Amazon Sage Maker είναι μια πλήρως διαχειριζόμενη υπηρεσία που επιτρέπει στους προγραμματιστές και τους επιστήμονες δεδομένων να δημιουργούν, εκπαιδεύουν και αναπτύσσουν γρήγορα και αβίαστα μοντέλα μηχανικής μάθησης (ML) σε οποιαδήποτε κλίμακα. Το SageMaker καθιστά εύκολη την ανάπτυξη μοντέλων στην παραγωγή απευθείας μέσω κλήσεων API στην υπηρεσία. Τα μοντέλα συσκευάζονται σε δοχεία για στιβαρές και επεκτάσιμες αναπτύξεις. Παρόλο που παρέχει διάφορα σημεία εισόδου όπως το SageMaker Python SDK, τα AWS SDK, την κονσόλα SageMaker και Στούντιο Amazon SageMaker φορητοί υπολογιστές για την απλοποίηση της διαδικασίας εκπαίδευσης και ανάπτυξης μοντέλων ML σε κλίμακα, οι πελάτες εξακολουθούν να αναζητούν καλύτερους τρόπους για να αναπτύξουν τα μοντέλα τους για δοκιμές παιδικής χαράς και να βελτιστοποιήσουν την ανάπτυξη της παραγωγής.
Παρουσιάζουμε δύο νέους τρόπους για να απλοποιήσουμε τη διαδικασία συσκευασίας και ανάπτυξης μοντέλων χρησιμοποιώντας το SageMaker.
Σε αυτήν την ανάρτηση, παρουσιάζουμε το νέο SageMaker Python SDK ModelBuilder
εμπειρία, η οποία στοχεύει στην ελαχιστοποίηση της καμπύλης μάθησης για νέους χρήστες του SageMaker, όπως οι επιστήμονες δεδομένων, ενώ βοηθά επίσης έμπειρους μηχανικούς MLOps να μεγιστοποιήσουν τη χρήση των υπηρεσιών φιλοξενίας SageMaker. Μειώνει την πολυπλοκότητα της αρχικής εγκατάστασης και ανάπτυξης και παρέχοντας καθοδήγηση σχετικά με τις βέλτιστες πρακτικές για την αξιοποίηση όλων των δυνατοτήτων του SageMaker. Παρέχουμε λεπτομερείς πληροφορίες και παραδείγματα GitHub για αυτήν τη νέα δυνατότητα του SageMaker.
Η άλλη νέα κυκλοφορία είναι η χρήση της νέας διαδραστικής εμπειρίας ανάπτυξης στο SageMaker Studio. Το συζητάμε στο Μέρος 2.
Η ανάπτυξη μοντέλων σε ένα τελικό σημείο SageMaker συνεπάγεται μια σειρά βημάτων για να ετοιμαστεί το μοντέλο για φιλοξενία σε ένα τελικό σημείο SageMaker. Αυτό περιλαμβάνει τη λήψη των τεχνουργημάτων του μοντέλου στη σωστή μορφή και δομή, τη δημιουργία κώδικα συμπερασμάτων και τον καθορισμό βασικών λεπτομερειών όπως η διεύθυνση URL της εικόνας του μοντέλου, Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) τοποθεσία των τεχνουργημάτων μοντέλων, βήματα σειριοποίησης και αποσειροποίησης και απαραίτητα Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) ρόλους για τη διευκόλυνση των κατάλληλων αδειών πρόσβασης. Μετά από αυτό, μια διαμόρφωση τελικού σημείου απαιτεί τον προσδιορισμό του τύπου συμπερασμάτων και τη διαμόρφωση αντίστοιχων παραμέτρων όπως οι τύποι παρουσιών, οι μετρήσεις και η κατανομή κίνησης μεταξύ των παραλλαγών του μοντέλου.
Για να βοηθήσουμε περαιτέρω τους πελάτες μας όταν χρησιμοποιούν τη φιλοξενία SageMaker, παρουσιάσαμε τη νέα ModelBuilder
κλάση στο SageMaker Python SDK, το οποίο φέρνει τα ακόλουθα βασικά οφέλη κατά την ανάπτυξη μοντέλων στα τελικά σημεία του SageMaker:
- Ενοποιεί την εμπειρία ανάπτυξης σε διάφορα πλαίσια – Η νέα εμπειρία παρέχει μια συνεπή ροή εργασίας για την ανάπτυξη μοντέλων που έχουν κατασκευαστεί με χρήση διαφορετικών πλαισίων όπως τα PyTorch, TensorFlow και XGBoost. Αυτό απλοποιεί τη διαδικασία ανάπτυξης.
- Αυτοματοποιεί την ανάπτυξη του μοντέλου – Εργασίες όπως η επιλογή των κατάλληλων κοντέινερ, η καταγραφή εξαρτήσεων και ο χειρισμός της σειριοποίησης/αποσειριοποίησης είναι αυτοματοποιημένες, μειώνοντας τη μη αυτόματη προσπάθεια που απαιτείται για την ανάπτυξη.
- Παρέχει ομαλή μετάβαση από το τοπικό στο φιλοξενούμενο τελικό σημείο του SageMaker – Με ελάχιστες αλλαγές κώδικα, τα μοντέλα μπορούν εύκολα να μεταβούν από την τοπική δοκιμή στην ανάπτυξη σε ένα τελικό σημείο του SageMaker. Τα ζωντανά αρχεία καταγραφής κάνουν τον εντοπισμό σφαλμάτων απρόσκοπτη.
Συνολικά, SageMaker ModelBuilder
απλοποιεί και εκσυγχρονίζει τη διαδικασία συσκευασίας μοντέλων για τα συμπεράσματα του SageMaker με το χειρισμό λεπτομερειών χαμηλού επιπέδου και παρέχει εργαλεία για δοκιμή, επικύρωση και βελτιστοποίηση των τελικών σημείων. Αυτό βελτιώνει την παραγωγικότητα των προγραμματιστών και μειώνει τα σφάλματα.
Στις επόμενες ενότητες, εμβαθύνουμε στις λεπτομέρειες αυτής της νέας δυνατότητας. Συζητούμε επίσης πώς να αναπτύξετε μοντέλα στη φιλοξενία SageMaker χρησιμοποιώντας ModelBuilder
, που απλοποιεί τη διαδικασία. Στη συνέχεια, σας καθοδηγούμε σε μερικά παραδείγματα για διαφορετικά πλαίσια για την ανάπτυξη τόσο των παραδοσιακών μοντέλων ML όσο και των μοντέλων θεμελίωσης που χρησιμοποιούν θήκες παραγωγής τεχνητής νοημοσύνης.
