یادگیری ماشینی (ML) راهحلها را در سراسر صنایع متحول میکند و اشکال جدیدی از بینش و اطلاعات را از دادهها هدایت میکند. بسیاری از الگوریتمهای ML روی مجموعه دادههای بزرگ آموزش میبینند، الگوهایی را که در دادهها پیدا میکند تعمیم میدهند و نتایج را از آن الگوها در حین پردازش رکوردهای نادیده جدید استنتاج میکنند. معمولاً، اگر مجموعه داده یا مدل آنقدر بزرگ باشد که نمیتوان آن را روی یک نمونه آموزش داد، آموزش توزیع شده امکان استفاده از چندین نمونه در یک خوشه و توزیع داده ها یا پارتیشن های مدل در آن نمونه ها در طول فرآیند آموزش. پشتیبانی بومی برای آموزش توزیع شده از طریق ارائه می شود آمازون SageMaker SDK، همراه با نمونه نوت بوک در چارچوب های محبوب
با این حال، گاهی اوقات به دلیل قوانین امنیتی و حفظ حریم خصوصی در داخل یا بین سازمانها، دادهها در چندین حساب یا در مناطق مختلف غیرمتمرکز میشوند و نمیتوان آنها را در یک حساب یا در بین مناطق متمرکز کرد. در این مورد، یادگیری فدرال (FL) باید در نظر گرفته شود تا یک مدل تعمیم یافته در کل داده ها بدست آید.
در این پست، نحوه پیادهسازی یادگیری فدرال در Amazon SageMaker برای اجرای ML با دادههای آموزشی غیرمتمرکز را مورد بحث قرار میدهیم.
یادگیری فدرال چیست؟
یادگیری فدرال یک رویکرد ML است که به چندین جلسه آموزشی جداگانه اجازه می دهد که به طور موازی در سراسر مرزهای بزرگ اجرا شود، به عنوان مثال از نظر جغرافیایی، و نتایج را برای ساخت یک مدل تعمیم یافته (مدل جهانی) در این فرآیند جمع آوری کند. به طور خاص، هر جلسه آموزشی از مجموعه داده های خود استفاده می کند و مدل محلی خود را دریافت می کند. مدلهای محلی در جلسات آموزشی مختلف (به عنوان مثال، تجمیع وزن مدل) در یک مدل جهانی در طول فرآیند تمرین تجمیع میشوند. این رویکرد برخلاف تکنیک های متمرکز ML است که در آن مجموعه داده ها برای یک جلسه آموزشی ادغام می شوند.
یادگیری فدرال در مقابل آموزش توزیع شده در فضای ابری
وقتی این دو رویکرد در فضای ابری اجرا میشوند، آموزش توزیعشده در یک منطقه روی یک حساب اتفاق میافتد و دادههای آموزشی با یک جلسه آموزشی متمرکز یا کار شروع میشود. در طی فرآیند آموزشی توزیع شده، مجموعه داده به زیرمجموعه های کوچکتر تقسیم می شود و بسته به استراتژی (موازی سازی داده ها یا موازی سازی مدل)، زیرمجموعه ها به گره های آموزشی مختلف ارسال می شوند یا از میان گره ها در یک خوشه آموزشی می گذرند، که به این معنی است که داده های فردی لزوماً وجود ندارد. در یک گره از خوشه بمانید.
در مقابل، با یادگیری فدرال، آموزش معمولاً در چندین حساب جداگانه یا در سراسر منطقه رخ می دهد. هر حساب یا منطقه نمونه های آموزشی خاص خود را دارد. دادههای آموزشی از ابتدا تا انتها در بین حسابها یا مناطق غیرمتمرکز هستند و دادههای فردی فقط توسط جلسه آموزشی یا شغل مربوطه بین حسابها یا مناطق مختلف در طول فرآیند یادگیری فدرال خوانده میشود.
چارچوب یادگیری فدرال گل
چندین چارچوب منبع باز برای یادگیری فدرال در دسترس هستند، مانند سرنوشت, گل, PySyft, OpenFL, FedML, NVFlareو Tensorflow Federated. هنگام انتخاب یک فریم ورک FL، معمولاً پشتیبانی آن را از دسته مدل، چارچوب ML و دستگاه یا سیستم عملیاتی در نظر می گیریم. ما همچنین باید توسعه پذیری و اندازه بسته چارچوب FL را در نظر بگیریم تا بتوانیم آن را به طور موثر بر روی ابر اجرا کنیم. در این پست، یک فریمورک بهراحتی قابل توسعه، قابل تنظیم و سبک وزن، Flower را برای اجرای FL با استفاده از SageMaker انتخاب میکنیم.
