেট লেবেল রয়েছে
আমরা ব্যবহার করিtorchvision.datasets
আমাদের প্রশিক্ষণ ডেটা বাকেটে আপলোড করার আগে স্থানীয়ভাবে পাবলিক বাকেট থেকে ডেটা ডাউনলোড করার জন্য মডিউল। আমরা সেজমেকার প্রশিক্ষণ কাজের একটি ইনপুট হিসাবে এই বালতি অবস্থানটি পাস করি। আমাদের প্রশিক্ষণ স্ক্রিপ্ট এই অবস্থানটি প্রশিক্ষণ ডেটা ডাউনলোড এবং প্রস্তুত করতে ব্যবহার করে এবং তারপর মডেলটিকে প্রশিক্ষণ দেয়। নিম্নলিখিত কোড দেখুন:
MNIST.mirrors = [ f"https://sagemaker-example-files-prod-{region}.s3.amazonaws.com/datasets/image/MNIST/"
] MNIST( "data", download=True, transform=transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))] ),
)
প্রশিক্ষণ স্ক্রিপ্ট তৈরি করুন
SageMaker এর সাথে, আপনি ব্যবহার করে আপনার নিজস্ব মডেল আনতে পারেন স্ক্রিপ্ট মোড. স্ক্রিপ্ট মোডের সাথে, আপনি পূর্ব-নির্মিত সেজমেকার কন্টেনারগুলি ব্যবহার করতে পারেন এবং আপনার নিজস্ব প্রশিক্ষণ স্ক্রিপ্ট প্রদান করতে পারেন, যার মডেল সংজ্ঞা রয়েছে, যেকোনো কাস্টম লাইব্রেরি এবং নির্ভরতা সহ। দ্য সেজমেকার পাইথন এসডিকে একটি হিসাবে আমাদের স্ক্রিপ্ট পাস entry_point
কন্টেইনারে, যা আমাদের মডেলকে প্রশিক্ষণ দেওয়ার জন্য প্রদত্ত স্ক্রিপ্ট থেকে ট্রেন ফাংশন লোড করে এবং চালায়।
প্রশিক্ষণ শেষ হলে, SageMaker মডেল আউটপুট S3 বাকেটের মধ্যে সংরক্ষণ করে যা আমরা প্রশিক্ষণ কাজের জন্য একটি প্যারামিটার হিসাবে প্রদান করেছি।
আমাদের প্রশিক্ষণ কোড নিম্নলিখিত থেকে অভিযোজিত হয় PyTorch উদাহরণ স্ক্রিপ্ট. কোড থেকে নিম্নলিখিত উদ্ধৃতি মডেল সংজ্ঞা এবং ট্রেন ফাংশন দেখায়:
# define network class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.conv1 = nn.Conv2d(1, 32, 3, 1) self.conv2 = nn.Conv2d(32, 64, 3, 1) self.dropout1 = nn.Dropout(0.25) self.dropout2 = nn.Dropout(0.5) self.fc1 = nn.Linear(9216, 128) self.fc2 = nn.Linear(128, 10) def forward(self, x): x = self.conv1(x) x = F.relu(x) x = self.conv2(x) x = F.relu(x) x = F.max_pool2d(x, 2) x = self.dropout1(x) x = torch.flatten(x, 1) x = self.fc1(x) x = F.relu(x) x = self.dropout2(x) x = self.fc2(x) output = F.log_softmax(x, dim=1) return output
# train def train(args, model, device, train_loader, optimizer, epoch): model.train() for batch_idx, (data, target) in enumerate(train_loader): data, target = data.to(device), target.to(device) optimizer.zero_grad() output = model(data) loss = F.nll_loss(output, target) loss.backward() optimizer.step() if batch_idx % args.log_interval == 0: print('Train Epoch: {} [{}/{} ({:.0f}%)]tLoss: {:.6f}'.format( epoch, batch_idx * len(data), len(train_loader.dataset), 100. * batch_idx / len(train_loader), loss.item())) if args.dry_run: break
মডেল প্রশিক্ষণ
এখন যেহেতু আমরা আমাদের পরিবেশ সেট আপ করেছি এবং আমাদের ইনপুট ডেটাসেট এবং কাস্টম প্রশিক্ষণ স্ক্রিপ্ট তৈরি করেছি, আমরা সেজমেকার ব্যবহার করে মডেল প্রশিক্ষণ শুরু করতে পারি। আমরা SageMaker Python SDK-এ PyTorch এস্টিমেটর ব্যবহার করি SageMaker-এ প্রশিক্ষণের কাজ শুরু করতে। আমরা অনুমানকারীর কাছে প্রয়োজনীয় পরামিতিগুলি পাস করি এবং ফিট পদ্ধতিকে কল করি। যখন আমরা PyTorch এস্টিমেটারে ফিট কল করি, তখন সেজমেকার আমাদের স্ক্রিপ্টকে ট্রেনিং কোড হিসাবে ব্যবহার করে একটি প্রশিক্ষণ কাজ শুরু করে:
from sagemaker.pytorch import PyTorch output_location = f"s3://{bucket}/{prefix}/output"