Γνωριμία με το SageMaker ModelBuilder
Το νέο ModelBuilder
είναι μια κλάση Python που επικεντρώνεται στη λήψη μοντέλων ML που έχουν δημιουργηθεί χρησιμοποιώντας πλαίσια, όπως το XGBoost ή το PyTorch, και στη μετατροπή τους σε μοντέλα που είναι έτοιμα για ανάπτυξη στο SageMaker. ModelBuilder
παρέχει ένα build()
λειτουργία, η οποία δημιουργεί τα τεχνουργήματα σύμφωνα με τον διακομιστή μοντέλου, και α deploy()
λειτουργία για ανάπτυξη τοπικά ή σε τελικό σημείο SageMaker. Η εισαγωγή αυτής της δυνατότητας απλοποιεί την ενοποίηση των μοντέλων με το περιβάλλον SageMaker, βελτιστοποιώντας τα για απόδοση και επεκτασιμότητα. Το παρακάτω διάγραμμα δείχνει πώς ModelBuilder
λειτουργεί σε υψηλό επίπεδο.
Κατηγορία ModelBuilder
Η ModelBuilder class παρέχει διαφορετικές επιλογές για προσαρμογή. Ωστόσο, για να αναπτύξει το μοντέλο πλαισίου, ο κατασκευαστής μοντέλων αναμένει απλώς το μοντέλο, την είσοδο, την έξοδο και τον ρόλο:
SchemaBuilder
Η SchemaBuilder class σάς δίνει τη δυνατότητα να ορίσετε την είσοδο και την έξοδο για το τελικό σημείο σας. Επιτρέπει στο πρόγραμμα δημιουργίας σχημάτων να δημιουργήσει τις αντίστοιχες συναρτήσεις ομαδοποίησης για σειριοποίηση και αποσειροποίηση της εισόδου και της εξόδου. Το ακόλουθο αρχείο κλάσης παρέχει όλες τις επιλογές για προσαρμογή:
Ωστόσο, στις περισσότερες περιπτώσεις, μόνο δείγμα εισόδου και εξόδου θα λειτουργούσε. Για παράδειγμα:
Παρέχοντας δείγματα εισόδου και εξόδου, SchemaBuilder
μπορεί να καθορίσει αυτόματα τους απαραίτητους μετασχηματισμούς, καθιστώντας τη διαδικασία ολοκλήρωσης πιο απλή. Για πιο προηγμένες περιπτώσεις χρήσης, υπάρχει ευελιξία για την παροχή προσαρμοσμένων λειτουργιών μετάφρασης τόσο για την είσοδο όσο και για την έξοδο, διασφαλίζοντας ότι οι πιο σύνθετες δομές δεδομένων μπορούν επίσης να αντιμετωπιστούν αποτελεσματικά. Αυτό το αποδεικνύουμε στις επόμενες ενότητες αναπτύσσοντας διαφορετικά μοντέλα με διάφορα πλαίσια χρησιμοποιώντας ModelBuilder
.
Εμπειρία τοπικής λειτουργίας
Σε αυτό το παράδειγμα, χρησιμοποιούμε ModelBuilder
για την ανάπτυξη του μοντέλου XGBoost τοπικά. Μπορείτε να χρησιμοποιήσετε τη λειτουργία για εναλλαγή μεταξύ τοπικής δοκιμής και ανάπτυξης σε τελικό σημείο του SageMaker. Αρχικά εκπαιδεύουμε το μοντέλο XGBoost (τοπικά ή στο SageMaker) και αποθηκεύουμε τα τεχνουργήματα του μοντέλου στον κατάλογο εργασίας:
Στη συνέχεια δημιουργούμε ένα αντικείμενο ModelBuilder περνώντας το πραγματικό αντικείμενο μοντέλου, το SchemaBuilder
που χρησιμοποιεί τα δείγματα δοκιμαστικών αντικειμένων εισόδου και εξόδου (την ίδια είσοδο και έξοδο που χρησιμοποιήσαμε κατά την εκπαίδευση και τη δοκιμή του μοντέλου) για να συναγάγει τη σειριοποίηση που απαιτείται. Σημειώστε ότι χρησιμοποιούμε Mode.LOCAL_CONTAINER
για να καθορίσετε μια τοπική ανάπτυξη. Μετά από αυτό, καλούμε το χτίζω λειτουργία για αυτόματη αναγνώριση της υποστηριζόμενης εικόνας κοντέινερ πλαισίου καθώς και σάρωση για εξαρτήσεις. Δείτε τον παρακάτω κώδικα:
Τέλος, μπορούμε να καλέσουμε το deploy
λειτουργία στο αντικείμενο μοντέλου, το οποίο παρέχει επίσης ζωντανή καταγραφή για ευκολότερο εντοπισμό σφαλμάτων. Δεν χρειάζεται να καθορίσετε τον τύπο παρουσίας ή τον αριθμό, επειδή το μοντέλο θα αναπτυχθεί τοπικά. Εάν παρείχατε αυτές τις παραμέτρους, θα αγνοηθούν. Αυτή η συνάρτηση θα επιστρέψει το αντικείμενο πρόβλεψης που μπορούμε να χρησιμοποιήσουμε για να κάνουμε πρόβλεψη με τα δεδομένα δοκιμής:
Προαιρετικά, μπορείτε επίσης να ελέγξετε τη φόρτωση του μοντέλου και την προεπεξεργασία και τη μετεπεξεργασία χρησιμοποιώντας InferenceSpec
. Παρέχουμε περισσότερες λεπτομέρειες αργότερα σε αυτήν την ανάρτηση. Χρησιμοποιώντας LOCAL_CONTAINER
είναι ένας πολύ καλός τρόπος για να δοκιμάσετε το σενάριό σας τοπικά πριν από την ανάπτυξη σε ένα τελικό σημείο του SageMaker.
Αναφέρομαι στο model-builder-xgboost.ipynb παράδειγμα για να δοκιμάσετε την ανάπτυξη τόσο τοπικά όσο και σε τελικό σημείο SageMaker χρησιμοποιώντας ModelBuilder
.
Αναπτύξτε παραδοσιακά μοντέλα στα τελικά σημεία του SageMaker
Στα ακόλουθα παραδείγματα, παρουσιάζουμε τον τρόπο χρήσης ModelBuilder
για την ανάπτυξη παραδοσιακών μοντέλων ML.