Flower یک چارچوب جامع FL است که با ارائه امکانات جدید برای اجرای آزمایشهای FL در مقیاس بزرگ، خود را از چارچوبهای موجود متمایز میکند و سناریوهای دستگاههای FL بسیار ناهمگن را امکانپذیر میکند. FL چالش های مربوط به حریم خصوصی داده ها و مقیاس پذیری را در سناریوهایی که به اشتراک گذاری داده ها ممکن نیست، حل می کند.
اصول طراحی و اجرای Flower FL
Flower FL از نظر طراحی دارای زبان آگنوستیک و چارچوب ML است، کاملاً توسعه پذیر است و می تواند الگوریتم های در حال ظهور، استراتژی های آموزشی و پروتکل های ارتباطی را در خود جای دهد. Flower تحت مجوز آپاچی 2.0 منبع باز است.
معماری مفهومی اجرای FL در مقاله توضیح داده شده است گل: یک چارچوب یادگیری فدرال دوستانه و در شکل زیر مشخص شده است.
در این معماری، کلاینت های لبه روی دستگاه های لبه واقعی زندگی می کنند و از طریق RPC با سرور ارتباط برقرار می کنند. از سوی دیگر، کلاینتهای مجازی، زمانی که غیرفعال هستند، منابع نزدیک به صفر را مصرف میکنند و تنها زمانی که مشتری برای آموزش یا ارزیابی انتخاب میشود، مدل و دادهها را در حافظه بارگذاری میکنند.
سرور Flower استراتژی و تنظیماتی را برای ارسال به مشتریان گل ایجاد می کند. این دیکشنری های پیکربندی را سریالی می کند (یا پیکربندی دیکت به طور خلاصه) به نمایش ProtoBuf آنها، آنها را با استفاده از gRPC به مشتری منتقل می کند و سپس آنها را به فرهنگ لغت پایتون بازگرداند.
استراتژی های فلور FL
گل اجازه سفارشی سازی فرآیند یادگیری را از طریق انتزاع استراتژی. این استراتژی کل فرآیند فدراسیون را تعریف میکند و مقدار اولیه پارامتر را مشخص میکند (خواه سرور باشد یا مشتری اولیه)، حداقل تعداد کلاینتهای موجود مورد نیاز برای مقداردهی اولیه یک اجرا، وزن مشارکتهای مشتری، و جزئیات آموزش و ارزیابی.
Flower پیاده سازی گسترده ای از الگوریتم های میانگین FL و یک پشته ارتباطی قوی دارد. برای فهرستی از الگوریتمهای میانگینگیری اجرا شده و مقالات تحقیقاتی مرتبط، به جدول زیر مراجعه کنید گل: یک چارچوب یادگیری فدرال دوستانه.
یادگیری فدرال با SageMaker: معماری راه حل
یک معماری یادگیری فدرال با استفاده از SageMaker با چارچوب Flower در بالای جریانهای gRPC (بنیاد) دو طرفه پیادهسازی شده است. gRPC انواع پیامهای مبادله شده را تعریف میکند و از کامپایلرها برای ایجاد پیادهسازی کارآمد برای پایتون استفاده میکند، اما میتواند پیادهسازی را برای زبانهای دیگر مانند جاوا یا C++ نیز ایجاد کند.
کلاینت های Flower دستورالعمل ها (پیام ها) را به صورت آرایه های بایت خام از طریق شبکه دریافت می کنند. سپس کلاینت ها دستورالعمل را غیرمستقیم می کنند و اجرا می کنند (آموزش داده های محلی). سپس نتایج (پارامترها و وزنهای مدل) سریالسازی شده و به سرور ارسال میشوند.
معماری سرور/مشتری برای Flower FL در SageMaker با استفاده از نمونههای نوتبوک در حسابهای مختلف در همان منطقه بهعنوان سرور Flower و مشتری گل تعریف شده است. استراتژیهای آموزش و ارزیابی بر روی سرور و همچنین پارامترهای جهانی تعریف میشوند، سپس پیکربندی سریالسازی میشود و از طریق همتاسازی VPC برای مشتری ارسال میشود.
مشتری نمونه نوت بوک یک کار آموزشی SageMaker را شروع می کند که یک اسکریپت سفارشی را اجرا می کند تا نمونه سازی از کلاینت Flower را راه اندازی کند، که پیکربندی سرور را از حالت سریال خارج می کند و می خواند، کار آموزشی را آغاز می کند و پاسخ پارامترها را ارسال می کند.