print(f"training artifacts will be uploaded to: {output_location}") hyperparameters={ "batch-size": 100, "epochs": 1, "lr": 0.1, "gamma": 0.9, "log-interval": 100
} instance_type = "ml.c4.xlarge"
estimator = PyTorch( entry_point="train.py", source_dir="code", # directory of your training script role=execution_role, framework_version="1.13", py_version="py39", instance_type=instance_type, instance_count=1, volume_size=250, output_path=output_location, hyperparameters=hyperparameters
) estimator.fit(inputs = { 'training': f"{inputs}", 'testing': f"{inputs}"
})
একটি ONNX মডেল হিসাবে প্রশিক্ষিত মডেল রপ্তানি করুন
প্রশিক্ষণ শেষ হওয়ার পরে এবং আমাদের মডেলটি Amazon S3-তে পূর্বনির্ধারিত স্থানে সংরক্ষিত হওয়ার পরে, আমরা ONNX রানটাইম ব্যবহার করে মডেলটিকে একটি ONNX মডেলে রপ্তানি করি।
ট্রেনিং শেষ হওয়ার পর চালানোর জন্য আমরা আমাদের ট্রেনিং স্ক্রিপ্টে ONNX-এ আমাদের মডেল এক্সপোর্ট করার কোডটি অন্তর্ভুক্ত করি।
PyTorch আমাদের ইনপুট ব্যবহার করে মডেলটি চালিয়ে এবং আউটপুট গণনা করতে ব্যবহৃত অপারেটরগুলির একটি ট্রেস রেকর্ড করে ONNX-এ মডেলটি রপ্তানি করে। আমরা PyTorch এর সাথে সঠিক ধরনের একটি র্যান্ডম ইনপুট ব্যবহার করি torch.onnx.export
মডেলটিকে ONNX-এ এক্সপোর্ট করার ফাংশন। আমরা আমাদের ইনপুটে প্রথম মাত্রাটি গতিশীল হিসাবে নির্দিষ্ট করি যাতে আমাদের মডেল একটি পরিবর্তনশীল গ্রহণ করে batch_size
অনুমানের সময় ইনপুট।
def export_to_onnx(model, model_dir, device): logger.info("Exporting the model to onnx.") dummy_input = torch.randn(1, 1, 28, 28).to(device) input_names = [ "input_0" ] output_names = [ "output_0" ] path = os.path.join(model_dir, 'mnist-pytorch.onnx') torch.onnx.export(model, dummy_input, path, verbose=True, input_names=input_names, output_names=output_names, dynamic_axes={'input_0' : {0 : 'batch_size'}, # variable length axes 'output_0' : {0 : 'batch_size'}})
ONNX হল ডিপ লার্নিং মডেলের জন্য একটি ওপেন স্ট্যান্ডার্ড ফরম্যাট যা ডিপ লার্নিং ফ্রেমওয়ার্ক যেমন PyTorch, Microsoft Cognitive Toolkit (CNTK) এবং আরও অনেক কিছুর মধ্যে ইন্টারঅপারেবিলিটি সক্ষম করে। এর মানে হল আপনি মডেলকে প্রশিক্ষিত করতে এবং পরবর্তীতে ONNX ফরম্যাটে প্রাক-প্রশিক্ষিত মডেলগুলিকে রপ্তানি করতে এই ফ্রেমওয়ার্কগুলির যেকোনো একটি ব্যবহার করতে পারেন৷ মডেলটি ONNX-এ রপ্তানি করার মাধ্যমে, আপনি স্থাপনার ডিভাইস এবং প্ল্যাটফর্মের বিস্তৃত নির্বাচনের সুবিধা পাবেন।
মডেল আর্টিফ্যাক্ট ডাউনলোড করুন এবং নিষ্কাশন করুন
আমাদের প্রশিক্ষণের স্ক্রিপ্টটি যে ONNX মডেলটি সংরক্ষিত হয়েছে সেটি আউটপুট অবস্থানে SageMaker দ্বারা Amazon S3-তে অনুলিপি করা হয়েছে যা আমরা প্রশিক্ষণের কাজ শুরু করার সময় উল্লেখ করেছি। মডেল আর্টিফ্যাক্ট একটি সংকুচিত আর্কাইভ ফাইল হিসাবে সংরক্ষণ করা হয় বলা হয় model.tar.gz
. আমরা এই আর্কাইভ ফাইলটি আমাদের স্টুডিও নোটবুকের উদাহরণে একটি স্থানীয় ডিরেক্টরিতে ডাউনলোড করি এবং মডেল আর্টিফ্যাক্টগুলি বের করি, যেমন ONNX মডেল৷
import tarfile local_model_file = 'model.tar.gz'
model_bucket,model_key = estimator.model_data.split('/',2)[-1].split('/',1)
s3 = boto3.client("s3")
s3.download_file(model_bucket,model_key,local_model_file) model_tar = tarfile.open(local_model_file)
model_file_name = model_tar.next().name
model_tar.extractall('.')
