Teksti tõus ja semantiline otsing mootorid on muutnud e-kaubanduse ja jaemüügiettevõtete otsimise oma tarbijatele lihtsamaks. Ühtse teksti ja pildiga töötavad otsingumootorid võivad pakkuda otsingulahendustes täiendavat paindlikkust. Päringutena saab kasutada nii teksti kui pilte. Näiteks on teie sülearvutis sadade perepiltide kaust. Soovite kiiresti leida pildi, mis tehti siis, kui teie ja teie parim sõber olite teie vana maja basseini ees. Ühtses teksti- ja pildiotsingumootoris otsimiseks võite päringuna kasutada vestluskeelt, näiteks "kaks inimest seisavad basseini ees". Päringu sooritamiseks ei pea piltide pealkirjades olema õigeid märksõnu.
Amazon OpenSearchi teenus toetab nüüd koosinuse sarnasus k-NN indeksite mõõdik. Koosinussarnasus mõõdab kahe vektori vahelise nurga koosinust, kus väiksem koosinusnurk tähistab vektorite suuremat sarnasust. Koosinussarnasuse abil saate mõõta kahe vektori vahelist orientatsiooni, mistõttu on see hea valik mõne konkreetse semantilise otsingurakenduse jaoks.
Kontrastiivse keele-kujutise eelkoolitus (CLIP) on närvivõrk, mis on treenitud erinevatele pildi- ja tekstipaaridele. CLIP-närvivõrk on võimeline projitseerima nii pilte kui ka teksti samasse kohta varjatud ruum, mis tähendab, et neid saab võrrelda sarnasuse mõõdiku, näiteks koosinussarnasuse abil. Selleks saate kasutada CLIP-i kodeerima oma toodete pildid või kirjeldus manusedja salvestage need seejärel OpenSearch Service k-NN indeksisse. Seejärel saavad teie kliendid teha päringu indeksist, et leida neid huvitavaid tooteid.
Saate kasutada CLIP-i koos Amazon SageMaker kodeerimise teostamiseks. Amazon SageMakeri serverita järeldus on eesmärgipäraselt loodud järeldusteenus, mis muudab masinõppe (ML) mudelite juurutamise ja skaleerimise lihtsaks. SageMakeriga saate juurutada serverita arendajatele ja testidele ning seejärel liikuda edasi reaalajas järeldus kui lähete tootmisse. Serverita SageMaker aitab säästa kulusid, vähendades taristu jõudeoleku ajal nullini. See sobib suurepäraselt POC-i ehitamiseks, kus arendustsüklite vahel on pikk jõudeaeg. Võite ka kasutada Amazon SageMaker partii teisendus suurte andmekogumite põhjal järelduste tegemiseks.
Selles postituses näitame, kuidas luua otsingurakendust CLIP-i abil koos SageMakeri ja OpenSearch Service'iga. Kood on avatud lähtekoodiga ja see on hostitud GitHub.
Lahenduse ülevaade
OpenSearch Service pakub teksti sobitamist ja k-NN-i manustamist. Selles lahenduses kasutame k-NN otsingu manustamist. Kaubakohtade otsimiseks laost saate päringuna kasutada nii pilti kui ka teksti. Selle ühtse pildi- ja tekstiotsingurakenduse juurutamine koosneb kahest etapist:
- k-NN võrdlusindeks – Selles etapis edastate korpuse dokumentide või tootepiltide komplekti läbi CLIP-mudeli, et need manusteks kodeerida. Teksti- ja pildimanused on vastavalt korpuse või kujutiste arvulised esitused. Salvestate need manustused OpenSearch Service'i k-NN-i registrisse. K-NN-i aluseks olev kontseptsioon seisneb selles, et sarnased andmepunktid eksisteerivad manustamisruumis vahetus läheduses. Näiteks tekst „punane lill”, tekst „roos” ja punase roosi kujutis on sarnased, nii et need teksti ja pildi manused on manustamisruumis üksteise lähedal.
