Σήμερα, είμαστε στην ευχάριστη θέση να ανακοινώσουμε την προεπισκόπηση του Προφίλ Amazon SageMaker, μια ικανότητα του Amazon Sage Maker που παρέχει μια λεπτομερή προβολή των πόρων υπολογισμού AWS που παρέχονται κατά την εκπαίδευση μοντέλων βαθιάς εκμάθησης στο SageMaker. Με το SageMaker Profiler, μπορείτε να παρακολουθείτε όλες τις δραστηριότητες σε CPU και GPU, όπως χρήσεις CPU και GPU, εκτελέσεις πυρήνα σε GPU, εκκινήσεις πυρήνα σε CPU, λειτουργίες συγχρονισμού, λειτουργίες μνήμης σε GPU, καθυστερήσεις μεταξύ εκκινήσεων πυρήνα και αντίστοιχων εκτελέσεων και μεταφορά δεδομένων μεταξύ CPU και GPU. Σε αυτήν την ανάρτηση, σας καθοδηγούμε στις δυνατότητες του SageMaker Profiler.
Το SageMaker Profiler παρέχει λειτουργικές μονάδες Python για τον σχολιασμό σεναρίων εκπαίδευσης PyTorch ή TensorFlow και την ενεργοποίηση του SageMaker Profiler. Προσφέρει επίσης μια διεπαφή χρήστη (UI) που απεικονίζει το λογαριασμό σας, μια στατιστική περίληψη συμβάντων με προφίλ και το χρονοδιάγραμμα μιας εργασίας εκπαίδευσης για την παρακολούθηση και την κατανόηση της χρονικής σχέσης των συμβάντων μεταξύ των GPU και των CPU.
Η ανάγκη για κατάρτιση προφίλ θέσεων εργασίας
Με την άνοδο της βαθιάς μάθησης (DL), η μηχανική μάθηση (ML) έχει γίνει εντατική στους υπολογιστές και τα δεδομένα, απαιτώντας συνήθως συμπλέγματα πολλαπλών κόμβων, πολλαπλών GPU. Καθώς τα μοντέλα τελευταίας τεχνολογίας μεγαλώνουν σε μέγεθος της τάξης των τρισεκατομμυρίων παραμέτρων, η υπολογιστική πολυπλοκότητα και το κόστος τους επίσης αυξάνονται γρήγορα. Οι επαγγελματίες ML πρέπει να αντιμετωπίσουν κοινές προκλήσεις αποτελεσματικής χρήσης πόρων όταν εκπαιδεύουν τόσο μεγάλα μοντέλα. Αυτό είναι ιδιαίτερα εμφανές στα μεγάλα γλωσσικά μοντέλα (LLM), τα οποία έχουν συνήθως δισεκατομμύρια παραμέτρους και επομένως απαιτούν μεγάλα συμπλέγματα GPU πολλαπλών κόμβων προκειμένου να εκπαιδεύονται αποτελεσματικά.
Όταν εκπαιδεύουμε αυτά τα μοντέλα σε μεγάλα συμπλέγματα υπολογιστών, μπορούμε να αντιμετωπίσουμε προκλήσεις βελτιστοποίησης υπολογιστικών πόρων, όπως σημεία συμφόρησης I/O, καθυστερήσεις εκκίνησης πυρήνα, όρια μνήμης και χαμηλές χρήσεις πόρων. Εάν η διαμόρφωση της εργασίας εκπαίδευσης δεν είναι βελτιστοποιημένη, αυτές οι προκλήσεις μπορεί να οδηγήσουν σε αναποτελεσματική χρήση υλικού και μεγαλύτερους χρόνους εκπαίδευσης ή ελλιπείς σειρές εκπαίδευσης, που αυξάνουν το συνολικό κόστος και τα χρονοδιαγράμματα για το έργο.
Προϋποθέσεις
Τα παρακάτω είναι τα προαπαιτούμενα για να ξεκινήσετε να χρησιμοποιείτε το SageMaker Profiler:
- Ένας τομέας SageMaker στον λογαριασμό σας AWS – Για οδηγίες σχετικά με τη ρύθμιση ενός τομέα, βλ Ενσωματωμένη στον τομέα Amazon SageMaker με χρήση γρήγορης εγκατάστασης. Πρέπει επίσης να προσθέσετε προφίλ χρήστη τομέα για μεμονωμένους χρήστες για πρόσβαση στην εφαρμογή SageMaker Profiler UI. Για περισσότερες πληροφορίες, βλ Προσθήκη και κατάργηση προφίλ χρήστη τομέα SageMaker.
