این پست با مینگ (ملوین) کین، دیوید بریکات و براد جنرو از NVIDIA نوشته شده است.
محققان و توسعه دهندگان تصویربرداری پزشکی به یک چارچوب سازمانی مقیاس پذیر برای ساخت، استقرار و یکپارچه سازی برنامه های هوش مصنوعی خود نیاز دارند. AWS و NVIDIA گرد هم آمده اند تا این چشم انداز را به واقعیت تبدیل کنند. AWS، NVIDIA، و شرکای دیگر با تسریع اتصال ابری تصویربرداری سازمانی، برنامهها و راهحلهایی بسازید تا مراقبتهای بهداشتی را در دسترستر، مقرون به صرفهتر و کارآمدتر کنید. MONAI استقرار یکی از ماژول های کلیدی در داخل است مونای (شبکه باز پزشکی برای هوش مصنوعی) که توسط کنسرسیومی از رهبران دانشگاهی و صنعتی، از جمله NVIDIA توسعه یافته است. AWS HealthImaging (AHI) یک فروشگاه تصاویر پزشکی واجد شرایط HIPAA، بسیار مقیاس پذیر، کارآمد و مقرون به صرفه است. ما یک رابط MONAI Deploy به AHI ایجاد کردهایم تا برنامههای کاربردی هوش مصنوعی تصویربرداری پزشکی را با تأخیرهای بازیابی تصویر دوم در مقیاسی که توسط APIهای بومی ابری ارائه میشود، یکپارچه کنیم. مدلها و برنامههای MONAI AI را میتوان روی میزبانی کرد آمازون SageMaker، که یک سرویس کاملاً مدیریت شده برای استقرار مدل های یادگیری ماشین (ML) در مقیاس است. SageMaker از تنظیم و مدیریت نمونهها برای استنتاج مراقبت میکند و معیارها و گزارشهای داخلی را برای نقاط پایانی فراهم میکند که میتوانید از آنها برای نظارت و دریافت هشدارها استفاده کنید. همچنین انواع مختلفی را ارائه می دهد نمونه های کارت گرافیک NVIDIA برای استنتاج ML، و همچنین چندین گزینه استقرار مدل با مقیاس بندی خودکار، از جمله استنتاج بلادرنگ, استنتاج بدون سرور, استنتاج ناهمزمانو تبدیل دسته ای.
در این پست، نحوه استقرار یک بسته برنامه کاربردی MONAI (MAP) با اتصال دهنده به AWS HealthImaging را با استفاده از نقطه پایانی چند مدل SageMaker برای استنتاج بلادرنگ و استنتاج ناهمزمان نشان میدهیم. این دو گزینه اکثر موارد استفاده از خط لوله استنتاج تصویربرداری پزشکی در زمان واقعی را پوشش می دهند.
بررسی اجمالی راه حل
نمودار زیر معماری راه حل را نشان می دهد.
پیش نیازها
مراحل پیش نیاز زیر را کامل کنید:
- از یک حساب AWS با یکی از مناطق زیر استفاده کنید، جایی که AWS HealthImaging در دسترس است: ویرجینیای شمالی (
us-east-1
, اورگان (us-west-2
)، ایرلند (eu-west-1
و سیدنی (ap-southeast-2
). - ایجاد یک Amazon SageMaker Studio دامنه و مشخصات کاربر با هویت AWS و مدیریت دسترسی مجوز (IAM) برای دسترسی به AWS HealthImaging.
- پسوند JupyterLab v3 را فعال کنید و اگر می خواهید تصاویر پزشکی را در نوت بوک SageMaker به صورت تعاملی با استفاده از تصویر تجسم کنید، افزونه Imjoy-jupyter را نصب کنید. itkwidgets.
اتصال MAP به AWS HealthImaging
AWS HealthImaging فایلهای DICOM P10 را وارد کرده و آنها را به ImageSets تبدیل میکند که نمایشی بهینه از سری DICOM هستند. AHI دسترسی API به فراداده های ImageSet و ImageFrames را فراهم می کند. فراداده شامل تمام ویژگی های DICOM در یک سند JSON است. ImageFrames به صورت کدگذاری شده در برگردانده می شوند JPEG2000 پرتوان (HTJ2K) فرمت بدون اتلاف، که می تواند بسیار سریع رمزگشایی شود. ImageSets را می توان با استفاده از رابط خط فرمان AWS (AWS CLI) یا SDK های AWS.