- k-NN indeksi päring – See on rakenduse järelduste faas. Selles faasis esitate manustamisena kodeerimiseks teksti- või pildiotsingupäringu sügava õppimismudeli (CLIP) kaudu. Seejärel kasutate neid manuseid, et teha päringuid OpenSearch Service'is salvestatud viiteindeksi k-NN kohta. Indeks k-NN tagastab sarnased manustused manustamisruumist. Näiteks kui edastate teksti „punane lill”, tagastab see sarnase üksusena punase roosi kujutise manused.
Järgmine joonis illustreerib lahenduse arhitektuuri.
Töövoo etapid on järgmised.
- Loo SageMakeri mudel eelkoolitatud CLIP-mudelist pakett- ja reaalajas järelduste tegemiseks.
- Looge tootepiltide manuseid, kasutades SageMakeri partii teisendustööd.
- Kasutage päringupildi ja teksti reaalajas manusteks kodeerimiseks SageMakeri serverita järeldust.
- Kasutama Amazoni lihtne salvestusteenus (Amazon S3) toorteksti (tootekirjelduse) ja kujutiste (tootepildid) ja piltide manustamise salvestamiseks, mis on loodud SageMakeri partii teisendustöödega.
- Kasutage manuste salvestamiseks ja sarnaste manuste leidmiseks otsingumootorina teenust OpenSearch.
- Kasutage päringu kodeerimise korraldamiseks ja k-NN-i otsingu tegemiseks päringufunktsiooni.
Me kasutame Amazon SageMaker Studio märkmikud (pole joonisel näidatud) kui integreeritud arenduskeskkonda (IDE) lahenduse väljatöötamiseks.
Seadistage lahendusressursid
Lahenduse seadistamiseks toimige järgmiselt.
- Looge SageMakeri domeen ja kasutajaprofiil. Juhised leiate 5. sammust Kiirseadistuse abil Amazon SageMakeri domeenis.
- Looge OpenSearch Service'i domeen. Juhiseid vt Amazon OpenSearch Service domeenide loomine ja haldamine.
Võite kasutada ka AWS CloudFormation malli järgides GitHubi juhised domeeni loomiseks.
Saate ühendada Studio Amazon S3-ga alates Amazoni virtuaalne privaatpilv (Amazon VPC), kasutades an liidese lõpp-punkt Interneti kaudu ühenduse loomise asemel oma VPC-s. Kasutades liidese VPC lõpp-punkti (liidese lõpp-punkt), toimub suhtlus teie VPC ja Studio vahel täielikult ja turvaliselt AWS-võrgus. Teie Studio märkmik saab turvalise suhtluse tagamiseks ühenduda OpenSearch Service'iga privaatse VPC kaudu.
OpenSearch Service'i domeenid pakuvad puhkeoleku andmete krüptimist, mis on turvafunktsioon, mis aitab vältida volitamata juurdepääsu teie andmetele. Sõlmedevaheline krüptimine pakub lisaks OpenSearch Service'i vaikefunktsioonidele täiendavat turvakihti. Amazon S3 rakendab iga uue objekti jaoks automaatselt serveripoolset krüptimist (SSE-S3), kui te ei määra teistsugust krüpteerimisvalikut.
OpenSearch Service'i domeenis saate lisada identiteedipõhiseid poliitikaid, mis määravad, kes saavad teenusele juurde pääseda, milliseid toiminguid nad saavad teha ja vajaduse korral ressursse, mille abil nad saavad neid toiminguid teha.
Kodeerige kujutised ja tekstipaarid manusteks
Selles jaotises käsitletakse, kuidas pilte ja teksti manusteks kodeerida. See hõlmab andmete ettevalmistamist, SageMakeri mudeli loomist ja partii teisendust mudeli abil.
Andmete ülevaade ja ettevalmistamine
Näidiskoodi käitamiseks saate kasutada Python 3 (Data Science) tuumaga SageMaker Studio sülearvutit.