- Δικαιώματα – Η ακόλουθη λίστα είναι το ελάχιστο σύνολο δικαιωμάτων που πρέπει να εκχωρηθεί στον ρόλο εκτέλεσης για τη χρήση της εφαρμογής SageMaker Profiler UI:
sagemaker:CreateApp
sagemaker:DeleteApp
sagemaker:DescribeTrainingJob
sagemaker:SearchTrainingJobs
s3:GetObject
s3:ListBucket
Προετοιμάστε και εκτελέστε μια εργασία εκπαίδευσης με το SageMaker Profiler
Για να ξεκινήσετε τη λήψη εκτελεσμένων πυρήνα σε GPU ενώ εκτελείται η εργασία εκπαίδευσης, τροποποιήστε το σενάριο εκπαίδευσης χρησιμοποιώντας τις λειτουργικές μονάδες SageMaker Profiler Python. Εισαγάγετε τη βιβλιοθήκη και προσθέστε το start_profiling()
και stop_profiling()
μεθόδους για τον καθορισμό της αρχής και του τέλους του προφίλ. Μπορείτε επίσης να χρησιμοποιήσετε προαιρετικούς προσαρμοσμένους σχολιασμούς για να προσθέσετε δείκτες στο σενάριο εκπαίδευσης για να απεικονίσετε δραστηριότητες υλικού κατά τη διάρκεια συγκεκριμένων λειτουργιών σε κάθε βήμα.
Υπάρχουν δύο προσεγγίσεις που μπορείτε να ακολουθήσετε για το προφίλ των σεναρίων εκπαίδευσης με το SageMaker Profiler. Η πρώτη προσέγγιση βασίζεται στη δημιουργία προφίλ πλήρων λειτουργιών. η δεύτερη προσέγγιση βασίζεται στη δημιουργία προφίλ συγκεκριμένων γραμμών κώδικα σε συναρτήσεις.
Για προφίλ ανά συναρτήσεις, χρησιμοποιήστε τη διαχείριση περιβάλλοντος smppy.annotate
για να σχολιάσετε πλήρεις λειτουργίες. Το ακόλουθο παράδειγμα σεναρίου δείχνει πώς να εφαρμόσετε τη διαχείριση περιβάλλοντος για να αναδιπλώσετε τον βρόχο εκπαίδευσης και τις πλήρεις συναρτήσεις σε κάθε επανάληψη:
Μπορείτε επίσης να χρησιμοποιήσετε smppy.annotation_begin()
και smppy.annotation_end()
να σχολιάσει συγκεκριμένες γραμμές κώδικα σε συναρτήσεις. Για περισσότερες πληροφορίες, ανατρέξτε στο τεκμηρίωση.
Διαμορφώστε το πρόγραμμα εκκίνησης εκπαιδευτικών εργασιών SageMaker
Αφού ολοκληρώσετε τον σχολιασμό και τη ρύθμιση των λειτουργικών μονάδων εκκίνησης του προφίλ, αποθηκεύστε το σενάριο εκπαίδευσης και προετοιμάστε τον εκτιμητή πλαισίου SageMaker για εκπαίδευση χρησιμοποιώντας το SageMaker Python SDK.
- Ρύθμιση a
profiler_config
αντικείμενο χρησιμοποιώντας τοProfilerConfig
καιProfiler
ενότητες ως εξής: - Δημιουργήστε έναν εκτιμητή SageMaker με το
profiler_config
αντικείμενο που δημιουργήθηκε στο προηγούμενο βήμα. Ο παρακάτω κώδικας δείχνει ένα παράδειγμα δημιουργίας ενός εκτιμητή PyTorch:
Εάν θέλετε να δημιουργήσετε έναν εκτιμητή TensorFlow, εισαγάγετε sagemaker.tensorflow.TensorFlow
Αντίθετα, και καθορίστε μία από τις εκδόσεις TensorFlow που υποστηρίζονται από το SageMaker Profiler. Για περισσότερες πληροφορίες σχετικά με τα υποστηριζόμενα πλαίσια και τους τύπους παρουσιών, βλ Υποστηριζόμενα πλαίσια.