آخرین مرحله در سرور زمانی رخ میدهد که ارزیابی پارامترهای جدید جمعآوری شده پس از تکمیل تعداد اجراها و کلاینتهای تعیینشده در استراتژی سرور آغاز شود. ارزیابی روی یک مجموعه داده آزمایشی که فقط روی سرور وجود دارد انجام میشود و معیارهای دقت بهبود یافته جدید تولید میشوند.
نمودار زیر معماری راه اندازی FL در SageMaker را با بسته Flower نشان می دهد.
آموزش فدرال را با استفاده از SageMaker پیاده سازی کنید
SageMaker یک سرویس ML کاملاً مدیریت شده است. با SageMaker، دانشمندان و توسعه دهندگان داده می توانند به سرعت مدل های ML را بسازند و آموزش دهند، و سپس آنها را در یک محیط میزبان آماده تولید مستقر کنند.
در این پست، نحوه استفاده از پلتفرم ML مدیریت شده برای ارائه یک محیط تجربه نوت بوک و انجام یادگیری فدرال در سراسر حساب های AWS، با استفاده از مشاغل آموزشی SageMaker را نشان می دهیم. داده های آموزشی خام هرگز از حساب مالک داده خارج نمی شوند و فقط وزن های مشتق شده از طریق اتصال همتا ارسال می شود.
ما اجزای اصلی زیر را در این پست برجسته می کنیم:
- شبکه – SageMaker امکان تنظیم سریع پیکربندی شبکه پیشفرض را فراهم میکند و همچنین به شما این امکان را میدهد تا به طور کامل شبکه را بسته به نیازهای سازمان خود سفارشی کنید. ما از a استفاده می کنیم پیکربندی همتا VPC در داخل منطقه در این مثال.
- تنظیمات دسترسی بین حسابی – برای اینکه به کاربر در حساب سرور اجازه دهیم تا یک کار آموزشی مدل در حساب مشتری شروع کند، ما واگذاری دسترسی به حسابها با استفاده از هویت AWS و مدیریت دسترسی نقش های (IAM). به این ترتیب، کاربر در حساب سرور نیازی به خروج از حساب کاربری و ورود به حساب مشتری برای انجام اقدامات در SageMaker ندارد. این تنظیم فقط برای شروع مشاغل آموزشی SageMaker است و هیچ مجوز دسترسی یا اشتراک گذاری داده بین حسابی ندارد.
- پیاده سازی کد مشتری یادگیری فدرال در حساب مشتری و کد سرور در حساب سرور – ما با استفاده از بسته Flower و آموزش مدیریت شده SageMaker کد مشتری یادگیری فدرال را در حساب مشتری پیاده سازی می کنیم. در ضمن با استفاده از پکیج Flower کد سرور را در اکانت سرور پیاده سازی می کنیم.
همتاسازی VPC را تنظیم کنید
اتصال همتا VPC یک اتصال شبکه ای بین دو VPC است که به شما امکان می دهد ترافیک بین آنها را با استفاده از آدرس های IPv4 خصوصی یا آدرس های IPv6 مسیریابی کنید. نمونه ها در هر یک از VPC ها می توانند با یکدیگر ارتباط برقرار کنند که گویی در یک شبکه هستند.
برای راه اندازی یک اتصال همتا VPC، ابتدا درخواستی برای همتاسازی با VPC دیگری ایجاد کنید. میتوانید یک اتصال همتا VPC با VPC دیگری در همان حساب درخواست کنید، یا در مورد استفاده ما، با یک VPC در یک حساب AWS دیگر متصل شوید. برای فعال کردن درخواست، صاحب VPC باید درخواست را بپذیرد. برای جزئیات بیشتر در مورد همتاسازی VPC، مراجعه کنید یک اتصال همتا VPC ایجاد کنید.
نمونه های نوت بوک SageMaker را در VPC ها راه اندازی کنید
یک نمونه نوت بوک SageMaker یک برنامه نوت بوک Jupyter را از طریق یک ML کاملاً مدیریت شده ارائه می دهد ابر محاسبه الاستیک آمازون (Amazon EC2) نمونه. نوتبوکهای SageMaker Jupyter برای انجام کاوش پیشرفته داده، ایجاد مشاغل آموزشی، استقرار مدلها در میزبانی SageMaker و آزمایش یا اعتبارسنجی مدلهای شما استفاده میشوند.
نمونه نوت بوک دارای تنظیمات شبکه متنوعی است. در این راهاندازی، نمونه نوتبوک را در یک زیرشبکه خصوصی VPC اجرا میکنیم و دسترسی مستقیم به اینترنت نداریم.