Selle postituse jaoks kasutame Amazon Berkeley objektide andmestik. Andmekogum koosneb 147,702 398,212 tooteloendist koos mitmekeelsete metaandmete ja 1,600 XNUMX ainulaadse kataloogipildiga. Kasutame ainult USA inglisekeelseid kaubapilte ja kaubanimesid. Demoeesmärkidel kasutame ligikaudu XNUMX toodet. Selle andmestiku kohta lisateabe saamiseks vaadake README. Andmestikku majutatakse avalikus S3 ämbris. Seal on 16 faili, mis sisaldavad Amazoni toodete tootekirjeldust ja metaandmeid vormingus listings/metadata/listings_<i>.json.gz
. Kasutame selles demos esimest metaandmete faili.
Sa kasutad pandas metaandmete laadimiseks, seejärel valige andmeraamist tooted, millel on USA ingliskeelsed pealkirjad. Pandas on Pythoni programmeerimiskeelele ehitatud avatud lähtekoodiga andmete analüüsi ja manipuleerimise tööriist. Kasutate atribuuti nimega main_image_id
pildi tuvastamiseks. Vaadake järgmist koodi:
Andmeraamis on 1,639 toodet. Järgmisena linkige kaupade nimed vastavate kaupade piltidega. images/metadata/images.csv.gz
sisaldab pildi metaandmeid. See fail on gzip-tihendatud CSV-fail järgmiste veergudega: image_id
, height
, width
ja path
. Saate lugeda metaandmete faili ja seejärel liita selle üksuse metaandmetega. Vaadake järgmist koodi:
Saate kasutada SageMaker Studio sülearvuti Python 3 tuuma sisseehitatud PIL raamatukogu andmestiku näidispildi vaatamiseks:
Mudeli ettevalmistamine
Järgmisena looge a SageMakeri mudel eelkoolitatud CLIP mudelist. Esimese sammuna laadige alla eelkoolitatud mudeli kaalumisfail ja sisestage see a model.tar.gz
faili ja laadige see S3 ämbrisse. Eelkoolitatud mudeli tee leiate aadressilt CLIP repo. Kasutame eelkoolitatud ResNet-50 (RN50) mudelit selles demos. Vaadake järgmist koodi:
Seejärel peate esitama CLIP-mudelile järelduste sisestuspunkti skripti. CLIP rakendatakse kasutades PyTorch, seega kasutate SageMaker PyTorch raamistik. PyTorch on avatud lähtekoodiga ML-raamistik, mis kiirendab teed uurimistöö prototüüpide loomisest tootmise juurutamiseni. Lisateavet PyTorchi mudeli SageMakeriga juurutamise kohta leiate artiklist PyTorchi mudelite juurutamine. Järelduskood aktsepteerib kahte keskkonnamuutujat: MODEL_NAME
ja ENCODE_TYPE
. See aitab meil hõlpsalt erinevate CLIP-mudelite vahel vahetada. Me kasutame ENCODE_TYPE
et määrata, kas tahame kodeerida pilti või tekstiosa. Siin rakendate model_fn
, input_fn
, predict_fn
ja output_fn
funktsioonid alistada Vaikimisi PyTorchi järelduste töötleja. Vaadake järgmist koodi:
Lahendus nõuab mudeli järelduse ajal täiendavaid Pythoni pakette, nii et saate esitada a requirements.txt
fail, mis võimaldab SageMakeril mudelite hostimisel installida lisapakette:
Kasutate PyTorchModel klass luua objekt, mis sisaldab teavet mudeli artefaktide Amazon S3 asukoha ja järelduste sisestuspunkti üksikasjade kohta. Objekti abil saate luua pakkteisendustöid või juurutada mudeli lõpp-punkti võrgus järelduste tegemiseks. Vaadake järgmist koodi:
Partii teisendus, et kodeerida üksuse kujutised manusteks
Järgmiseks kasutame mudelit CLIP, et kodeerida üksuse kujutised manusteks, ja partiijärelduse käitamiseks SageMakeri partii teisendust.