- Ξεκινήστε την εργασία προπόνησης εκτελώντας τη μέθοδο fit:
Εκκινήστε τη διεπαφή χρήστη του SageMaker Profiler
Όταν ολοκληρωθεί η εργασία εκπαίδευσης, μπορείτε να εκκινήσετε το SageMaker Profiler UI για να οπτικοποιήσετε και να εξερευνήσετε το προφίλ της εργασίας εκπαίδευσης. Μπορείτε να αποκτήσετε πρόσβαση στην εφαρμογή SageMaker Profiler UI μέσω της σελίδας προορισμού SageMaker Profiler στην κονσόλα SageMaker ή μέσω του τομέα SageMaker.
Για να εκκινήσετε την εφαρμογή SageMaker Profiler UI στην κονσόλα SageMaker, ολοκληρώστε τα ακόλουθα βήματα:
- Στην κονσόλα SageMaker, επιλέξτε Κατατομή στο παράθυρο πλοήγησης.
- Κάτω από Αγορά, επιλέξτε τον τομέα στον οποίο θέλετε να εκκινήσετε την εφαρμογή SageMaker Profiler UI.
Εάν το προφίλ χρήστη σας ανήκει μόνο σε έναν τομέα, δεν θα δείτε την επιλογή για την επιλογή τομέα.
- Επιλέξτε το προφίλ χρήστη για το οποίο θέλετε να εκκινήσετε την εφαρμογή SageMaker Profiler UI.
Εάν δεν υπάρχει προφίλ χρήστη στον τομέα, επιλέξτε Δημιουργία προφίλ χρήστη. Για περισσότερες πληροφορίες σχετικά με τη δημιουργία νέου προφίλ χρήστη, βλ Προσθήκη και αφαίρεση προφίλ χρήστη.
- Επιλέξτε Ανοίξτε το Προφίλ.
Μπορείτε επίσης να εκκινήστε τη διεπαφή χρήστη του SageMaker Profiler από τη σελίδα λεπτομερειών τομέα.
Αποκτήστε πληροφορίες από το SageMaker Profiler
Όταν ανοίγετε τη διεπαφή χρήστη του SageMaker Profiler, το Επιλέξτε και φορτώστε ένα προφίλ ανοίγει η σελίδα, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Μπορείτε να προβάλετε μια λίστα με όλες τις εργασίες εκπαίδευσης που έχουν υποβληθεί στο SageMaker Profiler και να αναζητήσετε μια συγκεκριμένη εργασία εκπαίδευσης με το όνομά της, τον χρόνο δημιουργίας και την κατάσταση εκτέλεσης (Σε εξέλιξη, Ολοκληρώθηκε, Αποτυχία, Διακοπή ή Διακοπή). Για να φορτώσετε ένα προφίλ, επιλέξτε την εργασία εκπαίδευσης που θέλετε να προβάλετε και επιλέξτε Φορτίο. Το όνομα της εργασίας πρέπει να εμφανίζεται στο Φορτωμένο προφίλ τμήμα στην κορυφή.
Επιλέξτε το όνομα εργασίας για να δημιουργήσετε τον πίνακα εργαλείων και το χρονοδιάγραμμα. Σημειώστε ότι όταν επιλέγετε την εργασία, η διεπαφή χρήστη ανοίγει αυτόματα τον πίνακα εργαλείων. Μπορείτε να φορτώσετε και να οπτικοποιήσετε ένα προφίλ κάθε φορά. Για να φορτώσετε ένα άλλο προφίλ, πρέπει πρώτα να ξεφορτώσετε το προφίλ που φορτώθηκε προηγουμένως. Για να ξεφορτώσετε ένα προφίλ, επιλέξτε το εικονίδιο του κάδου απορριμμάτων στο Φορτωμένο προφίλ τμήμα.
Για αυτήν την ανάρτηση, βλέπουμε το προφίλ ενός ΑΛΜΠΕΦ εργασία εκπαίδευσης σε δύο ml.p4d.24x μεγάλες περιπτώσεις.