تنظیمات دسترسی بین حساب را پیکربندی کنید
تنظیمات دسترسی بین حسابها شامل دو مرحله برای واگذاری دسترسی از حساب سرور به حساب مشتری با استفاده از نقشهای IAM است:
- یک نقش IAM در حساب مشتری ایجاد کنید.
- اجازه دسترسی به نقش در حساب سرور.
برای مراحل دقیق برای تنظیم یک سناریو مشابه، مراجعه کنید با استفاده از نقشهای IAM، دسترسی به حسابهای AWS را واگذار کنید.
در حساب مشتری، یک نقش IAM به نام ایجاد می کنیم FL-kickoff-client-job
با سیاست FL-sagemaker-actions
متصل به نقش این FL-sagemaker-actions
خط مشی دارای محتوای JSON به شرح زیر است:
سپس خط مشی اعتماد را در روابط اعتماد تغییر می دهیم FL-kickoff-client-job
نقش:
در حساب سرور، مجوزها به یک کاربر موجود اضافه می شود (به عنوان مثال، developer
) اجازه می دهد تا به FL-kickoff-client-job
نقش در حساب مشتری برای این کار، یک خط مشی درون خطی به نام ایجاد می کنیم FL-allow-kickoff-client-job
و آن را به کاربر متصل کنید. محتوای JSON خط مشی زیر است:
مجموعه داده های نمونه و آماده سازی داده ها
در این پست از a استفاده می کنیم مجموعه داده انتخاب شده برای کشف تقلب در داده های ارائه دهندگان مدیکر منتشر شده توسط مراکز خدمات مدیکر و مدیکید (CMS). داده ها به یک مجموعه داده آموزشی و یک مجموعه داده آزمایشی تقسیم می شوند. از آنجایی که اکثر داده ها بدون تقلب هستند، ما درخواست می کنیم SMOTE برای متعادل کردن مجموعه داده آموزشی، و تقسیم بیشتر مجموعه داده آموزشی به بخش های آموزشی و اعتبار سنجی. داده های آموزشی و اعتبارسنجی هر دو در یک آپلود می شوند سرویس ذخیره سازی ساده آمازون سطل (Amazon S3) برای آموزش مدل در حساب مشتری، و مجموعه داده آزمایشی در حساب سرور فقط برای اهداف آزمایشی استفاده می شود. جزئیات کد آماده سازی داده ها در ادامه مطلب آمده است دفتر یادداشت.
با SageMaker تصاویر Docker از پیش ساخته شده برای چارچوب scikit-learn و فرآیند آموزش مدیریت SageMaker، ما یک مدل رگرسیون لجستیک را روی این مجموعه داده با استفاده از یادگیری فدرال آموزش میدهیم.
یک مشتری یادگیری فدرال را در حساب مشتری پیاده سازی کنید
در نمونه نوت بوک SageMaker حساب مشتری، یک را آماده می کنیم client.py اسکریپت و الف utils.py اسکریپت در client.py
فایل حاوی کد برای مشتری، و utils.py
فایل حاوی کد برخی از توابع ابزاری است که برای آموزش ما مورد نیاز خواهند بود. ما از بسته scikit-learn برای ساخت مدل رگرسیون لجستیک استفاده می کنیم.
In client.py
، ما یک مشتری گل تعریف می کنیم. مشتری از کلاس مشتق شده است fl.client.NumPyClient. باید سه روش زیر را تعریف کند:
- get_parameters - پارامترهای مدل محلی فعلی را برمی گرداند. تابع ابزار
get_model_parameters
این کار را انجام خواهد داد. - مناسب – مراحل آموزش مدل را بر روی داده های آموزشی در حساب مشتری تعریف می کند. همچنین پارامترهای مدل جهانی و سایر اطلاعات پیکربندی را از سرور دریافت می کند. ما پارامترهای مدل محلی را با استفاده از پارامترهای کلی دریافتی به روز می کنیم و آموزش آن را بر روی مجموعه داده در حساب مشتری ادامه می دهیم. این روش همچنین پارامترهای مدل محلی را پس از آموزش، اندازه مجموعه آموزشی و یک فرهنگ لغت که مقادیر دلخواه را ارسال می کند، به سرور ارسال می کند.
- ارزیابی - پارامترهای ارائه شده را با استفاده از داده های اعتبارسنجی در حساب مشتری ارزیابی می کند. ضرر را همراه با سایر جزئیات مانند اندازه مجموعه اعتبار سنجی و دقت به سرور برمی گرداند.