model_tar.close()
ONNX মডেল যাচাই করুন
ONNX মডেলটি নামের একটি ফাইলে রপ্তানি করা হয় mnist-pytorch.onnx
আমাদের প্রশিক্ষণ স্ক্রিপ্ট দ্বারা। আমরা এই ফাইলটি ডাউনলোড এবং এক্সট্রাক্ট করার পরে, আমরা ঐচ্ছিকভাবে ONNX মডেলটি ব্যবহার করে যাচাই করতে পারি onnx.checker
মডিউল দ্য check_model
এই মডিউলের ফাংশন একটি মডেলের ধারাবাহিকতা পরীক্ষা করে। পরীক্ষা ব্যর্থ হলে একটি ব্যতিক্রম উত্থাপিত হয়।
import onnx onnx_model = onnx.load("mnist-pytorch.onnx")
onnx.checker.check_model(onnx_model)
মডেল এবং অনুমান কোড প্যাকেজ
এই পোস্টের জন্য, আমরা Azure ফাংশনের জন্য .zip ডিপ্লয়মেন্ট ব্যবহার করি। এই পদ্ধতিতে, আমরা আমাদের মডেল, সহকারী কোড, এবং Azure ফাংশন সেটিংস একটি .zip ফাইলে প্যাকেজ করি এবং Azure ফাংশনে প্রকাশ করি। নিম্নলিখিত কোডটি আমাদের স্থাপনার প্যাকেজের ডিরেক্টরি কাঠামো দেখায়:
mnist-onnx
├── function_app.py
├── model
│ └── mnist-pytorch.onnx
└── requirements.txt
নির্ভরতা তালিকা
আমরা আমাদের অনুমান কোডের জন্য নির্ভরতা তালিকাভুক্ত করি requirements.txt
আমাদের প্যাকেজের মূলে ফাইল। যখন আমরা প্যাকেজ প্রকাশ করি তখন এই ফাইলটি Azure ফাংশন পরিবেশ তৈরি করতে ব্যবহৃত হয়।
azure-functions
numpy
onnxruntime
অনুমান কোড লিখুন
আমরা আমাদের মডেল লোড করতে এবং অনুমান চালানোর জন্য ONNX রানটাইম লাইব্রেরি ব্যবহার করে নিম্নলিখিত অনুমান কোড লিখতে পাইথন ব্যবহার করি। এটি Azure ফাংশন অ্যাপকে এন্ডপয়েন্ট উপলব্ধ করতে নির্দেশ দেয়৷ /classify
আপেক্ষিক পাথ.