Enne töö loomist kasutage järgmist koodilõiku, et kopeerida üksuse kujutised Amazon Berkeley Objects Dataset avalikust S3 ämbrist oma ämbrisse. Operatsioon kestab vähem kui 10 minutit.
Järgmisena teete üksuse kujutiste põhjal järeldusi partiidena. SageMakeri partii teisendustöö kasutab CLIP-mudelit kõigi Amazon S3 sisendkohta salvestatud piltide kodeerimiseks ja laadib väljundmanused üles S3 väljundkausta. Töö võtab aega umbes 10 minutit.
Laadige manused Amazon S3-st muutujasse, et saaksite andmed hiljem OpenSearch Service'i alla laadida.
Looge ML-toega ühtne otsingumootor
Selles jaotises käsitletakse, kuidas luua otsingumootorit, mis kasutab k-NN-i otsingut koos manustega. See hõlmab OpenSearch Service'i klastri konfigureerimist, üksuste manustamist ning vaba teksti- ja pildiotsingu päringuid.
Seadistage k-NN seadete abil OpenSearch Service'i domeen
Varem lõite OpenSearchi klastri. Nüüd loote kataloogiandmete ja manuste salvestamiseks indeksi. Saate konfigureerida indeksi sätteid, et lubada k-NN-i funktsionaalsus, kasutades järgmist konfiguratsiooni.
See näide kasutab Python Elasticsearch klient OpenSearchi klastriga suhtlemiseks ja andmete hostimiseks indeksi loomiseks. Sa võid joosta %pip install elasticsearch
märkmikusse raamatukogu installimiseks. Vaadake järgmist koodi:
Sisestage pildi manustamise andmed OpenSearch Service'i
Nüüd sirvite oma andmestikku ja sisestate üksuste andmed klastris. Andmete sisestamine selle praktika jaoks peaks lõppema 60 sekundi jooksul. Samuti käivitab see lihtsa päringu, et kontrollida, kas andmed on indeksisse edukalt sisestatud. Vaadake järgmist koodi:
Tehke reaalajas päring
Nüüd, kui teil on toimiv OpenSearch Service'i register, mis sisaldab meie laona kaubapiltide manuseid, vaatame, kuidas saate päringute jaoks manustada. Peate looma kaks SageMakeri lõpp-punkti, et käsitleda vastavalt teksti ja pildi manustamist.
Samuti saate luua kaks funktsiooni, et kasutada lõpp-punkte piltide ja tekstide kodeerimiseks. Jaoks encode_text
funktsiooni, lisate this is
enne üksuse nime, et tõlkida üksuse nimi üksuse kirjelduse lauseks. memory_size_in_mb
allajoonimise jaoks on määratud 6 GB Transformer ja ResNet mudelid. Vaadake järgmist koodi:
Esmalt saate joonistada kasutatava pildi.
Vaatame lihtsa päringu tulemusi. Pärast OpenSearchi teenusest tulemuste hankimist saate üksuste nimede ja piltide loendi dataset
:
Esimese üksuse hindeks on 1.0, kuna need kaks pilti on samad. Muud üksused on OpenSearch Service'i registris olevad erinevat tüüpi prillid.
Indeksi päringu tegemiseks saate kasutada ka teksti:
Nüüd saate indeksist saada kolm pilti veeklaasidest. CLIP-kodeerijaga leiate pildid ja teksti samast varjatud ruumist. Teine näide selle kohta on otsida registrist sõna "pitsa".