Αφού ολοκληρώσετε τη φόρτωση και την επιλογή της εργασίας εκπαίδευσης, η διεπαφή χρήστη ανοίγει το Πίνακας Διαχείρισης σελίδα, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Μπορείτε να δείτε τις γραφικές παραστάσεις για βασικές μετρήσεις, δηλαδή τον ενεργό χρόνο GPU, τη χρήση της GPU με την πάροδο του χρόνου, τον ενεργό χρόνο της CPU και τη χρήση της CPU με την πάροδο του χρόνου. Το γράφημα πίτας ενεργού χρόνου GPU δείχνει το ποσοστό του ενεργού χρόνου GPU έναντι του χρόνου αδράνειας GPU, το οποίο μας δίνει τη δυνατότητα να ελέγξουμε εάν οι GPU είναι περισσότερο ενεργές από αδρανείς σε όλη την εργασία εκπαίδευσης. Το γράφημα χρονοδιάγραμμα χρήσης GPU με την πάροδο του χρόνου δείχνει το μέσο ποσοστό χρήσης GPU με την πάροδο του χρόνου ανά κόμβο, συγκεντρώνοντας όλους τους κόμβους σε ένα ενιαίο γράφημα. Μπορείτε να ελέγξετε εάν οι GPU έχουν μη ισορροπημένο φόρτο εργασίας, προβλήματα υποχρησιμοποίησης, συμφόρηση ή προβλήματα αδράνειας κατά τη διάρκεια ορισμένων χρονικών διαστημάτων. Για περισσότερες λεπτομέρειες σχετικά με την ερμηνεία αυτών των μετρήσεων, ανατρέξτε στο τεκμηρίωση.
Ο πίνακας εργαλείων σάς παρέχει πρόσθετες γραφικές παραστάσεις, συμπεριλαμβανομένου του χρόνου που δαπανάται από όλους τους πυρήνες GPU, του χρόνου που αφιερώνουν οι κορυφαίοι 15 πυρήνες GPU, μετρήσεις εκκίνησης όλων των πυρήνων GPU και μετρήσεις εκκίνησης των κορυφαίων 15 πυρήνων GPU, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Τέλος, ο πίνακας εργαλείων σάς δίνει τη δυνατότητα να απεικονίσετε πρόσθετες μετρήσεις, όπως η κατανομή χρόνου βήματος, που είναι ένα ιστόγραμμα που δείχνει την κατανομή των διάρκειων βημάτων στις GPU και το γράφημα πίτας κατανομής ακριβείας του πυρήνα, το οποίο δείχνει το ποσοστό του χρόνου που δαπανάται για την εκτέλεση πυρήνων σε διαφορετικούς τύπους δεδομένων όπως FP32, FP16, INT32 και INT8.
Μπορείτε επίσης να αποκτήσετε ένα γράφημα πίτας για την κατανομή δραστηριότητας GPU που δείχνει το ποσοστό του χρόνου που αφιερώνεται σε δραστηριότητες GPU, όπως η εκτέλεση πυρήνων, μνήμη (memcpy
και memset
), και συγχρονισμός (sync
). Μπορείτε να απεικονίσετε το ποσοστό του χρόνου που αφιερώνεται σε λειτουργίες μνήμης GPU από το γράφημα πίτας διανομής λειτουργιών μνήμης GPU.
Μπορείτε επίσης να δημιουργήσετε τα δικά σας ιστογράμματα με βάση μια προσαρμοσμένη μέτρηση που σημειώσατε με μη αυτόματο τρόπο, όπως περιγράφεται νωρίτερα σε αυτήν την ανάρτηση. Όταν προσθέτετε έναν προσαρμοσμένο σχολιασμό σε ένα νέο ιστόγραμμα, επιλέξτε ή εισαγάγετε το όνομα του σχολιασμού που προσθέσατε στο σενάριο εκπαίδευσης.
Διεπαφή γραμμής χρόνου
Το SageMaker Profiler UI περιλαμβάνει επίσης μια διεπαφή γραμμής χρόνου, η οποία σας παρέχει μια λεπτομερή προβολή των υπολογιστικών πόρων σε επίπεδο λειτουργιών και πυρήνων που έχουν προγραμματιστεί στις CPU και εκτελούνται στις GPU. Η γραμμή χρόνου είναι οργανωμένη σε δομή δέντρου, δίνοντάς σας πληροφορίες από το επίπεδο κεντρικού υπολογιστή έως το επίπεδο συσκευής, όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης.