import logging
import azure.functions as func
import numpy as np
import os
import onnxruntime as ort
import json app = func.FunctionApp() def preprocess(input_data_json): # convert the JSON data into the tensor input return np.array(input_data_json['data']).astype('float32') def run_model(model_path, req_body): session = ort.InferenceSession(model_path) input_data = preprocess(req_body) logging.info(f"Input Data shape is {input_data.shape}.") input_name = session.get_inputs()[0].name # get the id of the first input of the model try: result = session.run([], {input_name: input_data}) except (RuntimeError) as e: print("Shape={0} and error={1}".format(input_data.shape, e)) return result[0] def get_model_path(): d=os.path.dirname(os.path.abspath(__file__)) return os.path.join(d , './model/mnist-pytorch.onnx') @app.function_name(name="mnist_classify")
@app.route(route="classify", auth_level=func.AuthLevel.ANONYMOUS)
def main(req: func.HttpRequest) -> func.HttpResponse: logging.info('Python HTTP trigger function processed a request.') # Get the img value from the post. try: req_body = req.get_json() except ValueError: pass if req_body: # run model result = run_model(get_model_path(), req_body) # map output to integer and return result string. digits = np.argmax(result, axis=1) logging.info(type(digits)) return func.HttpResponse(json.dumps({"digits": np.array(digits).tolist()})) else: return func.HttpResponse( "This HTTP triggered function successfully.", status_code=200 )
Azure ফাংশনে মডেলটি স্থাপন করুন
এখন যেহেতু আমাদের কাছে প্রয়োজনীয় .zip ফরম্যাটে কোড প্যাকেজ করা আছে, আমরা এটি Azure ফাংশনে প্রকাশ করতে প্রস্তুত। আমরা Azure CLI ব্যবহার করে এটি করি, Azure সম্পদ তৈরি ও পরিচালনা করার জন্য একটি কমান্ড লাইন ইউটিলিটি। নিম্নলিখিত কোড সহ Azure CLI ইনস্টল করুন:
!pip install -q azure-cli
তারপর নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:
- Azure এ লগ ইন করুন:
!az login
- সম্পদ তৈরির পরামিতি সেট আপ করুন:
import random random_suffix = str(random.randint(10000,99999)) resource_group_name = f"multicloud-{random_suffix}-rg" storage_account_name = f"multicloud{random_suffix}" location = "ukwest" sku_storage = "Standard_LRS" functions_version = "4" python_version = "3.9" function_app = f"multicloud-mnist-{random_suffix}"
- পূর্বশর্ত সংস্থান সহ Azure ফাংশন অ্যাপ তৈরি করতে নিম্নলিখিত কমান্ডগুলি ব্যবহার করুন:
!az group create --name {resource_group_name} --location {location} !az storage account create --name {storage_account_name} --resource-group {resource_group_name} --location {location} --sku {sku_storage} !az functionapp create --name {function_app} --resource-group {resource_group_name} --storage-account {storage_account_name} --consumption-plan-location "{location}" --os-type Linux --runtime python --runtime-version {python_version} --functions-version {functions_version}
- Azure ফাংশন সেট আপ করুন যাতে আমরা যখন ফাংশন প্যাকেজ স্থাপন করি, তখন
requirements.txt
ফাইল আমাদের অ্যাপ্লিকেশন নির্ভরতা তৈরি করতে ব্যবহৃত হয়:!az functionapp config appsettings set --name {function_app} --resource-group {resource_group_name} --settings @./functionapp/settings.json
- Python v2 মডেল চালানোর জন্য ফাংশন অ্যাপটি কনফিগার করুন এবং .zip স্থাপনের পরে এটি যে কোডটি পায় তার উপর একটি বিল্ড সঞ্চালন করুন:
{ "AzureWebJobsFeatureFlags": "EnableWorkerIndexing", "SCM_DO_BUILD_DURING_DEPLOYMENT": true }
- আমাদের কাছে সঠিক কনফিগারেশন সহ রিসোর্স গ্রুপ, স্টোরেজ কন্টেইনার এবং ফাংশন অ্যাপ থাকার পরে, ফাংশন অ্যাপে কোডটি প্রকাশ করুন:
!az functionapp deployment source config-zip -g {resource_group_name} -n {function_app} --src {function_archive} --build-remote true
মডেল পরীক্ষা করুন
আমরা ML মডেলটিকে একটি HTTP ট্রিগার হিসাবে Azure ফাংশনে স্থাপন করেছি, যার অর্থ আমরা ফাংশনটি চালু করতে এবং মডেলটি চালানোর জন্য ফাংশনে একটি HTTP অনুরোধ পাঠাতে ফাংশন অ্যাপ URL ব্যবহার করতে পারি।
ইনপুট প্রস্তুত করতে, সেজমেকার উদাহরণ ফাইল বাকেট থেকে পরীক্ষার চিত্র ফাইলগুলি ডাউনলোড করুন এবং মডেলের জন্য প্রয়োজনীয় বিন্যাসে নমুনার একটি সেট প্রস্তুত করুন:
from torch.utils.data import DataLoader
from torchvision import datasets, transforms
import matplotlib.pyplot as plt transform=transforms.Compose( [transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]
) test_dataset = datasets.MNIST(root='../data', download=True, train=False, transform=transform)
test_loader = DataLoader(test_dataset, batch_size=16, shuffle=True) test_features, test_labels = next(iter(test_loader))
নমুনা ইনপুট সহ অনুমান শেষ পয়েন্টে একটি পোস্ট অনুরোধ পাঠাতে অনুরোধ লাইব্রেরি ব্যবহার করুন। অনুমান শেষ পয়েন্ট নিম্নলিখিত কোডে দেখানো ফর্ম্যাট নেয়:
import requests, json def to_numpy(tensor): return tensor.detach().cpu().numpy() if tensor.requires_grad else tensor.cpu().numpy() url = f"https://{function_app}.azurewebsites.net/api/classify"
response = requests.post(url, json.dumps({"data":to_numpy(test_features).tolist()}) )
predictions = json.loads(response.text)['digits']
পরিষ্কার কর
আপনি মডেল পরীক্ষা করা শেষ হলে, স্টোরেজ কন্টেইনার এবং ফাংশন অ্যাপ সহ অন্তর্ভুক্ত সংস্থান সহ রিসোর্স গ্রুপটি মুছুন:
!az group delete --name {resource_group_name} --yes