Μοντέλα XGBoost
Όπως και στην προηγούμενη ενότητα, μπορείτε να αναπτύξετε ένα μοντέλο XGBoost σε ένα τελικό σημείο του SageMaker αλλάζοντας το mode
παράμετρος κατά τη δημιουργία του ModelBuilder
αντικείμενο:
Σημειώστε ότι κατά την ανάπτυξη στα τελικά σημεία του SageMaker, πρέπει να καθορίσετε τον τύπο και τον αριθμό παρουσιών κατά την κλήση του deploy
λειτουργία.
Αναφέρομαι στο model-builder-xgboost.ipynb παράδειγμα για την ανάπτυξη ενός μοντέλου XGBoost.
Μοντέλα Triton
Μπορείς να χρησιμοποιήσεις ModelBuilder
για την προβολή μοντέλων PyTorch Διακομιστής Triton Inference. Για αυτό, πρέπει να καθορίσετε το model_server
παράμετρος ως ModelServer.TRITON
, περάστε ένα μοντέλο, και έχετε ένα SchemaBuilder
αντικείμενο, το οποίο απαιτεί εισόδους και εξόδους δειγμάτων από το μοντέλο. Το ModelBuilder θα φροντίσει τα υπόλοιπα για εσάς.
Αναφέρομαι σε model-builder-triton.ipynb να αναπτύξει ένα μοντέλο με τον Τρίτωνα.
Μοντέλα Hugging Face
Σε αυτό το παράδειγμα, σας δείχνουμε πώς να αναπτύξετε ένα προεκπαιδευμένο μοντέλο μετασχηματιστή που παρέχεται από το Hugging Face στο SageMaker. Θέλουμε να χρησιμοποιήσουμε το Πρόσωπο αγκαλιάς pipeline
για να φορτώσετε το μοντέλο, οπότε δημιουργούμε μια προσαρμοσμένη προδιαγραφή συμπερασμάτων για ModelBuilder
:
Ορίζουμε επίσης την είσοδο και την έξοδο του φόρτου εργασίας συμπερασμάτων ορίζοντας το SchemaBuilder
αντικείμενο με βάση την είσοδο και την έξοδο του μοντέλου:
Στη συνέχεια δημιουργούμε το ModelBuilder
αντικείμενο και αναπτύξτε το μοντέλο σε ένα τελικό σημείο του SageMaker ακολουθώντας την ίδια λογική όπως φαίνεται στο άλλο παράδειγμα:
Αναφέρομαι σε model-builder-huggingface.ipynb για την ανάπτυξη ενός μοντέλου αγωγού Hugging Face.
Αναπτύξτε μοντέλα θεμελίωσης στα τελικά σημεία του SageMaker
Στα ακόλουθα παραδείγματα, παρουσιάζουμε τον τρόπο χρήσης ModelBuilder
για την ανάπτυξη μοντέλων θεμελίωσης. Ακριβώς όπως τα μοντέλα που αναφέρθηκαν προηγουμένως, το μόνο που απαιτείται είναι το αναγνωριστικό μοντέλου.
Humbing Face Hub
Εάν θέλετε να αναπτύξετε ένα μοντέλο θεμελίωσης από Humbing Face Hub, το μόνο που χρειάζεται να κάνετε είναι να περάσετε το προεκπαιδευμένο αναγνωριστικό μοντέλου. Για παράδειγμα, το ακόλουθο απόσπασμα κώδικα αναπτύσσει το meta-llama/Llama-2-7b-hf μοντέλο τοπικά. Μπορείτε να αλλάξετε τη λειτουργία σε Mode.SAGEMAKER_ENDPOINT
για ανάπτυξη στα τελικά σημεία του SageMaker.
Για μοντέλα με πύλη στο Hugging Face Hub, πρέπει να ζητήσετε πρόσβαση μέσω Hugging Face Hub και να χρησιμοποιήσετε το σχετικό κλειδί περνώντας το ως μεταβλητή περιβάλλοντος HUGGING_FACE_HUB_TOKEN
. Ορισμένα μοντέλα Hugging Face ενδέχεται να απαιτούν απομακρυσμένο κωδικό εμπιστοσύνης. Μπορεί να οριστεί και ως μεταβλητή περιβάλλοντος χρησιμοποιώντας HF_TRUST_REMOTE_CODE
. Από προεπιλογή, ModelBuilder
θα χρησιμοποιήσει ένα συμπέρασμα δημιουργίας κειμένου Hugging Face (TGI) δοχείο ως το υποκείμενο δοχείο για μοντέλα Hugging Face. Εάν θέλετε να χρησιμοποιήσετε το AWS Large Model Inference (LMI) δοχεία, μπορείτε να ρυθμίσετε το model_server
παράμετρος ως ModelServer.DJL_SERVING
όταν ρυθμίζετε τις παραμέτρους του ModelBuilder
αντικείμενο.
Ένα προσεγμένο χαρακτηριστικό του ModelBuilder
είναι η δυνατότητα εκτέλεσης τοπικού συντονισμού των παραμέτρων του κοντέινερ όταν χρησιμοποιείτε LOCAL_CONTAINER
τρόπος. Αυτή η δυνατότητα μπορεί να χρησιμοποιηθεί με απλή εκτέλεση tuned_model = model.tune()
.
Αναφέρομαι σε demo-model-builder-huggingface-llama2.ipynb για την ανάπτυξη ενός μοντέλου Hugging Face Hub.
SageMaker JumpStart
Amazon SageMaker JumpStart προσφέρει επίσης μια σειρά από προεκπαιδευμένα μοντέλα θεμελίωσης. Ακριβώς όπως η διαδικασία ανάπτυξης ενός μοντέλου από το Hugging Face Hub, απαιτείται το αναγνωριστικό μοντέλου. Η ανάπτυξη ενός μοντέλου SageMaker JumpStart σε ένα τελικό σημείο του SageMaker είναι τόσο απλή όσο η εκτέλεση του παρακάτω κώδικα:
Για όλα τα διαθέσιμα αναγνωριστικά μοντέλων SageMaker JumpStart, ανατρέξτε στο Ενσωματωμένοι αλγόριθμοι με προεκπαιδευμένο πίνακα μοντέλων. Αναφέρομαι σε model-builder-jumpstart-falcon.ipynb για να αναπτύξετε ένα μοντέλο SageMaker JumpStart.