Για κάθε CPU, μπορείτε να παρακολουθείτε τους μετρητές απόδοσης της CPU, όπως π.χ clk_unhalted_ref.tsc
και itlb_misses.miss_causes_a_walk
. Για κάθε GPU στην παρουσία 2x p4d.24xlarge, μπορείτε να δείτε μια γραμμή χρόνου κεντρικού υπολογιστή και μια γραμμή χρόνου συσκευής. Οι εκκινήσεις του πυρήνα βρίσκονται στη γραμμή χρόνου του κεντρικού υπολογιστή και οι εκτελέσεις του πυρήνα στη γραμμή χρόνου της συσκευής.
Μπορείτε επίσης να κάνετε μεγέθυνση στα επιμέρους βήματα. Στο παρακάτω στιγμιότυπο οθόνης, έχουμε κάνει μεγέθυνση στο βήμα_41. Η λωρίδα χρονολογίου που επιλέχθηκε στο παρακάτω στιγμιότυπο οθόνης είναι η AllReduce
λειτουργία, ένα ουσιαστικό βήμα επικοινωνίας και συγχρονισμού στην κατανεμημένη εκπαίδευση, που εκτελείται σε GPU-0. Στο στιγμιότυπο οθόνης, σημειώστε ότι η εκκίνηση του πυρήνα στον κεντρικό υπολογιστή GPU-0 συνδέεται με τον πυρήνα που εκτελείται στη ροή συσκευής GPU-0 1, που υποδεικνύεται με το βέλος σε κυανό.
Διαθεσιμότητα και εκτιμήσεις
Το SageMaker Profiler είναι διαθέσιμο σε PyTorch (έκδοση 2.0.0 και 1.13.1) και TensorFlow (έκδοση 2.12.0 και 2.11.1). Ο παρακάτω πίνακας παρέχει τους συνδέσμους προς τα υποστηριζόμενα AWS Deep Learning Containers για το SageMaker.
Πλαίσιο | Εκδοχή | URI εικόνας AWS DLC |
PyTorch | 2.0.0 | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:2.0.0-gpu-py310-cu118-ubuntu20.04-sagemaker |
PyTorch | 1.13.1 | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:1.13.1-gpu-py39-cu117-ubuntu20.04-sagemaker |
TensorFlow | 2.12.0 | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.12.0-gpu-py310-cu118-ubuntu20.04-sagemaker |
TensorFlow | 2.11.1 | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.11.1-gpu-py39-cu112-ubuntu20.04-sagemaker |
Το SageMaker Profiler είναι επί του παρόντος διαθέσιμο στις ακόλουθες Περιφέρειες: Ανατολικές ΗΠΑ (Οχάιο, Βιρτζίνια), Δυτικές ΗΠΑ (Όρεγκον) και Ευρώπη (Φρανκφούρτη, Ιρλανδία).
Το SageMaker Profiler είναι διαθέσιμο στους τύπους παρουσίασης εκπαίδευσης ml.p4d.24xlarge, ml.p3dn.24xlarge και ml.g4dn.12xlarge.
Για την πλήρη λίστα των υποστηριζόμενων πλαισίων και εκδόσεων, ανατρέξτε στο τεκμηρίωση.
Το SageMaker Profiler επιβαρύνεται με χρεώσεις μετά τη λήξη του SageMaker Free Tier ή της δωρεάν δοκιμαστικής περιόδου της λειτουργίας. Για περισσότερες πληροφορίες, βλ Τιμολόγηση του Amazon SageMaker.
Απόδοση του SageMaker Profiler
Συγκρίναμε τα γενικά έξοδα του SageMaker Profiler με διάφορους προγραμματιστές προφίλ ανοιχτού κώδικα. Η βασική γραμμή που χρησιμοποιήθηκε για τη σύγκριση προέκυψε από την εκτέλεση της εργασίας εκπαίδευσης χωρίς προφίλ.
Το βασικό μας εύρημα αποκάλυψε ότι το SageMaker Profiler γενικά οδήγησε σε μικρότερη χρεώσιμη διάρκεια εκπαίδευσης επειδή είχε λιγότερο γενικό χρόνο στις διαδρομές από άκρο σε άκρο. Παρήγαγε επίσης λιγότερα δεδομένα προφίλ (έως και 10 φορές λιγότερα) σε σύγκριση με εναλλακτικές λύσεις ανοιχτού κώδικα. Τα μικρότερα τεχνουργήματα προφίλ που δημιουργούνται από το SageMaker Profiler απαιτούν λιγότερο χώρο αποθήκευσης, εξοικονομώντας έτσι και κόστος.