MONAI یک چارچوب هوش مصنوعی تصویربرداری پزشکی است که پیشرفتهای تحقیقاتی و کاربردهای هوش مصنوعی را به تأثیر بالینی میبرد. MONAI Deploy خط لوله پردازشی است که گردش کار پایان به انتها، از جمله بستهبندی، آزمایش، استقرار و اجرای برنامههای کاربردی هوش مصنوعی تصویربرداری پزشکی در تولید بالینی را امکانپذیر میسازد. شامل مونای استقرار برنامه SDK، MONAI Deploy Express, مدیریت گردش کارو دروازه انفورماتیک. MONAI Deploy App SDK الگوریتمهای آماده برای استفاده و چارچوبی را برای تسریع ساخت برنامههای هوش مصنوعی تصویربرداری پزشکی و همچنین ابزارهای کاربردی برای بستهبندی برنامه در یک ظرف MAP فراهم میکند. عملکردهای مبتنی بر استانداردهای داخلی در برنامه SDK به MAP اجازه میدهد تا به راحتی در شبکههای فناوری اطلاعات سلامت ادغام شود، که نیاز به استفاده از استانداردهایی مانند DICOM، HL7 و FHIR و در مرکز داده و محیطهای ابری دارد. MAP ها می توانند از عملگرهای از پیش تعریف شده و سفارشی برای بارگذاری تصویر DICOM، انتخاب سری، استنتاج مدل و پس پردازش استفاده کنند.
ما یک توسعه یافته است ماژول پایتون با استفاده از AWS HealthImaging Python SDK Boto3. می توانید آن را به صورت پیپ نصب کنید و از تابع کمکی برای بازیابی نمونه های DICOM Service-Object Pair (SOP) به شرح زیر استفاده کنید:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
نمونه های خروجی SOP را می توان با استفاده از itkwidgets بیننده تصویر پزشکی تعاملی سه بعدی در موارد زیر مشاهده کرد. دفتر یادداشت. AHItoDICOM کلاس از چندین فرآیند برای بازیابی فریم های پیکسلی از AWS HealthImaging به صورت موازی بهره می برد و کشف کردن la حباب های باینری HTJ2K با استفاده از کتابخانه OpenJPEG پایتون. ImageSetIds از فایل های خروجی یک کار وارداتی AWS HealthImaging می آید. با توجه به DatastoreId و import JobId، می توانید ImageSetId را که معادل UID نمونه سری DICOM است، به صورت زیر بازیابی کنید:
imageSetIds = {}
try: response = s3.head_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/job-output-manifest.json") if response['ResponseMetadata']['HTTPStatusCode'] == 200: data = s3.get_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/SUCCESS/success.ndjson") contents = data['Body'].read().decode("utf-8") for l in contents.splitlines(): isid = json.loads(l)['importResponse']['imageSetId'] if isid in imageSetIds: imageSetIds[isid]+=1 else: imageSetIds[isid]=1
except ClientError: pass
با ImageSetId، می توانید ابرداده هدر DICOM و پیکسل های تصویر را با استفاده از توابع اصلی AWS HealthImaging API به طور جداگانه بازیابی کنید. این مصالح صادرکننده DICOM هدرهای DICOM و پیکسل های تصویر را در Pydicom مجموعه داده، که می تواند توسط اپراتور داده لودر MAP DICOM. با استفاده از تابع DICOMizeImageSet()، ما یک رابط برای بارگیری داده های تصویر از AWS HealthImaging، بر اساس MAP ایجاد کرده ایم. اپراتور دیتا لودر DICOM:
class AHIDataLoaderOperator(Operator): def __init__(self, ahi_client, must_load: bool = True, *args, **kwargs): self.ahi_client = ahi_client … def _load_data(self, input_obj: string): study_dict = {} series_dict = {} sop_instances = self.ahi_client.DICOMizeImageSet(input_obj['datastoreId'], input_obj['imageSetId'])
در کد قبل، ahi_client
نمونه ای از کلاس صادرکننده AHItoDICOM DICOM است که توابع بازیابی داده نشان داده شده است. ما این اپراتور جدید بارگذار داده را در یک گنجانده ایم برنامه هوش مصنوعی تقسیم بندی طحال سه بعدی ایجاد شده توسط MONAI Deploy App SDK. ابتدا می توانید نحوه ایجاد و اجرای این برنامه را بررسی کنید در یک نمونه نوت بوک محلیو سپس این برنامه MAP را در نقاط پایانی استنتاج مدیریت شده SageMaker مستقر کنید.