উপরন্তু, খরচ কমাতে SageMaker স্টুডিওর মধ্যে নিষ্ক্রিয় সংস্থানগুলি বন্ধ করার সুপারিশ করা হয়। আরো তথ্যের জন্য, পড়ুন অ্যামাজন সেজমেকার স্টুডিওতে স্বয়ংক্রিয়ভাবে নিষ্ক্রিয় সংস্থানগুলি বন্ধ করে খরচগুলি সাশ্রয় করুন.
উপসংহার
এই পোস্টে, আমরা দেখিয়েছি কিভাবে আপনি SageMaker এর সাথে একটি ML মডেল তৈরি এবং প্রশিক্ষণ দিতে পারেন এবং এটি অন্য ক্লাউড প্রদানকারীর কাছে স্থাপন করতে পারেন। সমাধানে, আমরা একটি SageMaker স্টুডিও নোটবুক ব্যবহার করেছি, কিন্তু উৎপাদন কাজের চাপের জন্য, আমরা ব্যবহার করার সুপারিশ করেছি এমএলওএস মডেল উন্নয়ন এবং স্থাপনা ত্বরান্বিত করতে পুনরাবৃত্তিযোগ্য প্রশিক্ষণ কর্মপ্রবাহ তৈরি করতে।
এই পোস্টটি মাল্টিক্লাউড পরিবেশে একটি মডেল স্থাপন এবং চালানোর সমস্ত সম্ভাব্য উপায় দেখায়নি। উদাহরণস্বরূপ, যেকোন প্ল্যাটফর্মে মডেলটিকে কন্টেইনারাইজড অ্যাপ্লিকেশন হিসাবে চালানোর জন্য আপনি ইনফারেন্স কোড এবং নির্ভরতা লাইব্রেরি সহ আপনার মডেলটিকে একটি কন্টেইনার ইমেজে প্যাকেজ করতে পারেন। এই পদ্ধতি সম্পর্কে আরও তথ্যের জন্য, পড়ুন Amazon CodeCatalyst ব্যবহার করে একটি মাল্টিক্লাউড পরিবেশে কন্টেইনার অ্যাপ্লিকেশন স্থাপন করুন. পোস্টের উদ্দেশ্য হল কিভাবে সংগঠনগুলি একটি মাল্টিক্লাউড পরিবেশে AWS AI/ML ক্ষমতা ব্যবহার করতে পারে তা দেখানো।
লেখক সম্পর্কে
রাজা বৈদ্যনাথন বিশ্বব্যাপী আর্থিক পরিষেবা গ্রাহকদের সমর্থনকারী AWS-এর একজন সলিউশন আর্কিটেক্ট। রাজা গ্রাহকদের সাথে তাদের ব্যবসায় দীর্ঘমেয়াদী ইতিবাচক প্রভাব সহ জটিল সমস্যার সমাধানের জন্য কাজ করে। তিনি আইটি কৌশল, এন্টারপ্রাইজ ডেটা ম্যানেজমেন্ট এবং অ্যাপ্লিকেশন আর্কিটেকচারে দক্ষ একজন শক্তিশালী ইঞ্জিনিয়ারিং পেশাদার, যার বিশেষ আগ্রহের সাথে বিশ্লেষণ এবং মেশিন লার্নিং।
আমনদীপ বাজওয়া AWS-এর একজন সিনিয়র সলিউশন আর্কিটেক্ট আর্থিক পরিষেবার উদ্যোগকে সমর্থন করে। তিনি শিল্প প্রবণতা এবং সাংগঠনিক অগ্রাধিকারের উপর ভিত্তি করে উপযুক্ত ক্লাউড রূপান্তর কৌশল সনাক্ত করে সংস্থাগুলিকে তাদের ব্যবসায়িক ফলাফল অর্জনে সহায়তা করেন। আমনদীপ যেসব বিষয়ে পরামর্শ করে তা হল ক্লাউড মাইগ্রেশন, ক্লাউড কৌশল (হাইব্রিড এবং মাল্টিক্লাউড সহ), ডিজিটাল রূপান্তর, ডেটা এবং বিশ্লেষণ এবং সাধারণভাবে প্রযুক্তি।
প্রেমা আইয়ার AWS এন্টারপ্রাইজ সাপোর্টের সিনিয়র টেকনিক্যাল অ্যাকাউন্ট ম্যানেজার। তিনি বহিরাগত গ্রাহকদের সাথে বিভিন্ন প্রকল্পে কাজ করেন, AWS ব্যবহার করার সময় তাদের সমাধানের মান উন্নত করতে সাহায্য করে।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/train-and-deploy-ml-models-in-a-multicloud-environment-using-amazon-sagemaker/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 1
- 10
- 100
- 13
- 25
- 28
- 32
- 7
- 9
- a
- সম্পর্কে
- দ্রুততর করা
- গ্রহণ
- প্রবেশ
- হিসাব
- অর্জন করা
- অর্জিত
- সুবিধা
- পর
- AI
- এআই / এমএল
- সব
- অনুমতি
- বরাবর
- ইতিমধ্যে
- এছাড়াও
- যদিও
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- আমাজন সেজমেকার ক্যানভাস
- অ্যামাজন সেজমেকার স্টুডিও
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- বিশ্লেষকরা