در زیر یک قطعه کد برای تعریف مشتری Flower آمده است:
سپس از SageMaker استفاده می کنیم حالت اسکریپت برای تهیه بقیه client.py
فایل. این شامل تعریف پارامترهایی است که به آموزش SageMaker ارسال می شود، بارگذاری داده های آموزشی و اعتبار سنجی، مقداردهی اولیه و آموزش مدل روی کلاینت، تنظیم کلاینت Flower برای برقراری ارتباط با سرور و در نهایت ذخیره مدل آموزش دیده.
utils.py
شامل چند توابع کاربردی است که فراخوانی می شوند client.py
:
- get_model_parameters - Sicit-learn را برمی گرداند LogisticRegression پارامترهای مدل
- set_model_params - پارامترهای مدل را تنظیم می کند.
- set_initial_params - پارامترهای مدل را به صورت صفر مقداردهی می کند. این مورد نیاز است زیرا سرور در هنگام راه اندازی پارامترهای مدل اولیه را از مشتری درخواست می کند. با این حال، در چارچوب یادگیری scikit،
LogisticRegression
پارامترهای مدل تا زمانی که مقداردهی اولیه نمی شودmodel.fit()
نامیده میشود. - load_data - داده های آموزش و آزمایش را بارگذاری می کند.
- save_model - این مدل را به عنوان یک ذخیره می کند
.joblib
فایل.
زیرا گل یک بسته نصب شده در SageMaker کانتینر Docker را از پیش ساخته شده است، لیست می کنیم flwr==1.3.0
در requirements.txt
فایل.
ما هر سه فایل (client.py
, utils.py
و requirements.txt
) زیر یک پوشه و تار آن را زیپ کنید. فایل tar.gz (با نام source.tar.gz
در این پست) سپس در سطل S3 در حساب مشتری آپلود می شود.
یک سرور یادگیری فدرال در حساب سرور پیاده سازی کنید
در اکانت سرور، کد روی نوت بوک Jupyter آماده می کنیم. این شامل دو بخش است: سرور ابتدا نقشی را برای شروع یک کار آموزشی در حساب مشتری بر عهده می گیرد، سپس سرور با استفاده از Flower مدل را فدرال می کند.
نقشی را برای اجرای کار آموزشی در حساب مشتری به عهده بگیرید
ما با استفاده از Boto3 Python SDK راه اندازی یک سرویس رمز امنیتی AWS (AWS STS) مشتری به فرض FL-kickoff-client-job
نقش داشته باشید و یک کلاینت SageMaker راه اندازی کنید تا با استفاده از فرآیند آموزش مدیریت شده SageMaker، یک کار آموزشی در حساب مشتری اجرا کنید:
با استفاده از نقش فرض شده، یک کار آموزشی SageMaker در حساب مشتری ایجاد می کنیم. کار آموزشی از چارچوب SageMaker ساخته شده برای یادگیری scikit استفاده می کند. توجه داشته باشید که تمام سطل های S3 و نقش SageMaker IAM در قطعه کد زیر مربوط به حساب مشتری هستند:
مدل های محلی را با استفاده از Flower در یک مدل جهانی جمع آوری کنید
ما کدی را برای فدرال کردن مدل در سرور آماده می کنیم. این شامل تعریف استراتژی برای فدراسیون و پارامترهای اولیه آن است. ما از توابع ابزار در utils.py
اسکریپتی که قبلا برای مقداردهی اولیه و تنظیم پارامترهای مدل توضیح داده شد. Flower به شما این امکان را می دهد که توابع پاسخ به تماس خود را برای سفارشی کردن یک استراتژی موجود تعریف کنید. ما استفاده می کنیم FedAvg استراتژی با تماس های سفارشی برای ارزیابی و پیکربندی مناسب. کد زیر را ببینید:
دو عملکرد زیر در قطعه کد قبلی ذکر شده است:
- مناسب_گرد - برای ارسال شماره گرد به مشتری استفاده می شود. ما این پاسخ تماس را به عنوان ارسال می کنیم
on_fit_config_fn
پارامتر استراتژی ما این کار را صرفا برای نشان دادن استفاده ازon_fit_config_fn
پارامتر. - get_evaluate_fn - برای ارزیابی مدل در سرور استفاده می شود.
برای اهداف نمایشی، از مجموعه داده آزمایشی استفاده میکنیم که در آمادهسازی دادهها کنار گذاشتهایم تا مدل ترکیبشده از حساب مشتری را ارزیابی کنیم و نتیجه را به مشتری بازگردانیم. با این حال، شایان ذکر است که تقریباً در تمام موارد استفاده واقعی، داده های استفاده شده در حساب سرور از مجموعه داده استفاده شده در حساب مشتری جدا نمی شود.