Συνιστώσα συμπερασμάτων
ModelBulder
σας επιτρέπει να χρησιμοποιήσετε τη νέα δυνατότητα συνιστώσας συμπερασμάτων στο SageMaker για την ανάπτυξη μοντέλων. Για περισσότερες πληροφορίες σχετικά με τα στοιχεία συμπερασμάτων, βλ Μειώστε το κόστος ανάπτυξης μοντέλου κατά 50% κατά μέσο όρο, χρησιμοποιώντας τις πιο πρόσφατες δυνατότητες του SageMaker. Μπορείτε να χρησιμοποιήσετε στοιχεία συμπερασμάτων για ανάπτυξη με ModelBuilder
διευκρινίζοντας endpoint_type=EndpointType.INFERENCE_COMPONENT_BASED
στο deploy()
μέθοδος. Μπορείτε επίσης να χρησιμοποιήσετε το tune()
μέθοδος, η οποία φέρνει τον βέλτιστο αριθμό επιταχυντών και τροποποιήστε τον εάν απαιτείται.
Αναφέρομαι σε model-builder-inference-component.ipynb για την ανάπτυξη ενός μοντέλου ως συνιστώσα συμπερασμάτων.
Προσαρμόστε την κλάση ModelBuilder
Η ModelBuilder
class σάς επιτρέπει να προσαρμόσετε τη φόρτωση του μοντέλου χρησιμοποιώντας InferenceSpec
.
Επιπλέον, μπορείτε να ελέγξετε τη σειριοποίηση και την αποσειριοποίηση ωφέλιμου φορτίου και απόκρισης και να προσαρμόσετε την προεπεξεργασία και τη μεταεπεξεργασία χρησιμοποιώντας CustomPayloadTranslator
. Επιπλέον, όταν πρέπει να επεκτείνετε τα προκατασκευασμένα κοντέινερ μας για ανάπτυξη μοντέλων στο SageMaker, μπορείτε να χρησιμοποιήσετε ModelBuilder
να χειριστεί τη διαδικασία συσκευασίας του μοντέλου. Σε αυτήν την ενότητα που ακολουθεί, παρέχουμε περισσότερες λεπτομέρειες σχετικά με αυτές τις δυνατότητες.
InferenceSpec
InferenceSpec προσφέρει ένα επιπλέον επίπεδο προσαρμογής. Σας επιτρέπει να ορίσετε πώς φορτώνεται το μοντέλο και πώς θα χειρίζεται τα εισερχόμενα αιτήματα συμπερασμάτων. Διά μέσου InferenceSpec
, μπορείτε να ορίσετε προσαρμοσμένες διαδικασίες φόρτωσης για τα μοντέλα σας, παρακάμπτοντας τους προεπιλεγμένους μηχανισμούς φόρτωσης. Αυτή η ευελιξία είναι ιδιαίτερα ωφέλιμη όταν εργάζεστε με μη τυποποιημένα μοντέλα ή προσαρμοσμένους αγωγούς συμπερασμάτων. Η μέθοδος επίκλησης μπορεί να προσαρμοστεί, παρέχοντάς σας τη δυνατότητα να προσαρμόσετε τον τρόπο με τον οποίο το μοντέλο επεξεργάζεται τα εισερχόμενα αιτήματα (προεπεξεργασία και μεταεπεξεργασία). Αυτή η προσαρμογή μπορεί να είναι απαραίτητη για να διασφαλιστεί ότι η διαδικασία εξαγωγής συμπερασμάτων ευθυγραμμίζεται με τις συγκεκριμένες ανάγκες του μοντέλου. Δείτε τον παρακάτω κώδικα:
Ο παρακάτω κώδικας δείχνει ένα παράδειγμα χρήσης αυτής της κλάσης:
CustomPayloadTranslator
Κατά την επίκληση τελικών σημείων SageMaker, τα δεδομένα αποστέλλονται μέσω ωφέλιμων φορτίων HTTP με διαφορετικούς τύπους MIME. Για παράδειγμα, μια εικόνα που αποστέλλεται στο τελικό σημείο για συμπέρασμα πρέπει να μετατραπεί σε byte στην πλευρά του πελάτη και να σταλεί μέσω του ωφέλιμου φορτίου HTTP στο τελικό σημείο. Όταν το τελικό σημείο λαμβάνει το ωφέλιμο φορτίο, πρέπει να αποσειριοποιήσει τη συμβολοσειρά byte πίσω στον τύπο δεδομένων που αναμένεται από το μοντέλο (επίσης γνωστός ως deserialization από την πλευρά του διακομιστή). Αφού το μοντέλο ολοκληρώσει την πρόβλεψη, τα αποτελέσματα πρέπει να σειριοποιηθούν σε byte που μπορούν να σταλούν πίσω μέσω του ωφέλιμου φορτίου HTTP στον χρήστη ή τον πελάτη. Όταν ο υπολογιστής-πελάτης λαμβάνει τα δεδομένα byte απόκρισης, πρέπει να εκτελέσει αποσειριοποίηση από την πλευρά του πελάτη για να μετατρέψει τα δεδομένα byte στην αναμενόμενη μορφή δεδομένων, όπως το JSON. Στο ελάχιστο, πρέπει να μετατρέψετε τα δεδομένα για τα ακόλουθα (όπως αριθμούνται στο παρακάτω διάγραμμα):
- Σειριοποίηση αιτήματος συμπερασμάτων (τον χειρίζεται ο πελάτης)
- Απαριθμοποίηση αιτήματος συμπερασμάτων (τον χειρίζεται ο διακομιστής ή ο αλγόριθμος)
- Επίκληση του μοντέλου έναντι του ωφέλιμου φορτίου
- Αποστολή ωφέλιμου φορτίου απάντησης
- Σειριοποίηση απόκρισης συμπερασμάτων (τον χειρίζεται ο διακομιστής ή ο αλγόριθμος)
- Αποκεντροποίηση απόκρισης συμπερασμάτων (τον χειρίζεται ο πελάτης)
Το παρακάτω διάγραμμα δείχνει τη διαδικασία σειριοποίησης και αποσειριοποίησης κατά τη διαδικασία επίκλησης.