- বৈশ্লেষিক ন্যায়
- এবং
- নামবিহীন
- অন্য
- কোন
- এ্যাপাচি
- অ্যাপ্লিকেশন
- আবেদন
- অ্যাপ্লিকেশন
- অভিগমন
- যথাযথ
- স্থাপত্য
- সংরক্ষাণাগার
- রয়েছি
- এলাকার
- AS
- মূল্যায়ন
- At
- স্বয়ংক্রিয় পদ্ধতি প্রয়োগ করা
- স্বয়ংক্রিয়ভাবে
- সহজলভ্য
- ডেস্কটপ AWS
- অক্ষ
- নভোনীল
- ভিত্তি
- BE
- হয়েছে
- আগে
- শুরু করা
- উপকারী
- সুবিধা
- উত্তম
- মধ্যে
- উভয়
- আনা
- বৃহত্তর
- নির্মাণ করা
- ভবন
- ব্যবসায়
- কিন্তু
- by
- কল
- নামক
- কলিং
- CAN
- ক্যানভাস
- ক্ষমতা
- বহন
- কেস
- চেক
- শ্রেণী
- শ্রেণীভুক্ত করা
- ক্লিক
- মেঘ
- কোড
- জ্ঞানীয়
- সহযোগীতা
- কোম্পানি
- সম্পূর্ণ
- জটিল
- সম্মতি
- ব্যাপক
- গনা
- কনফিগারেশন
- অন্তর্ভুক্ত
- আধার
- কন্টেনারগুলি
- ধারণ
- প্রসঙ্গ
- সুবিধা
- রূপান্তর
- রূপান্তর
- মূল
- খরচ
- পারা
- সৃষ্টি
- নির্মিত
- তৈরি করা হচ্ছে
- সৃষ্টি
- পরিচয়পত্র
- প্রথা
- গ্রাহকদের
- উপাত্ত
- ডাটা ব্যাবস্থাপনা
- ডেটা প্রস্তুতি
- তথ্য বিজ্ঞান
- ডেটাসেট
- গভীর
- গভীর জ্ঞানার্জন
- গভীরতম
- ডিফল্ট
- নির্ধারণ করা
- সংজ্ঞা
- প্রদর্শন
- নির্ভরতা
- বশ্যতা
- স্থাপন
- মোতায়েন
- মোতায়েন
- বিস্তৃতি
- বর্ণনা করা
- বিস্তারিত
- বিস্তারিত
- উন্নয়ন
- যন্ত্র
- ডিভাইস
- বিভিন্ন
- ডিজিটাল
- ডিজিটাল ট্রান্সফরমেসন
- ডিজিটের
- মাত্রা
- আলোচনা
- do
- ডকশ্রমিক
- ডোমেইন
- সম্পন্ন
- Dont
- নিচে
- ডাউনলোড
- সময়
- প্রগতিশীল
- e
- আর
- আলিঙ্গন
- সম্ভব
- সক্রিয়
- শেষ
- শেষপ্রান্ত
- প্রকৌশল
- প্রকৌশলী
- উদ্যোগ
- উদ্যোগ
- পরিবেশ
- কাল
- পর্বগুলি
- প্রতি
- উদাহরণ
- ছাড়া
- ব্যতিক্রম
- ফাঁসি
- ল্যাপারোস্কোপিক পদ্ধতি
- রপ্তানি
- রপ্তানির
- বহিরাগত
- নির্যাস
- ব্যর্থ
- বৈশিষ্ট্য
- কয়েক
- ফাইল
- নথি পত্র
- আর্থিক
- অর্থনৈতিক সেবা সমূহ
- আবিষ্কার
- প্রথম
- ফিট
- অনুসরণ
- জন্য
- বিন্যাস
- ভিত
- ফ্রেমওয়ার্ক
- অবকাঠামো
- থেকে
- ক্রিয়া
- ক্রিয়াকলাপ
- সাধারণ
- উত্পন্ন
- সৃজক
- জেনারেটিভ এআই
- পাওয়া
- বিশ্বব্যাপী
- বিশ্বব্যাপী আর্থিক
- গ্রুপ
- আছে
- he
- সাহায্য
- সাহায্য
- হোস্টিং
- কিভাবে
- কিভাবে
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- অকুলীন
- ID
- চিহ্নিতকরণের
- অলস
- if
- প্রকাশ
- ভাবমূর্তি
- চিত্র
- প্রভাব
- আমদানি
- আমদানি
- উন্নত করা
- উন্নতি
- in
- অন্তর্ভুক্ত করা
- সুদ্ধ
- স্বাধীন
- শিল্প
- তথ্য
- প্রারম্ভিক
- ইনপুট
- ইনপুট
- ইনস্টল
- উদাহরণ
- নির্দেশাবলী
- সম্পূর্ণ
- সংহত
- অভিপ্রায়
- মধ্যে রয়েছে
- ইন্টারফেস
- আন্তঃক্রিয়া
- মধ্যে
- IT
- এর
- কাজ
- জবস
- JPG
- JSON
- ভাষা
- বড়
- সর্বশেষ
- লঞ্চ
- শিখতে
- শিক্ষা
- লম্বা
- লেভারেজ
- লাইব্রেরি
- লাইব্রেরি
- জীবনচক্র
- লাইন
- লিনাক্স
- তালিকা
- বোঝা
- লোড
- স্থানীয়
- স্থানীয়ভাবে
- অবস্থান
- লগিং
- দীর্ঘ মেয়াদী
- খুঁজছি
- ক্ষতি
- মেশিন
- মেশিন লার্নিং
- করা
- পরিচালনা করা
- পরিচালিত
- ব্যবস্থাপনা
- পরিচালক
- অনেক
- মানচিত্র
- matplotlib
- মে..