پس از اتمام فرآیند یادگیری فدرال، الف model.tar.gz
فایل توسط SageMaker به عنوان یک مصنوع مدل در یک سطل S3 در حساب مشتری ذخیره می شود. در همین حال، الف model.joblib
فایل در نمونه نوت بوک SageMaker در حساب سرور ذخیره می شود. در نهایت، ما از مجموعه داده آزمایشی برای آزمایش مدل نهایی استفاده می کنیم (model.joblib
) روی سرور. خروجی تست مدل نهایی به شرح زیر است:
پاک کردن
پس از اتمام کار، منابع را در حساب سرور و حساب مشتری تمیز کنید تا از هزینه های اضافی جلوگیری کنید:
- نمونه های نوت بوک SageMaker را متوقف کنید.
- اتصالات همتا VPC و VPCهای مربوطه را حذف کنید.
- سطل S3 را که برای ذخیره سازی داده ایجاد کرده اید خالی و حذف کنید.
نتیجه
در این پست نحوه پیاده سازی یادگیری فدرال در SageMaker با استفاده از بسته Flower را توضیح دادیم. ما نحوه پیکربندی VPC Peering، راهاندازی دسترسی بین حسابها و پیادهسازی کلاینت و سرور FL را نشان دادیم. این پست برای کسانی که نیاز به آموزش مدلهای ML در SageMaker با استفاده از دادههای غیرمتمرکز در سراسر حسابهای دارای اشتراکگذاری محدود داده دارند مفید است. از آنجایی که FL در این پست با استفاده از SageMaker پیادهسازی شده است، شایان ذکر است که ویژگیهای بسیار بیشتری در SageMaker را میتوان وارد این فرآیند کرد.
پیادهسازی یادگیری فدرال در SageMaker میتواند از تمام ویژگیهای پیشرفتهای که SageMaker در طول چرخه حیات ML ارائه میکند، استفاده کند. راههای دیگری برای دستیابی یا اعمال یادگیری فدرال در AWS Cloud وجود دارد، مانند استفاده از نمونههای EC2 یا در لبه. برای جزئیات بیشتر در مورد این رویکردهای جایگزین، مراجعه کنید آموزش فدرال در AWS با FedML و استفاده از یادگیری فدرال برای ML در لبه.
درباره نویسندگان
شری دینگ یک معمار ارشد راه حل های متخصص AI/ML در خدمات وب آمازون (AWS) است. او تجربه گسترده ای در یادگیری ماشین با مدرک دکترا در علوم کامپیوتر دارد. او عمدتاً با مشتریان بخش عمومی در چالشهای مختلف تجاری مرتبط با هوش مصنوعی کار میکند و به آنها کمک میکند سفر یادگیری ماشینی خود را در AWS Cloud تسریع کنند. وقتی به مشتریان کمک نمی کند، از فعالیت های بیرون از خانه لذت می برد.
لورآ آریزابالاگا یک معمار Solutions است که با بخش عمومی بریتانیا هماهنگ است، جایی که به مشتریان کمک می کند راه حل های ML را با Amazon SageMaker طراحی کنند. او همچنین بخشی از انجمن حوزه فنی است که به شتاب سختافزار اختصاص دارد و به آزمایش و محک زدن بارهای کاری AWS Inferentia و AWS Trainium کمک میکند.
بن اسنیولی یک معمار ارشد راه حل متخصص اصلی بخش عمومی AWS است. او با مشتریان دولتی، غیرانتفاعی و آموزشی در پروژههای کلان داده، تحلیلی و AI/ML کار میکند و به آنها کمک میکند تا با استفاده از AWS راهحلهایی بسازند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- ChartPrime. بازی معاملاتی خود را با ChartPrime ارتقا دهید. دسترسی به اینجا.
- BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-decentralized-training-data-using-federated-learning-on-amazon-sagemaker/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 11
- 12
- ٪۱۰۰
- 24
- 25
- 500
- 7
- a
- درباره ما
- شتاب دادن
- پذیرفتن
- دسترسی
- حساب
- حساب ها
- دقت
- رسیدن
- در میان
- عمل
- اقدامات
- فعالیت ها
- اضافه
- اضافی
- آدرس
- پیشرفته
- مزیت - فایده - سود - منفعت
- پس از
- تجمیع
- تجمع
- AI / ML
- الگوریتم
- هم راستا
- معرفی
- اجازه دادن
- اجازه دادن
- اجازه می دهد تا
- در امتداد
- همچنین
- جایگزین
- آمازون
- آمازون EC2
- آمازون SageMaker
- آمازون خدمات وب
- خدمات وب آمازون (AWS)
- an
- تحلیلی
- و
- دیگر
- هر
- آپاچی
- نرم افزار
- درخواست
- روش
- رویکردها
- معماری
- هستند
- AS
- مرتبط است
- فرض
- فرض
- فرض می کند
- At
- ضمیمه کردن
- در دسترس
- میانگین
- اجتناب از
- AWS
- استنتاج AWS
- به عقب
- برج میزان
- BE
- زیرا
- قبل از
- شروع
- بودن
- معیار
- میان
- بزرگ
- بزرگ داده
- هر دو
- مرز
- آورده
- ساختن
- می سازد
- ساخته شده در
- کسب و کار
- اما
- by
- ++C
- نام
- CAN
- مورد
- موارد
- دسته بندی
- متمرکز
- چالش ها
- بار
- را انتخاب کنید
- انتخاب
- کلاس
- مشتری
- مشتریان
- نزدیک
- ابر
- خوشه
- اس ام اس
- رمز
- ارتباط
- ارتباط
- ارتباط
- انجمن
- اتمام
- اجزاء
- جامع
- محاسبه
- کامپیوتر
- علم کامپیوتر
- مفهومی
- شرط
- پیکر بندی
- اتصال
- متصل
- ارتباط
- اتصالات
- در نظر بگیرید
- در نظر گرفته
- مصرف
- شامل
- محتوا
- ادامه دادن
- کنتراست
- مشارکت
- هسته
- متناظر
- ایجاد
- ایجاد شده
- مجوزها و اعتبارات
- جاری
- سفارشی
- مشتریان
- سفارشی
- سفارشی سازی
- سفارشی
- داده ها
- دسترسی به داده ها
- آماده سازی داده ها
- حریم خصوصی داده ها
- به اشتراک گذاری داده ها
- ذخیره سازی داده ها
- مجموعه داده ها
- غیر متمرکز
- اختصاصی
- به طور پیش فرض
- تعريف كردن
- مشخص
- تعریف می کند
- تعریف کردن
- تعریف
- درجه
- نسخه ی نمایشی
- نشان دادن
- بستگی دارد
- گسترش
- نشات گرفته
- شرح داده شده
- طرح
- دقیق
- جزئیات
- کشف
- توسعه دهندگان
- دستگاه
- دستگاه ها
- مختلف
- مستقیم
- بحث و تبادل نظر
- توزیع کردن
- توزیع شده
- آموزش توزیع شده
- do
- کارگر بارانداز
- نمی کند
- انجام شده
- آیا
- رانندگی
- دو
- در طی
- هر
- پیش از آن
- به آسانی
- لبه
- آموزش
- اثر
- موثر
- موثر
- هر دو
- سنگ سنباده
- را قادر می سازد
- پایان
- تمام
- محیط
- ارزیابی
- ارزیابی
- مثال
- رد و بدل شده
- موجود
- تجربه
- آزمایش
- اکتشاف
- وسیع
- تجربه گسترده
- امکانات
- امکانات
- فدراسیون
- کمی از
- رشته
- شکل
- پرونده
- فایل ها
- نهایی
- سرانجام
- پیدا می کند
- نام خانوادگی
- مناسب
- پیروی
- به دنبال آن است
- برای
- اشکال
- پایه
- چارچوب
- چارچوب
- تقلب
- کشف تقلب
- دوستانه
- از جانب
- کاملا
- تابع
- توابع
- بیشتر
- تولید می کنند
- دریافت کنید
- جهانی
- Go
- دولت
- دست
- اتفاق می افتد
- سخت افزار
- آیا
- he
- کمک
- کمک می کند
- نماد
- برجسته
- میزبانی
- میزبانی وب
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- هویت
- if
- نشان می دهد
- تصاویر
- انجام
- پیاده سازی
- اجرا
- بهبود یافته
- in
- غیر فعال
- شامل
- شامل
- ترکیب کردن
- فرد
- لوازم
- اطلاعات