Στο παρακάτω απόσπασμα κώδικα, δείχνουμε ένα παράδειγμα CustomPayloadTranslator
όταν απαιτείται πρόσθετη προσαρμογή για τον χειρισμό τόσο της σειριοποίησης όσο και της αποσειριοποίησης στην πλευρά του πελάτη και του διακομιστή, αντίστοιχα:
Στο demo-model-builder-pytorch.ipynb σημειωματάριο, δείχνουμε πώς να αναπτύξετε εύκολα ένα μοντέλο PyTorch σε ένα τελικό σημείο SageMaker χρησιμοποιώντας ModelBuilder
με CustomPayloadTranslator
και την InferenceSpec
τάξη.
Μοντέλο σκηνής για ανάπτυξη
Εάν θέλετε να τοποθετήσετε το μοντέλο για συμπέρασμα ή στο μητρώο μοντέλου, μπορείτε να το χρησιμοποιήσετε model.create()
or model.register()
. Το ενεργοποιημένο μοντέλο δημιουργείται στην υπηρεσία και, στη συνέχεια, μπορείτε να το αναπτύξετε αργότερα. Δείτε τον παρακάτω κώδικα:
Χρησιμοποιήστε προσαρμοσμένα δοχεία
Το SageMaker παρέχει προκατασκευασμένες εικόνες Docker για τους ενσωματωμένους αλγορίθμους και τα υποστηριζόμενα πλαίσια βαθιάς μάθησης που χρησιμοποιούνται για εκπαίδευση και εξαγωγή συμπερασμάτων. Εάν ένα προκατασκευασμένο κοντέινερ SageMaker δεν πληροί όλες τις απαιτήσεις σας, μπορείτε να επεκτείνετε την υπάρχουσα εικόνα για να ικανοποιήσει τις ανάγκες σας. Επεκτείνοντας μια προκατασκευασμένη εικόνα, μπορείτε να χρησιμοποιήσετε τις συμπεριλαμβανόμενες βιβλιοθήκες και ρυθμίσεις βαθιάς εκμάθησης χωρίς να χρειάζεται να δημιουργήσετε μια εικόνα από την αρχή. Για περισσότερες λεπτομέρειες σχετικά με τον τρόπο επέκτασης των προκατασκευασμένων κοντέινερ, ανατρέξτε στο έγγραφο SageMaker. ModelBuilder
υποστηρίζει περιπτώσεις χρήσης όταν φέρνετε τα δικά σας κοντέινερ που επεκτείνονται από τα προκατασκευασμένα δοχεία Docker μας.
Για να χρησιμοποιήσετε τη δική σας εικόνα κοντέινερ σε αυτήν την περίπτωση, πρέπει να ορίσετε τα πεδία image_uri
και model_server
κατά τον καθορισμό ModelBuilder
:
Εδώ, το image_uri
θα είναι η εικόνα κοντέινερ ARN που είναι αποθηκευμένη στον λογαριασμό σας Μητρώο εμπορευματοκιβωτίων Amazon Elastic (Amazon ECR) αποθετήριο. Ένα παράδειγμα παρουσιάζεται ως εξής:
Όταν ο image_uri
ορίζεται, κατά τη διάρκεια της ModelBuilder
διαδικασία κατασκευής, θα παραλείψει την αυτόματη ανίχνευση της εικόνας καθώς παρέχεται το URI εικόνας. Αν model_server
δεν έχει οριστεί στο ModelBuilder, θα λάβετε ένα μήνυμα σφάλματος επικύρωσης, για παράδειγμα:
Από τη δημοσίευση αυτής της ανάρτησης, ModelBuilder
υποστηρίζει να φέρετε τα δικά σας δοχεία που επεκτείνονται από το δικό μας προκατασκευασμένες εικόνες κοντέινερ DLC ή κοντέινερ που έχουν κατασκευαστεί με τους διακομιστές μοντέλων όπως Βιβλιοθήκη Deep Java (DJL), Συμπεράσματα δημιουργίας κειμένου (TGI), TorchServe, να Διακομιστής συμπερασμάτων Triton.
Προσαρμοσμένες εξαρτήσεις
Κατά τη λειτουργία ModelBuilder.build()
, από προεπιλογή καταγράφει αυτόματα το περιβάλλον Python σας σε α requirements.txt
αρχείο και εγκαθιστά την ίδια εξάρτηση στο κοντέινερ. Ωστόσο, μερικές φορές το τοπικό σας περιβάλλον Python θα έρχεται σε διένεξη με το περιβάλλον στο κοντέινερ. ModelBuilder
παρέχει έναν απλό τρόπο για να τροποποιήσετε τις καταγεγραμμένες εξαρτήσεις για να διορθώσετε τέτοιες διενέξεις εξαρτήσεων, επιτρέποντάς σας να παρέχετε τις προσαρμοσμένες διαμορφώσεις σας σε ModelBuilder
. Σημειώστε ότι αυτό είναι μόνο για TorchServe και Triton with InferenceSpec
. Για παράδειγμα, μπορείτε να καθορίσετε τις εξαρτήσεις των παραμέτρων εισόδου, που είναι ένα λεξικό Python, στο ModelBuilder ως εξής:
Ορίζουμε τα ακόλουθα πεδία:
- αυτόματη – Εάν θα προσπαθήσετε να καταγράψετε αυτόματα τις εξαρτήσεις στο περιβάλλον σας.
- απαιτήσεις – Μια σειρά από το μονοπάτι προς το δικό σας
requirements.txt
αρχείο. (Αυτό είναι προαιρετικό.) - έθιμο – Μια λίστα με τυχόν άλλες προσαρμοσμένες εξαρτήσεις που θέλετε να προσθέσετε ή να τροποποιήσετε. (Αυτό είναι προαιρετικό.)
Εάν η ίδια ενότητα έχει καθοριστεί σε πολλά σημεία, custom
θα έχει ύψιστη προτεραιότητα requirements
, να auto
θα έχει τη χαμηλότερη προτεραιότητα. Για παράδειγμα, ας πούμε ότι κατά την αυτόματη ανίχνευση, ModelBuilder
ανιχνεύει numpy==1.25
, και ένα requirements.txt
παρέχεται αρχείο που καθορίζει numpy>=1.24,<1.26
. Επιπλέον, υπάρχει μια προσαρμοσμένη εξάρτηση: custom = ["numpy==1.26.1"]
. Σε αυτήν την περίπτωση, numpy==1.26.1
θα επιλεγεί όταν εγκαταστήσουμε εξαρτήσεις στο κοντέινερ.