Koristage
Kasutuspõhise tasu mudeli puhul on serverita järeldus kulutõhus valik harvaesineva või ettearvamatu liiklusmustri korral. Kui teil on range teenusetaseme leping (SLA), või ei talu külmkäivitust, on reaalajas lõpp-punktid parem valik. Kasutades mitme mudeliga or mitme konteineriga lõpp-punktid pakuvad skaleeritavaid ja kulutõhusaid lahendusi suure hulga mudelite juurutamiseks. Lisateabe saamiseks vaadake Amazon SageMakeri hinnakujundus.
Soovitame kustutada serverita lõpp-punktid, kui neid enam ei vajata. Pärast selle harjutuse lõpetamist saate ressursid eemaldada järgmiste sammudega (saate need ressursid kustutada AWS-i juhtimiskonsoolvõi kasutades AWS SDK või SageMaker SDK):
- Kustutage loodud lõpp-punkt.
- Soovi korral kustutage registreeritud mudelid.
- Soovi korral kustutage SageMakeri täitmise roll.
- Soovi korral tühjendage ja kustutage S3 ämber.
kokkuvõte
Selles postituses näitasime, kuidas luua k-NN-i otsingurakendust, kasutades SageMakeri ja OpenSearch Service'i k-NN-i indeksi funktsioone. Kasutasime sellest eelkoolitatud CLIP-mudelit OpenAI rakendamine.
Postituse OpenSearch Service'i sisestusrakendust kasutatakse ainult prototüüpide loomiseks. Kui soovite Amazon S3-st andmeid OpenSearch Service'i ulatuslikult neelata, saate käivitada Amazon SageMakeri töötlemistöö sobiva eksemplari tüübi ja arvuga. Teise skaleeritava manustamise neelamislahenduse kohta vaadake jaotist Novartis AG kasutab otsimiseks ja soovitamiseks Amazon OpenSearch Service K-Lähim naaber (KNN) ja Amazon SageMaker (osa 3/4).
CLIP pakub null-lask võimalused, mis võimaldab eelkoolitatud mudelit otse ilma kasutamata kasutusele võtta ülekandmisõpe mudeli peenhäälestamiseks. See lihtsustab CLIP-mudeli rakendamist. Kui teil on paar tootepilti ja kirjeldavat teksti, saate mudeli jõudlust veelgi parandada, kasutades ülekandeõpet, kasutades oma andmeid. Lisateabe saamiseks vt Ülekantavate visuaalsete mudelite õppimine loomuliku keele järelevalvest ja CLIP GitHubi repository.
Autoritest
Kevin Du on AWS-i andmelabori vanemarhitekt, kes on pühendunud klientide abistamisele nende masinõppe (ML) toodete ja MLOps-platvormide arendamisel. Enam kui kümneaastase kogemusega ML-toega toodete loomisel nii alustavatele ettevõtetele kui ka ettevõtetele, keskendub ta klientidele oma ML-lahenduste tootmise lihtsustamisele. Vabal ajal meeldib Kevinile süüa teha ja korvpalli vaadata.