- اول
- بینش
- نصب شده
- نمونه
- دستورالعمل
- اطلاعات
- رابط
- اینترنت
- دسترسی به اینترنت
- به
- IT
- ITS
- خود
- جاوه
- کار
- شغل ها
- سفر
- JPG
- json
- l2
- زبان ها
- بزرگ
- در مقیاس بزرگ
- نام
- راه اندازی
- یادگیری
- مجوز
- wifecycwe
- سبک وزن
- فهرست
- زنده
- بار
- بارگیری
- بارهای
- محلی
- خاموش
- خیلی
- دستگاه
- فراگیری ماشین
- عمدتا
- اکثریت
- اداره می شود
- بسیاری
- به معنی
- در ضمن
- مداوا کردن
- حافظه
- ذکر شده
- پیام
- روش
- روش
- متریک
- حد اقل
- ML
- مدل
- مدل
- تغییر
- بیش
- چندگانه
- باید
- تحت عنوان
- بومی
- لزوما
- نیاز
- ضروری
- نیازهای
- شبکه
- شبکه
- هرگز
- جدید
- به تازگی
- بعد
- گره
- گره
- غیرانتفاعی
- دفتر یادداشت
- یادداشت برداری
- عدد
- of
- ارائه شده
- ارائه
- on
- ONE
- فقط
- منبع باز
- عمل
- or
- سفارش
- سازمان های
- دیگر
- ما
- خارج
- تولید
- روی
- خود
- مالک
- مالک است
- بسته
- مقاله
- اوراق
- موازی
- پارامتر
- پارامترهای
- بخش
- بخش
- عبور
- گذشت
- الگوهای
- همکار
- انجام
- اجازه
- مجوز
- دکترا
- محل
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- سیاست
- محبوب
- ممکن
- پست
- تهیه
- آماده
- اصلی
- از اصول
- خلوت
- خصوصی
- روند
- فرآوری شده
- ساخته
- پروژه ها
- پروتکل
- ارائه
- ارائه
- فراهم می کند
- عمومی
- اهداف
- قرار دادن
- پــایتــون
- سریع
- به سرعت
- خام
- خواندن
- واقعی
- گرفتن
- اخذ شده
- دریافت
- سوابق
- منطقه
- مناطق
- مقررات
- مربوط
- روابط
- منتشر شد
- نمایندگی
- درخواست
- ضروری
- مورد نیاز
- تحقیق
- منابع
- منابع
- قابل احترام
- پاسخ
- REST
- منحصر
- نتیجه
- نتایج
- برگشت
- بازده
- انقلابی
- تنومند
- نقش
- نقش
- ریشه
- دور
- دور
- مسیر
- دویدن
- در حال اجرا
- اجرا می شود
- حکیم ساز
- همان
- صرفه جویی کردن
- مقیاس پذیری
- سناریو
- سناریوها
- علم
- دانشمندان
- یادگیری
- sdk
- بخش
- تیم امنیت لاتاری
- رمز امنیتی
- دیدن
- انتخاب شد
- خود
- ارسال
- می فرستد
- ارشد
- فرستاده
- جداگانه
- سرویس
- خدمات
- جلسه
- جلسات
- تنظیم
- مجموعه
- محیط
- تنظیمات
- برپایی
- اشتراک
- او
- کوتاه
- باید
- نشان داد
- امضاء
- مشابه
- ساده
- به سادگی
- تنها
- اندازه
- کوچکتر
- قطعه
- So
- راه حل
- مزایا
- حل می کند
- برخی از
- متخصص
- به طور خاص
- انشعاب
- پشته
- می ایستد
- شروع
- راه افتادن
- شروع می شود
- بیانیه
- ماندن
- گام
- مراحل
- ذخیره سازی
- استراتژی ها
- استراتژی
- جریان
- زیر شبکه
- زیرشبکه ها
- چنین
- پشتیبانی
- سیستم
- جدول
- گرفتن
- طول می کشد
- فنی
- تکنیک
- جریان تنسور
- آزمون
- تست
- که
- La
- انگلستان
- شان
- آنها
- سپس
- آنجا.
- اینها
- آنها
- این
- کسانی که
- سه
- از طریق
- به
- با هم
- رمز
- هم
- بالا
- ترافیک
- قطار
- آموزش دیده
- آموزش
- ماشه
- باعث شد
- اعتماد
- دو
- انواع
- Uk
- زیر
- تا
- بروزرسانی
- آپلود شده
- بر
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- استفاده
- با استفاده از
- معمولا
- سودمندی
- تصدیق
- اعتبار سنجی
- ارزشها
- تنوع
- مختلف
- نسخه
- از طريق
- مجازی
- vs
- راه می رفت
- مسیر..
- راه
- we
- وب
- خدمات وب
- وزن
- خوب
- چه زمانی
- چه
- که
- در حین
- WHO
- تمام
- اراده
- با
- در داخل
- با این نسخهها کار
- با ارزش
- شما
- شما
- زفیرنت
- صفر
- زیپ