Συμπέρασμα
Το SageMaker Profiler σάς δίνει τη δυνατότητα να λαμβάνετε λεπτομερείς πληροφορίες σχετικά με τη χρήση υπολογιστικών πόρων κατά την εκπαίδευση των μοντέλων σας σε βάθος εκμάθησης. Αυτό μπορεί να σας επιτρέψει να επιλύσετε hotspot απόδοσης και σημεία συμφόρησης για να εξασφαλίσετε αποτελεσματική χρήση των πόρων που τελικά θα μείωνε το κόστος εκπαίδευσης και θα μείωνε τη συνολική διάρκεια της εκπαίδευσης.
Για να ξεκινήσετε με το SageMaker Profiler, ανατρέξτε στο τεκμηρίωση.
Σχετικά με τους Συγγραφείς
Ρόι Αλέλα είναι Senior AI/ML Specialist Solutions Architect στην AWS με έδρα το Μόναχο της Γερμανίας. Ο Roy βοηθά τους πελάτες της AWS —από μικρές νεοφυείς επιχειρήσεις έως μεγάλες επιχειρήσεις— να εκπαιδεύουν και να αναπτύσσουν μεγάλα μοντέλα γλώσσας αποτελεσματικά στο AWS. Ο Roy είναι παθιασμένος με τα προβλήματα υπολογιστικής βελτιστοποίησης και τη βελτίωση της απόδοσης των φόρτων εργασίας AI.
Sushant Moon είναι Επιστήμονας Δεδομένων στο AWS, Ινδία, που ειδικεύεται στην καθοδήγηση πελατών στις προσπάθειές τους AI/ML. Με ένα διαφορετικό υπόβαθρο που καλύπτει τους τομείς λιανικής, χρηματοδότησης και ασφάλισης, προσφέρει καινοτόμες και προσαρμοσμένες λύσεις. Πέρα από την επαγγελματική του ζωή, ο Sushant βρίσκει αναζωογόνηση στην κολύμβηση και αναζητά έμπνευση από τα ταξίδια του σε διάφορες τοποθεσίες.
Ντίκσα Σάρμα είναι AI/ML Specialist Solutions Architect στον Παγκόσμιο Ειδικό Οργανισμό. Συνεργάζεται με πελάτες του δημόσιου τομέα για να τους βοηθήσει να αρχιτεκτονήσουν αποτελεσματικές, ασφαλείς και επεκτάσιμες εφαρμογές μηχανικής εκμάθησης, συμπεριλαμβανομένων λύσεων τεχνητής νοημοσύνης στο AWS. Στον ελεύθερο χρόνο της, η Diksha λατρεύει να διαβάζει, να ζωγραφίζει και να περνά χρόνο με την οικογένειά της.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
- PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- PlatoESG. Αυτοκίνητο / EVs, Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- ChartPrime. Ανεβάστε το Trading Game σας με το ChartPrime. Πρόσβαση εδώ.