εκκαθάριση
Όταν ολοκληρώσετε τη δοκιμή των μοντέλων, ως βέλτιστη πρακτική, διαγράψτε το τελικό σημείο για να εξοικονομήσετε κόστος εάν το τελικό σημείο δεν απαιτείται πλέον. Μπορείτε να ακολουθήσετε το εκκαθάριση ενότητα σε κάθε ένα από τα δοκιμαστικά σημειωματάρια ή χρησιμοποιήστε τον ακόλουθο κώδικα για να διαγράψετε το μοντέλο και το τελικό σημείο που δημιουργήθηκε από την επίδειξη:
Συμπέρασμα
Η νέα δυνατότητα SageMaker ModelBuilder απλοποιεί τη διαδικασία ανάπτυξης μοντέλων ML στην παραγωγή στο SageMaker. Χειριζόμενος πολλές από τις περίπλοκες λεπτομέρειες στα παρασκήνια, το ModelBuilder μειώνει την καμπύλη εκμάθησης για νέους χρήστες και μεγιστοποιεί τη χρήση για έμπειρους χρήστες. Με λίγες μόνο γραμμές κώδικα, μπορείτε να αναπτύξετε μοντέλα με ενσωματωμένα πλαίσια όπως τα XGBoost, PyTorch, Triton και Hugging Face, καθώς και μοντέλα που παρέχονται από το SageMaker JumpStart σε ισχυρά, κλιμακούμενα τελικά σημεία στο SageMaker.
Ενθαρρύνουμε όλους τους χρήστες του SageMaker να δοκιμάσουν αυτή τη νέα δυνατότητα ανατρέχοντας στο ModelBuilder σελίδα τεκμηρίωσης. Το ModelBuilder είναι τώρα διαθέσιμο σε όλους τους χρήστες του SageMaker χωρίς επιπλέον χρέωση. Επωφεληθείτε από αυτήν την απλοποιημένη ροή εργασίας για να αναπτύξετε τα μοντέλα σας πιο γρήγορα. Ανυπομονούμε να ακούσουμε πώς το ModelBuilder επιταχύνει τον κύκλο ζωής ανάπτυξης του μοντέλου σας!
Ιδιαίτερες ευχαριστίες στους Sirisha Upadhyayala, Raymond Liu, Gary Wang, Dhawal Patel, Deepak Garg και Ram Vegiraju.
Σχετικά με τους συγγραφείς
Μέλανι Λι, PhD, είναι Senior AI/ML Specialist TAM στο AWS με έδρα το Σίδνεϊ της Αυστραλίας. Βοηθά τους εταιρικούς πελάτες να δημιουργήσουν λύσεις χρησιμοποιώντας υπερσύγχρονα εργαλεία AI/ML στο AWS και παρέχει καθοδήγηση σχετικά με την αρχιτεκτονική και την εφαρμογή λύσεων ML με βέλτιστες πρακτικές. Στον ελεύθερο χρόνο της, της αρέσει να εξερευνά τη φύση και να περνά χρόνο με την οικογένεια και τους φίλους της.
Μαρκ Καρπ είναι αρχιτέκτονας ML με την ομάδα του Amazon SageMaker Service. Επικεντρώνεται στο να βοηθά τους πελάτες να σχεδιάζουν, να αναπτύσσουν και να διαχειρίζονται φόρτους εργασίας ML σε κλίμακα. Στον ελεύθερο χρόνο του, του αρέσει να ταξιδεύει και να εξερευνά νέα μέρη.
Σαμ Έντουαρντς, είναι Μηχανικός Cloud (AI/ML) στην AWS Sydney που ειδικεύεται στη μηχανική μάθηση και στο Amazon SageMaker. Είναι παθιασμένος με το να βοηθά τους πελάτες να επιλύουν ζητήματα που σχετίζονται με τις ροές εργασιών μηχανικής εκμάθησης και να δημιουργεί νέες λύσεις για αυτούς. Εκτός δουλειάς, του αρέσει να παίζει ρακέτες και να ταξιδεύει.
Raghu Ramesha είναι Senior ML Solutions Architect με την ομάδα του Amazon SageMaker Service. Επικεντρώνεται στο να βοηθά τους πελάτες να δημιουργήσουν, να αναπτύξουν και να μεταφέρουν φόρτους εργασίας παραγωγής ML στο SageMaker σε κλίμακα. Ειδικεύεται σε τομείς μηχανικής μάθησης, τεχνητής νοημοσύνης και όρασης υπολογιστών και είναι κάτοχος μεταπτυχιακού τίτλου στην Επιστήμη Υπολογιστών από το UT Dallas. Στον ελεύθερο χρόνο του, του αρέσουν τα ταξίδια και η φωτογραφία.
Shiva Raaj Kotini εργάζεται ως κύριος διευθυντής προϊόντων στο χαρτοφυλάκιο προϊόντων συμπερασμάτων Amazon SageMaker. Εστιάζει στην ανάπτυξη μοντέλων, τη ρύθμιση απόδοσης και τη βελτιστοποίηση στο SageMaker για συμπεράσματα.
Μοχάν Γκάντι είναι Ανώτερος Μηχανικός Λογισμικού στην AWS. Είναι με την AWS τα τελευταία 10 χρόνια και έχει εργαστεί σε διάφορες υπηρεσίες AWS όπως EMR, EFA και RDS. Επί του παρόντος, επικεντρώνεται στη βελτίωση της εμπειρίας συμπερασμάτων SageMaker. Στον ελεύθερο χρόνο του, του αρέσει η πεζοπορία και οι μαραθώνιοι.