Ananya Roy on Sydney Austraaliast pärit andmelabori vanemarhitekt, kes on spetsialiseerunud tehisintellektile ja masinõppele. Ta on töötanud erinevate klientidega, et pakkuda arhitektuurilisi juhiseid ja aidata neil andmelabori kaasamise kaudu pakkuda tõhusat AI/ML-lahendust. Enne AWS-i töötas ta vanemandmeteadlasena ja tegeles suuremahuliste ML-mudelitega erinevates tööstusharudes, nagu Telco, pangad ja fintech. Tema kogemus AI/ML alal on võimaldanud tal pakkuda tõhusaid lahendusi keerukatele äriprobleemidele ning ta on kirglik tipptehnoloogiate võimendamise vastu, et aidata meeskondadel oma eesmärke saavutada.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/implement-unified-text-and-image-search-with-a-clip-model-using-amazon-sagemaker-and-amazon-opensearch-service/
- :on
- ][lk
- $ UP
- 1
- 10
- 100
- 11
- 7
- 8
- 9
- a
- Võimalik
- MEIST
- kiirendab
- Nõustub
- juurdepääs
- Saavutada
- üle
- meetmete
- Täiendavad lisad
- vastu võtma
- pärast
- AG
- Kokkulepe
- AI
- AI / ML
- Materjal: BPA ja flataatide vaba plastik
- Amazon
- Amazon OpenSearchi teenus
- Amazon SageMaker
- analüüs
- ja
- Teine
- kohaldatav
- taotlus
- rakendused
- asjakohane
- umbes
- arhitektuuri-
- arhitektuur
- OLEME
- argument
- ümber
- AS
- At
- kinnitage
- Austraalia
- automaatselt
- AWS
- Pangad
- põhineb
- korvpall
- BE
- sest
- enne
- Berkeley
- BEST
- Parem
- vahel
- keha
- ehitama
- Ehitus
- ehitatud
- sisseehitatud
- äri
- ettevõtted
- by
- kutsutud
- CAN
- võimeid
- kataloog
- CD
- kontrollima
- valik
- klient
- lähedal
- Cluster
- kood
- kogumine
- Veerud
- edastama
- KOMMUNIKATSIOON
- võrreldes
- täitma
- keeruline
- mõiste
- läbi
- konfiguratsioon
- Võta meiega ühendust
- ühendamine
- ühendus
- Tarbijad
- sisaldama
- sisaldab
- sisu
- jutukas
- Vastav
- Maksma
- kuluefektiivne
- võiks
- looma
- loodud
- loomine
- volikiri
- Tass
- Kliendid
- viimase peal
- tsüklit
- andmed
- andmete analüüs
- andmepunktid
- andmeteadus
- andmeteadlane
- andmekogumid
- kümme aastat
- pühendunud
- sügav
- sügav õpe
- vaikimisi
- määratlemisel
- tarnima
- näitama
- Näidatud
- juurutada
- juurutamine
- kasutuselevõtu
- kirjeldus
- soovitud
- detailid
- dev
- arendama
- & Tarkvaraarendus
- seade
- erinev
- mõõde
- otse
- Ekraan
- mitu
- dokumendid
- domeen
- Domeenid
- Ära
- alla
- lae alla
- ajal
- iga
- lihtsam
- kergesti
- pood
- Tõhus
- võimaldama
- krüpteerimist
- Lõpp-punkt
- tegevus
- Mootor
- Mootorid
- Inglise
- tagama
- ettevõtete
- täielikult
- kanne
- keskkond
- vead
- näide
- täitmine
- Teostama
- kogemus
- lisatasu
- pere
- tunnusjoon
- FUNKTSIOONID
- Joonis
- fail
- Faile
- leidma
- lõpetama
- esimene
- Paindlikkus
- Keskenduma
- Järel
- järgneb
- eest
- formaat
- avastatud
- FRAME
- Raamistik
- tasuta
- sõber
- Alates
- esi-
- funktsioon
- funktsionaalne
- funktsionaalsus
- funktsioonid
- edasi
- tekitama
- loodud
- saama
- Git
- GitHub
- klaas
- Go
- Eesmärgid
- läheb
- hea
- juhised
- käepide
- Olema
- päised
- kõrgus
- aitama
- aidates
- aitab
- siin
- rohkem
- Tulemus
- Hits
- võõrustaja
- võõrustas
- Hosting
- Kuidas
- Kuidas