- BlockOffsets. Εκσυγχρονισμός της περιβαλλοντικής αντιστάθμισης ιδιοκτησίας. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/announcing-the-preview-of-amazon-sagemaker-profiler-track-and-visualize-detailed-hardware-performance-data-for-your-model-training-workloads/
- :έχει
- :είναι
- :δεν
- $UP
- 1
- 10
- 100
- 11
- 12
- 125
- 13
- 15%
- 17
- 20
- 7
- 9
- a
- Σχετικα
- πρόσβαση
- απέναντι
- ενεργοποίησης
- ενεργός
- δραστηριοτήτων
- δραστηριότητα
- προσθέτω
- προστιθέμενη
- προσθήκη
- Πρόσθετος
- Μετά το
- κατά
- συγκέντρωση
- AI
- AI / ML
- Όλα
- Επίσης
- εναλλακτικές λύσεις
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- an
- και
- Ανακοινώστε
- Ανακοίνωση
- Άλλος
- κάθε
- εμφανίζομαι
- Εφαρμογή
- εφαρμογές
- πλησιάζω
- προσεγγίσεις
- ΕΙΝΑΙ
- AS
- ανατεθεί
- At
- αυτομάτως
- διαθέσιμος
- μέσος
- AWS
- φόντο
- βασίζονται
- Baseline
- BE
- επειδή
- γίνονται
- ήταν
- Αρχή
- ανήκει
- μεταξύ
- Πέρα
- δισεκατομμύρια
- BIN
- by
- CAN
- δυνατότητες
- ικανότητα
- Καταγραφή
- ορισμένες
- προκλήσεις
- φορτία
- Διάγραμμα
- έλεγχος
- Επιλέξτε
- κωδικός
- Κοινός
- Επικοινωνία
- σύγκριση
- σύγκριση
- πλήρης
- Ολοκληρώθηκε το
- περίπλοκο
- Υπολογίστε
- διαμόρφωση
- συνδέει
- πρόξενος
- Εμπορευματοκιβώτια
- συμφραζόμενα
- Αντίστοιχος
- Κόστος
- Δικαστικά έξοδα
- μετρητές
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- δημιουργία
- Τη στιγμή
- έθιμο
- Πελάτες
- κυανό
- ταμπλό
- ημερομηνία
- επιστήμονας δεδομένων
- βαθύς
- βαθιά μάθηση
- ορίζεται
- παραδίδει
- παρατάσσω
- περιγράφεται
- λεπτομερής
- καθέκαστα
- συσκευή
- διαφορετικές
- διανέμονται
- κατανεμημένη εκπαίδευση
- διανομή
- διάφορα
- τομέα
- domains
- γίνεται
- κάτω
- αυτοκίνητο
- διάρκεια
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- Ανατολή
- αποτελεσματικός
- αποτελεσματικά
- ενεργοποιήσετε
- δίνει τη δυνατότητα
- τέλος
- από άκρη σε άκρη
- προσπάθειες
- τελειώνει
- εξασφαλίζω
- εισάγετε
- Ολόκληρος
- καταχώριση
- εποχή
- εποχές
- ουσιώδης
- Ευρώπη
- εκδηλώσεις
- εμφανές
- παράδειγμα
- εκτέλεση
- διερευνήσει
- Απέτυχε
- οικογένεια
- Χαρακτηριστικό
- χρηματοδότηση
- εύρεση
- ευρήματα
- φινίρισμα
- Όνομα
- ταιριάζουν
- Εξής
- εξής
- Για
- Προς τα εμπρός
- Πλαίσιο
- πλαισίων
- Δωρεάν
- δωρεάν δοκιμή
- από
- πλήρη
- λειτουργίες
- γενικά
- παράγουν
- παράγεται
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- Germany
- παίρνω
- Δίνοντας
- GPU
- GPU
- γραφική παράσταση
- Grow
- είχε
- υλικού
- Έχω
- he
- βοήθεια
- βοηθά
- αυτήν
- του
- οικοδεσπότης
- Πως
- Πώς να
- HTML
- http
- HTTPS
- i
- ICON
- Idle
- if
- εικόνα
- εφαρμογή
- εισαγωγή
- βελτίωση
- in
- περιλαμβάνει
- Συμπεριλαμβανομένου
- Αυξάνουν
- Ινδία
- υποδεικνύεται
- ατομικές
- ανεπαρκής
- πληροφορίες
- καινοτόμες
- είσοδοι
- ιδέες
- Έμπνευση
- παράδειγμα
- αντί
- οδηγίες
- ασφάλιση
- περιβάλλον λειτουργίας
- σε
- Ιρλανδία
- θέματα
- IT
- επανάληψη
- ΤΟΥ
- Δουλειά
- Θέσεις εργασίας
- jpg
- Κλειδί
- Ετικέτες
- προσγείωση
- Γλώσσα
- large
- ξεκινήσει
- ξεκινάει
- μάθηση
- μείον
- Επίπεδο
- Βιβλιοθήκη
- ζωή
- όρια
- γραμμές
- ΣΥΝΔΕΣΜΟΙ
- Λιστα
- φορτίο
- φόρτωση
- πλέον
- off
- αγαπά
- Χαμηλός
- μηχανή
- μάθηση μηχανής
- διευθυντής
- χειροκίνητα
- Μνήμη
- μέθοδος
- μέθοδοι
- μετρικός
- Metrics
- ελάχιστο
- ML
- μοντέλο
- μοντέλα
- τροποποιήσει
- ενότητες
- περισσότερο
- πρέπει
- όνομα
- και συγκεκριμένα
- Πλοήγηση
- Ανάγκη
- Νέα
- Όχι.