- 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. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
- PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/package-and-deploy-classical-ml-and-llms-easily-with-amazon-sagemaker-part-1-pysdk-improvements/
- :έχει
- :είναι
- :δεν
- :που
- $UP
- 1
- 10
- 100
- 11
- 114
- 12
- 125
- 13
- 14
- 15%
- 16
- 17
- 20
- 24
- 26%
- 7
- 8
- 9
- a
- ABC
- ικανότητα
- Σχετικα
- επιταχύνει
- επιταχυντές
- πρόσβαση
- φιλοξενώ
- Σύμφωνα με
- απέναντι
- πραγματικός
- προσθέτω
- Επιπλέον
- Πρόσθετος
- Επιπλέον
- προηγμένες
- Πλεονέκτημα
- Μετά το
- κατά
- AI
- αι περιπτώσεις χρήσης
- AI / ML
- στόχοι
- αλγόριθμος
- αλγόριθμοι
- Ευθυγραμμίζει
- Όλα
- Επιτρέποντας
- επιτρέπει
- Επίσης
- Αν και
- Amazon
- Amazon Sage Maker
- Amazon υπηρεσίες Web
- μεταξύ των
- an
- και
- κάθε
- api
- κατάλληλος
- ΕΙΝΑΙ
- AS
- συσχετισμένη
- At
- Australia
- αυτόματη
- Αυτοματοποιημένη
- αυτομάτως
- διαθέσιμος
- μέσος
- AWS
- πίσω
- βασίζονται
- BE
- επειδή
- ήταν
- πριν
- πίσω
- στα παρασκήνια
- ευεργετική
- οφέλη
- ΚΑΛΎΤΕΡΟΣ
- βέλτιστες πρακτικές
- Καλύτερα
- μεταξύ
- και οι δύο
- Φέρνοντας
- Φέρνει
- χτίζω
- Builder
- χτισμένο
- ενσωματωμένο
- by
- κλήση
- κλήση
- κλήσεις
- CAN
- δυνατότητες
- ικανότητα
- πιάνω
- συλλαμβάνονται
- συλλαμβάνει
- Καταγραφή
- ο οποίος
- περίπτωση
- περιπτώσεις
- αλλαγή
- Αλλαγές
- αλλαγή
- χρέωση
- επιλογή
- τάξη
- πελάτης
- Backup
- κωδικός
- σχόλιο
- συγκρότημα
- περίπλοκο
- συστατικό
- εξαρτήματα
- υπολογιστή
- Πληροφορική
- Computer Vision
- διαμόρφωση
- Διαμόρφωση
- σύγκρουση
- Συγκρούσεις
- συνεπής
- πρόξενος
- Δοχείο
- Εμπορευματοκιβώτια
- έλεγχος
- μετατρέψετε
- μετατρέπονται
- μετατροπή
- διορθώσει
- Αντίστοιχος
- Δικαστικά έξοδα
- δημιουργία
- δημιουργήθηκε
- δημιουργία
- Τη στιγμή
- καμπύλη
- έθιμο
- Πελάτες
- παραμετροποίηση
- προσαρμόσετε
- προσαρμοσμένη
- Ντάλας
- ημερομηνία
- βαθύς
- βαθιά κατάδυση
- βαθιά μάθηση
- Deepak
- Προεπιλογή
- ορίζεται
- Ορίζει
- καθορίζοντας
- Πτυχίο
- διαδήλωση
- αποδεικνύουν
- εξαρτήσεις
- Εξάρτηση
- παρατάσσω
- αναπτυχθεί
- ανάπτυξη
- ανάπτυξη
- αναπτύξεις
- αναπτύσσεται
- Υπηρεσίες
- λεπτομερής
- καθέκαστα
- Ανίχνευση
- Προσδιορίστε
- καθορίζοντας
- Εργολάβος
- προγραμματιστές
- Ανάπτυξη
- διαφορετικές
- κατευθείαν
- συζητήσουν
- διανομή
- κατάδυση
- do
- Λιμενεργάτης
- έγγραφο
- τεκμηρίωση
- Όχι
- domains
- γίνεται
- Μην
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- ευκολότερη
- εύκολα
- αποτελεσματικά
- προσπάθεια
- αβίαστα
- ενεργοποιημένη
- δίνει τη δυνατότητα
- ενθαρρύνει
- Τελικό σημείο
- μηχανικός
- Μηχανικοί
- εξασφαλίζω
- εξασφαλίζοντας
- Εταιρεία
- καταχώριση
- Περιβάλλον
- σφάλμα
- λάθη
- ουσιώδης
- παράδειγμα
- παραδείγματα
- υφιστάμενα
- αναμένεται
- αναμένει
- εμπειρία
- έμπειρος
- διερευνήσει
- Εξερευνώντας
- επεκτείνουν
- επέκταση
- Πρόσωπο
- διευκολύνω
- οικογένεια
- γρηγορότερα
- Χαρακτηριστικό
- λίγοι
- Πεδία
- Αρχεία
- Όνομα
- σταθερός
- Ευελιξία
- επικεντρώθηκε
- εστιάζει
- ακολουθήστε
- Εξής
- εξής
- Για
- μορφή
- Προς τα εμπρός
- Θεμέλιο
- Πλαίσιο
- πλαισίων
- Δωρεάν
- φίλους
- από
- Εκπληρώ
- πλήρη
- πλήρως
- λειτουργία
- λειτουργίες
- περαιτέρω
- γαργάρα
- Gary
- Γκάρυ Γουάνγκ
- αποκλεισμένη
- παράγουν
- δημιουργεί
- γενεά
- γενετική
- Παραγωγική τεχνητή νοημοσύνη
- παίρνω
- να πάρει
- GitHub
- μετάβαση
- εξαιρετική
- καθοδήγηση
- λαβή
- Χειρισμός
- συμβαίνει
- Έχω
- που έχει
- he
- ακοή
- βοήθεια
- βοήθεια
- βοηθά
- αυτήν
- υψηλού επιπέδου
- υψηλότερο
- του
- κατέχει
- φιλοξενείται
- φιλοξενία
- υπηρεσίες φιλοξενίας
- Πως
- Πώς να
- Ωστόσο
- HTML
- http
- HTTPS
- Hub
- ID
- προσδιορίσει
- Ταυτότητα
- ids
- if
- εικόνα
- εκτελεστικών
- εισαγωγή
- βελτιώσεις
- βελτιώνει
- βελτίωση
- in
- περιλαμβάνονται
- Εισερχόμενος
- πληροφορίες
- αρχικός
- εισαγωγή
- είσοδοι
- εγκαθιστώ
- παράδειγμα
- ολοκλήρωση
- διαδραστικό
- σε
- εισαγάγει
- εισήγαγε
- Εισαγωγή
- επικαλείται
- θέματα
- IT
- ΤΟΥ
- Java
- jpg
- json
- μόλις
- Κλειδί
- Ξέρω
- γνωστός
- large
- Επίθετο
- αργότερα
- αργότερο
- ξεκινήσει
- δρομολόγηση
- στρώμα
- μάθηση
- βιβλιοθήκες
- Βιβλιοθήκη
- Μου αρέσει
- γραμμές
- Λιστα
- ζω
- Είδος μικρής καμήλας
- φορτίο
- φόρτωση
- τοπικός
- τοπικά
- τοποθεσία
- ξύλευση
- λογική
- πλέον
- ματιά
- κοιτάζοντας
- αγαπά
- χαμηλότερο
- μηχανή
- μάθηση μηχανής
- κάνω
- ΚΑΝΕΙ
- Κατασκευή
- διαχείριση
- διαχειρίζεται
- διευθυντής
- Ταχύτητες
- πολοί
- κύριοι
- Αυξάνω στον ανώτατο βαθμό
- μεγιστοποιεί
- Ενδέχεται..