استنتاج ناهمزمان SageMaker
SageMaker استنتاج ناهمزمان نقطه پایانی برای درخواستهایی با حجم بار بزرگ (تا 1 گیگابایت)، زمانهای پردازش طولانی (تا 15 دقیقه) و الزامات تاخیر تقریباً واقعی استفاده میشود. هنگامی که هیچ درخواستی برای پردازش وجود ندارد، این گزینه استقرار میتواند برای صرفهجویی در هزینه، تعداد نمونهها را به صفر کاهش دهد، که برای بارهای کاری استنتاج ML تصویربرداری پزشکی ایدهآل است. مراحل را دنبال کنید نمونه دفترچه یادداشت برای ایجاد و فراخوانی نقطه پایانی استنتاج ناهمزمان SageMaker. به یک نقطه پایانی استنتاج ناهمزمان ایجاد کنید، ابتدا باید یک مدل SageMaker و پیکربندی نقطه پایانی ایجاد کنید. برای ایجاد یک مدل SageMaker، باید بسته model.tar.gz را با a بارگذاری کنید ساختار دایرکتوری تعریف شده داخل ظرف داکر بسته model.tar.gz شامل یک فایل model.ts تقسیم بندی طحال از پیش آموزش دیده و یک فایل inference.py سفارشی شده است. ما از یک کانتینر از پیش ساخته شده با نسخه های چارچوب Python 3.8 و PyTorch 1.12.1 برای بارگذاری مدل و اجرای پیش بینی ها استفاده کرده ایم.
در سفارشی inference.py ما یک کلاس کمکی AHItoDICOM را از AHItoDICOMInterface نمونه سازی می کنیم و از آن برای ایجاد یک نمونه MAP در model_fn()
تابع، و ما برنامه MAP را روی هر درخواست استنتاج در آن اجرا می کنیم predict_fn()
عملکرد:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
def model_fn(model_dir, context): … monai_app_instance = AISpleenSegApp(helper, do_run=False,path="/home/model-server") def predict_fn(input_data, model): with open('/home/model-server/inputImageSets.json', 'w') as f: f.write(json.dumps(input_data)) output_folder = "/home/model-server/output" if not os.path.exists(output_folder): os.makedirs(output_folder) model.run(input='/home/model-server/inputImageSets.json', output=output_folder, workdir='/home/model-server', model='/opt/ml/model/model.ts')
به نقطه پایانی ناهمزمان را فراخوانی کنید، باید بار ورودی درخواست را بارگذاری کنید سرویس ذخیره سازی ساده آمازون (Amazon S3)، که یک فایل JSON است که شناسه ذخیرهگاه داده AWS HealthImaging و شناسه ImageSet را برای اجرای استنتاج مشخص میکند:
sess = sagemaker.Session()
InputLocation = sess.upload_data('inputImageSets.json', bucket=sess.default_bucket(), key_prefix=prefix, extra_args={"ContentType": "application/json"})
response = runtime_sm_client.invoke_endpoint_async(EndpointName=endpoint_name, InputLocation=InputLocation, ContentType="application/json", Accept="application/json")
output_location = response["OutputLocation"]
خروجی را می توان در آمازون S3 نیز یافت.
استنتاج بلادرنگ چند مدل SageMaker
SageMaker استنتاج بلادرنگ نقاط پایانی الزامات تعاملی و کم تاخیر را برآورده می کنند. این گزینه می تواند چندین مدل را در یک ظرف پشت یک نقطه پایانی میزبانی کند، که یک راه حل مقیاس پذیر و مقرون به صرفه برای استقرار چندین مدل ML است. آ نقطه پایانی چند مدل SageMaker از سرور استنتاج تریتون NVIDIA استفاده می کند با GPU برای اجرای چندین استنتاج مدل یادگیری عمیق.