- κόμβος
- κόμβων
- αντικείμενο
- αποκτήσει
- λαμβάνεται
- of
- προσφορές
- Οχάιο
- on
- ONE
- αποκλειστικά
- ανοίξτε
- ανοικτού κώδικα
- ανοίγει
- λειτουργία
- λειτουργίες
- βελτιστοποίηση
- βελτιστοποιημένη
- Επιλογή
- or
- τάξη
- Όρεγκον
- επιχειρήσεις
- Οργανωμένος
- επί
- φόρμες
- δική
- σελίδα
- παράθυρο
- παράμετροι
- Ειδικότερα
- ιδιαίτερα
- παθιασμένος
- για
- ποσοστό
- επίδοση
- περίοδος
- δικαιώματα
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- ευχαριστημένος
- Σημείο
- Θέση
- Ακρίβεια
- Προετοιμάστε
- προαπαιτούμενα
- Προβολή
- προηγούμενος
- προηγουμένως
- προβλήματα
- επαγγελματίας
- Προφίλ ⬇️
- προφίλ
- προφίλ
- Πρόοδος
- σχέδιο
- παρέχει
- δημόσιο
- Python
- pytorch
- Γρήγορα
- ταχέως
- Τιμή
- Διάβασε
- μείωση
- περιοχές
- αναζωογόνηση
- σχέση
- αφαιρέστε
- απαιτούν
- πόρος
- Υποστηρικτικό υλικό
- αποτέλεσμα
- λιανική πώληση
- Αποκαλυφθε'ντα
- Αύξηση
- Ρόλος
- Roy
- τρέξιμο
- τρέξιμο
- τρέχει
- σοφός
- Αποθήκευση
- οικονομία
- επεκτάσιμη
- προγραμματιστεί
- Επιστήμονας
- Εφαρμογές
- SDK
- Αναζήτηση
- Δεύτερος
- Τμήμα
- τομέας
- προστατευμένο περιβάλλον
- δείτε
- Επιδιώκει
- επιλέγονται
- επιλογή
- αρχαιότερος
- Υπηρεσίες
- σειρά
- τον καθορισμό
- αυτή
- θα πρέπει να
- παρουσιάζεται
- Δείχνει
- ενιαίας
- Μέγεθος
- small
- μικρότερος
- Λύσεις
- Πηγή
- ένταση
- ειδικός
- ειδικευμένη
- συγκεκριμένες
- δαπανήσει
- πέρασε
- Εκκίνηση
- ξεκίνησε
- Startups
- state-of-the-art
- στατιστικός
- Κατάσταση
- Βήμα
- Βήματα
- σταμάτησε
- στάθμευση
- χώρος στο δίσκο
- μετάδοση
- δομή
- υποβάλλονται
- τέτοιος
- ΠΕΡΙΛΗΨΗ
- υποστηριζόνται!
- συγχρονισμός
- τραπέζι
- επειξειργασμένος από ραπτήν
- Πάρτε
- tensorflow
- από
- ότι
- Η
- τους
- Τους
- Εκεί.
- εκ τούτου
- επομένως
- Αυτοί
- αυτό
- Μέσω
- παντού
- κερκίδα
- ώρα
- χρονοδιάγραμμα
- χρονοδιαγράμματα
- φορές
- προς την
- κορυφή
- τροχιά
- Παρακολούθηση
- Τρένο
- Εκπαίδευση
- μεταφορά
- Ταξιδεύει
- δέντρο
- δίκη
- τρισεκατομμύρια
- δύο
- τύποι
- συνήθως
- ui
- τελικά
- κατανόηση
- us
- χρήση
- μεταχειρισμένος
- Χρήστες
- Διεπαφής χρήστη
- Χρήστες
- χρησιμοποιώντας
- διάφορα
- εκδοχή
- εκδόσεις
- Δες
- Βιργινία
- vs
- θέλω
- ήταν
- we
- ιστός
- διαδικτυακές υπηρεσίες
- δυτικά
- πότε
- Ποιό
- ενώ
- θα
- με
- χωρίς
- λειτουργεί
- παγκόσμιος
- θα
- τυλίξτε
- Εσείς
- Σας
- zephyrnet
- ζουμ