- μηχανισμούς
- Μνήμη
- που αναφέρθηκαν
- μήνυμα
- μέθοδος
- μεταναστεύσουν
- ελάχιστος
- ελάχιστο
- ML
- MLOps
- Τρόπος
- μοντέλο
- μοντέλα
- τροποποιήσει
- Μονάδα μέτρησης
- περισσότερο
- πλέον
- πολλαπλούς
- πρέπει
- Φύση
- απαραίτητος
- Ανάγκη
- που απαιτούνται
- ανάγκες
- Νέα
- νέοι χρήστες
- Όχι.
- Ν/Α
- σημείωση
- σημειωματάριο
- τώρα
- αριθμός
- αριθμημένα
- αντικείμενο
- αντικειμένων
- of
- προσφορές
- on
- ONE
- αποκλειστικά
- επάνω σε
- βέλτιστη
- βελτιστοποίηση
- Βελτιστοποίηση
- βελτιστοποίηση
- Επιλογές
- or
- ΑΛΛΑ
- δικός μας
- έξω
- παραγωγή
- εξόδους
- εκτός
- δική
- πακέτο
- συσκευάζονται
- συσκευασία
- σελίδα
- παράμετρος
- παράμετροι
- μέρος
- ιδιαίτερα
- passieren
- Πέρασμα
- παθιασμένος
- μονοπάτι
- Εκτελέστε
- επίδοση
- δικαιώματα
- προσωπικός
- phd
- φωτογραφία
- εκλεκτός
- αγωγού
- Μέρη
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιδική χαρά
- παιχνίδι
- σημεία
- χαρτοφυλάκιο
- Θέση
- δύναμη
- πρακτική
- πρακτικές
- προβλέψει
- πρόβλεψη
- Predictor
- προηγούμενος
- Κύριος
- προτεραιότητα
- διαδικασίες
- διαδικασια μας
- Διεργασίες
- Προϊόν
- υπεύθυνος προϊόντων
- παραγωγή
- παραγωγικότητα
- παρέχουν
- παρέχεται
- παρέχει
- χορήγηση
- Δημοσίευση
- πίεσε
- Python
- pytorch
- γρήγορα
- RAM
- έτοιμος
- λαμβάνω
- λαμβάνει
- μειώνει
- μείωση
- παραπέμπω
- μητρώου
- σχετίζεται με
- μακρινός
- Αποθήκη
- ζητήσει
- αιτήματα
- απαιτούν
- απαιτείται
- απαιτήσεις
- Απαιτεί
- εκείνοι
- αντίστοιχα
- απάντησης
- ΠΕΡΙΦΕΡΕΙΑ
- Αποτελέσματα
- απόδοση
- εύρωστος
- Ρόλος
- ρόλους
- τρέξιμο
- τρέξιμο
- σοφός
- Συμπεράσματα SageMaker
- ίδιο
- Αποθήκευση
- αποθηκεύονται
- λένε
- Απεριόριστες δυνατότητες
- επεκτάσιμη
- Κλίμακα
- σάρωση
- Σκηνές
- Επιστήμη
- επιστήμονες
- μηδέν
- γραφή
- SDK
- sdks
- αδιάλειπτη
- Τμήμα
- τμήματα
- δείτε
- επιλέξτε
- επιλογή
- ΕΑΥΤΟΣ
- αρχαιότερος
- αποστέλλονται
- Σειρές
- εξυπηρετούν
- διακομιστής
- Διακομιστές
- υπηρεσία
- Υπηρεσίες
- σειρά
- ρυθμίσεις
- setup
- αυτή
- δείχνουν
- βιτρίνα
- παρουσιάζεται
- Δείχνει
- πλευρά
- Απλούς
- απλοποιημένη
- απλοποιεί
- απλοποίηση
- απλά
- εξομαλύνουν
- Απόσπασμα
- So
- λογισμικό
- Μηχανικός Λογισμικού
- Λύσεις
- SOLVE
- μερικοί
- μερικές φορές
- ειδικός
- ειδικευμένος
- ειδικεύεται
- συγκεκριμένες
- καθορίζεται
- δαπανήσει
- Αθλητισμός
- Στάδιο
- state-of-the-art
- Βήματα
- Ακόμη
- χώρος στο δίσκο
- κατάστημα
- αποθηκεύονται
- ειλικρινής
- μετάδοση
- απλουστεύει
- Σπάγγος
- δομή
- δομές
- στούντιο
- τέτοιος
- υποστηριζόνται!
- Υποστηρίζει
- διακόπτης
- sydney
- ράφτης
- Πάρτε
- λήψη
- εργασίες
- tensorflow
- δοκιμή
- Δοκιμές
- κείμενο
- Ευχαριστώ
- ότι
- Η
- τους
- Τους
- τότε
- Εκεί.
- Αυτοί
- αυτοί
- αυτό
- Μέσω
- ώρα
- προς την
- ένδειξη
- εργαλεία
- παραδοσιακός
- ΚΙΝΗΣΗ στους ΔΡΟΜΟΥΣ
- Τρένο
- Εκπαίδευση
- μετασχηματισμούς
- μετασχηματιστής
- μετάβαση
- μεταβαίνουν
- Μετάφραση
- Ταξίδια
- Τρίτωνος
- αληθής
- έχων πίστη
- προσπαθώ
- βραχυχρόνιων διακυμάνσεων της ρευστότητας
- δύο
- τύπος
- τύποι
- υποκείμενες
- URL
- χρήση
- μεταχειρισμένος
- Χρήστες
- Χρήστες
- χρησιμοποιεί
- χρησιμοποιώντας
- επικύρωση
- αξία
- μεταβλητή
- διάφορα
- μέσω
- όραμα
- walk
- θέλω
- Τρόπος..
- τρόπους
- we
- ιστός
- διαδικτυακές υπηρεσίες
- ΛΟΙΠΌΝ
- πότε
- αν
- Ποιό
- ενώ
- θα
- με
- χωρίς
- Εργασία
- εργάστηκαν
- ροής εργασίας
- ροές εργασίας
- εργαζόμενος
- λειτουργεί
- θα
- XGBoost
- χρόνια
- Εσείς
- Σας
- zephyrnet