- HTML
- http
- HTTPS
- sajad
- i
- identifitseerima
- Idle
- idx
- pilt
- Pildiotsing
- pildid
- rakendada
- täitmine
- rakendatud
- rakendamisel
- import
- parandama
- in
- sisaldama
- hõlmab
- indeks
- indeksid
- Indeksid
- tööstusharudes
- info
- Infrastruktuur
- sisend
- paigaldama
- Näiteks
- selle asemel
- juhised
- integreeritud
- huvitatud
- Interface
- Internet
- inventar
- IT
- kirjed
- ITS
- töö
- Tööturg
- jpg
- Json
- labor
- keel
- sülearvuti
- suur
- suuremahuline
- algatama
- kiht
- õppimine
- võimendav
- Raamatukogu
- nagu
- LINK
- nimekiri
- Näita
- koormus
- laadimine
- liising
- Pikk
- enam
- Vaata
- masin
- masinõpe
- tehtud
- TEEB
- juhtimine
- juhtiv
- Manipuleerimine
- viis
- vahendid
- mõõtma
- meetmed
- Merge
- Meta
- Metaandmed
- meetriline
- protokoll
- ML
- MLOps
- mudel
- mudelid
- rohkem
- liikuma
- nimi
- nimed
- Natural
- Vajadus
- võrk
- Närvivõrgus
- Uus
- järgmine
- märkmik
- numbrid
- objekt
- esemeid
- of
- pakkuma
- Vana
- on
- Internetis
- avatud
- avatud lähtekoodiga
- töö
- valik
- OS
- Muu
- väljund
- ignoreerimine
- ülevaade
- enda
- pakette
- paari
- pandas
- osa
- kirglik
- tee
- Muster
- Inimesed
- täiuslik
- täitma
- jõudlus
- esitades
- faas
- pilt
- Pildid
- tükk
- pitsa
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- PoC
- Punkt
- võrra
- Poliitika
- ujula
- võimalik
- post
- võim
- sisse
- tava
- ennustus
- Ennustused
- ettevalmistamisel
- vältida
- Eelnev
- era-
- probleeme
- töötlemine
- Toode
- Produktsioon
- Toodet
- profiil
- Programming
- projekt
- omadused
- prototüüpimine
- anda
- annab
- avalik
- eesmärkidel
- panema
- Python
- pütorch
- Kiire
- kiiresti
- valik
- Töötlemata
- Lugenud
- reaalne
- reaalajas
- Soovitus
- rekord
- Red
- regulaaravaldis
- piirkond
- registreeritud
- kõrvaldama
- Vajab
- teadustöö
- Vahendid
- vastus
- REST
- kaasa
- Tulemused
- jaemüük
- tagasipöördumine
- Tulu
- Tõusma
- Roll
- ROSE
- jooks
- salveitegija
- sama
- Säästa
- skaalautuvia
- Skaala
- ketendamine
- teadus
- teadlane
- skoor
- SDK
- Otsing
- otsingumootor
- Otsingumootorid
- sekundit
- Osa
- kindlustama
- kindlalt
- turvalisus
- vanem
- Lause
- teenima
- Serverita
- teenus
- istung
- komplekt
- seaded
- kuju
- peaks
- näidatud
- sarnane
- lihtne
- SUURUS
- väiksem
- So
- lahendus
- Lahendused
- mõned
- allikas
- Ruum
- spetsialiseerunud
- konkreetse
- seisma
- algab
- Alustavatel
- Samm
- Sammud
- ladustamine
- salvestada
- ladustatud
- kiirendama
- Range
- stuudio
- esitama
- Edukalt
- selline
- Toetab
- Lüliti
- sydney
- Sys
- võtab
- meeskonnad
- Tehnoloogiad
- Telco
- šabloon
- test
- et
- .
- teave
- oma
- Neile
- Need
- kolm
- Läbi
- aeg
- korda
- Kapslid
- pealkirjad
- et
- sümboolne
- tööriist
- ülemine
- tõrvik
- Torchvision
- liiklus
- koolitatud
- üle
- Muutma
- tõlkima
- tõsi
- liigid
- ühtne
- ainulaadne
- prognoosimatu
- us
- kasutama
- Kasutaja
- väärtus
- sort
- kontrollima
- kaudu
- vaade
- virtuaalne
- vaadates
- Vesi
- Hästi
- mis
- WHO
- laius
- Wikipedia
- will
- koos
- jooksul
- ilma
- sõna
- töö
- oleks
- X
- sa
- Sinu
- sephyrnet