- মানে
- সম্মেলন
- পূরণ
- পদ্ধতি
- পদ্ধতি
- মাইক্রোসফট
- হতে পারে
- অভিপ্রয়াণ
- ML
- এমএলওএস
- মোড
- মডেল
- মডেল
- মডিউল
- অধিক
- সেতু
- নাম
- নামে
- যথা
- প্রয়োজন
- প্রয়োজন
- চাহিদা
- নেট
- নেটওয়ার্ক
- নার্ভীয়
- স্নায়বিক নেটওয়ার্ক
- নোটবই
- অসাড়
- লক্ষ্য
- of
- on
- ONE
- খোলা
- ওপেন সোর্স
- অপারেটিং
- অপারেশনস
- অপারেটরদের
- অপশন সমূহ
- or
- ক্রম
- সংগঠন
- সাংগঠনিক
- সংগঠন
- OS
- অন্যান্য
- আমাদের
- বাইরে
- ফলাফল
- আউটপুট
- বাহিরে
- নিজের
- প্যাকেজ
- গাঁটবন্দী
- স্থিতিমাপ
- পরামিতি
- অংশ
- বিশেষ
- পার্টি
- পাস
- পাস
- পথ
- সম্পাদন করা
- অনুমতি
- মাচা
- প্ল্যাটফর্ম
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- জনপ্রিয়
- ধনাত্মক
- সম্ভব
- পোস্ট
- ভবিষ্যতবাণী
- প্রস্তুতি
- প্রস্তুত করা
- পূর্বশর্ত
- প্রাথমিক
- অধ্যক্ষ
- সমস্যা
- প্রক্রিয়াকৃত
- উত্পাদনের
- প্রমোদ
- পণ্য
- পেশাদারী
- প্রকল্প
- প্রদান
- প্রদত্ত
- প্রদানকারী
- উপলব্ধ
- প্রকাশ্য
- প্রকাশ করা
- পাইথন
- পাইটার্চ
- দ্রুত
- উত্থাপিত
- এলোমেলো
- প্রস্তুত
- পায়
- সুপারিশ করা
- রেকর্ডিং
- হ্রাস করা
- পড়ুন
- তথাপি
- এলাকা
- রেজিস্ট্রি
- উপর
- পুনরাবৃত্তিযোগ্য
- অনুরোধ
- অনুরোধ
- প্রয়োজন
- প্রয়োজনীয়
- আবশ্যকতা
- সংস্থান
- Resources
- প্রতিক্রিয়া
- ফল
- ফলে এবং
- প্রত্যাবর্তন
- অধিকার
- ভূমিকা
- শিকড়
- চালান
- দৌড়
- রান
- ঋষি নির্মাতা
- একই
- সংরক্ষিত
- স্কেল
- স্ক্যানিং
- পরিস্থিতিতে
- বিজ্ঞান
- বিজ্ঞানীরা
- লিপি
- SDK
- মাধ্যমিক
- অধ্যায়
- বিভাগে
- নিরাপত্তা
- দেখ
- নির্বাচন
- আত্ম
- পাঠান
- জ্যেষ্ঠ
- সেবা
- সেবা
- সেশন
- সেট
- সেটিংস
- সেটআপ
- আকৃতি
- সে
- উচিত
- প্রদর্শনী
- দেখিয়েছেন
- প্রদর্শিত
- শো
- বন্ধ করুন
- সম্পূর্ণ বন্ধ
- সহজ
- পরিস্থিতিতে
- দক্ষ
- দক্ষতা
- So
- সফটওয়্যার
- সমাধান
- সলিউশন
- কিছু
- উৎস
- সার্বভৌম ক্ষমতা
- নিদিষ্ট
- পর্যায়
- মান
- শুরু
- শুরু
- শুরু
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টোরেজ
- দোকান
- সঞ্চিত
- কৌশল
- স্ট্রিং
- শক্তিশালী
- গঠন
- চিত্রশালা
- পরবর্তীকালে
- সফলভাবে
- এমন
- সমর্থন
- সমর্থক
- সমর্থন
- গ্রহণ করা
- লাগে
- লক্ষ্য
- টীম
- কারিগরী
- প্রযুক্তি
- প্রযুক্তিঃ
- এই
- tensorflow
- পরীক্ষা
- প্রমাণিত
- পরীক্ষামূলক
- পাঠ
- যে
- সার্জারির
- উৎস
- তাদের
- তাহাদিগকে
- নিজেদের
- তারপর
- এইগুলো
- তারা
- জিনিস
- তৃতীয়
- এই
- বার
- থেকে
- টুলকিট
- সরঞ্জাম
- মশাল
- টর্চভিশন
- চিহ্ন
- রেলগাড়ি
- প্রশিক্ষিত
- প্রশিক্ষণ
- রুপান্তর
- রুপান্তর
- রূপান্তর কৌশল
- রূপান্তরগুলির
- প্রবণতা
- ট্রিগার
- আলোড়ন সৃষ্টি
- সত্য
- চেষ্টা
- আদর্শ
- অনন্য
- আপলোড করা
- আপলোড
- URL টি
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারসমূহ
- ব্যবহার
- উপযোগ
- যাচাই করুন
- মূল্য
- পরিবর্তনশীল
- বৈচিত্র্য
- বিক্রেতারা
- সংস্করণ
- দুর্বলতা
- প্রয়োজন
- ছিল
- উপায়
- we
- ওয়েব
- ওয়েব সার্ভিস
- ওয়েব ভিত্তিক
- আমরা একটি
- কখন
- যে
- ইচ্ছা
- সঙ্গে
- মধ্যে
- কর্মপ্রবাহ
- কাজ
- লেখা
- লিখিত
- X
- এখনো
- আপনি
- আপনার
- zephyrnet
- ফ্যাস্ শব্দ