در این بخش به نحوه ایجاد و فراخوانی یک نقطه پایانی چند مدلی می پردازیم تطبیق ظرف استنتاج خود در زیر است نمونه دفترچه یادداشت. مدل های مختلف را می توان در یک کانتینر مشترک در یک ناوگان منابع ارائه کرد. نقاط پایانی چند مدلی سربار استقرار را کاهش میدهند و استنتاج مدل مقیاس را بر اساس الگوهای ترافیک به نقطه پایانی کاهش میدهند. ما با استفاده از ابزارهای توسعه دهنده AWS شامل Amazon CodeCommit, آمازون کد بیلدو Amazon CodePipeline ساختن ظرف سفارشی برای استنتاج مدل SageMaker. یک را آماده کردیم model_handler.py به جای فایل inference.py در مثال قبلی، کانتینر خود را بیاورید و توابع ()incialize()، preprocess() و inference() را پیاده سازی کنید:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
class ModelHandler(object): def __init__(self): self.initialized = False self.shapes = None def initialize(self, context): self.initialized = True properties = context.system_properties model_dir = properties.get("model_dir") gpu_id = properties.get("gpu_id") helper = AHItoDICOM() self.monai_app_instance = AISpleenSegApp(helper, do_run=False, path="/home/model-server/") def preprocess(self, request): inputStr = request[0].get("body").decode('UTF8') datastoreId = json.loads(inputStr)['inputs'][0]['datastoreId'] imageSetId = json.loads(inputStr)['inputs'][0]['imageSetId'] with open('/tmp/inputImageSets.json', 'w') as f: f.write(json.dumps({"datastoreId": datastoreId, "imageSetId": imageSetId})) return '/tmp/inputImageSets.json' def inference(self, model_input): self.monai_app_instance.run(input=model_input, output="/home/model-server/output/", workdir="/home/model-server/", model=os.environ["model_dir"]+"/model.ts")
بعد از اینکه ظرف ساخته شد و به آن فشار داده شد رجیستری ظروف الاستیک آمازون (Amazon ECR)، می توانید مدل SageMaker را با آن، به علاوه بسته های مدل مختلف (فایل های tar.gz) در یک مسیر مشخص آمازون S3 ایجاد کنید:
model_name = "DEMO-MONAIDeployModel" + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
model_url = "s3://{}/{}/".format(bucket, prefix)
container = "{}.dkr.ecr.{}.amazonaws.com/{}:dev".format( account_id, region, prefix )
container = {"Image": container, "ModelDataUrl": model_url, "Mode": "MultiModel"}
create_model_response = sm_client.create_model(ModelName=model_name, ExecutionRoleArn=role, PrimaryContainer=container)
قابل توجه است که model_url
در اینجا فقط مسیر یک پوشه از فایلهای tar.gz را مشخص میکند، و شما مشخص میکنید که از کدام بسته مدل برای استنتاج هنگام فراخوانی نقطه پایانی استفاده کنید، همانطور که در کد زیر نشان داده شده است:
Payload = {"inputs": [ {"datastoreId": datastoreId, "imageSetId": next(iter(imageSetIds))} ]}
response = runtime_sm_client.invoke_endpoint(EndpointName=endpoint_name, ContentType="application/json", Accept="application/json", TargetModel="model.tar.gz", Body=json.dumps(Payload))
ما میتوانیم مدلهای بیشتری را بدون نیاز به بهروزرسانی نقطه پایانی یا ایجاد یک نقطه پایانی به نقطه پایانی چند مدلی موجود اضافه کنیم.
پاک کردن
فراموش نکنید که تکمیل کنید منابع هاست را حذف کنید قدم در آزمایشگاه -3 و آزمایشگاه -4 نوت بوک هایی برای حذف نقاط پایانی استنتاج SageMaker. برای صرفه جویی در هزینه ها نیز باید نمونه نوت بوک SageMaker را رد کنید. در نهایت، میتوانید تابع AWS HealthImaging API را فراخوانی کنید یا از کنسول AWS HealthImaging برای حذف مجموعههای تصویر و ذخیره دادههای ایجاد شده قبلی استفاده کنید:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
نتیجه
در این پست، ما به شما نشان دادیم که چگونه یک رابط MAP برای AWS HealthImaging ایجاد کنید، که در برنامههای ساخته شده با MONAI Deploy App SDK قابل استفاده مجدد است، تا با ادغام و تسریع بازیابی دادههای تصویر از یک فروشگاه ابری DICOM تا بارهای کاری هوش مصنوعی تصویربرداری پزشکی. . MONAI Deploy SDK می تواند برای پشتیبانی از عملیات بیمارستان استفاده شود. ما همچنین دو گزینه میزبانی را برای استقرار برنامههای MAP AI در SageMaker در مقیاس نشان دادیم.
از طریق نمونه دفترچه یادداشت در مخزن GitHub برای کسب اطلاعات بیشتر در مورد نحوه استقرار برنامه های MONAI در SageMaker با تصاویر پزشکی ذخیره شده در AWS HealthImaging. برای اینکه بدانید AWS چه کاری می تواند برای شما انجام دهد، با یک تماس بگیرید نماینده AWS.
برای منابع اضافی به موارد زیر مراجعه کنید:
درباره نویسنده
مینگ (ملوین) کین یک مشارکتکننده مستقل در تیم مراقبتهای بهداشتی در NVIDIA است که بر توسعه یک چارچوب و پلتفرم کاربردی استنتاج هوش مصنوعی برای آوردن هوش مصنوعی به جریانهای کاری تصویربرداری پزشکی متمرکز است. مینگ قبل از پیوستن به NVIDIA در سال 2018 به عنوان یکی از اعضای موسس کلارا، 15 سال را صرف توسعه Radiology PACS و Workflow SaaS به عنوان مهندس/معمار اصلی در Stentor Inc. کرد که بعداً توسط Philips Healthcare خریداری شد تا تصویربرداری سازمانی خود را تشکیل دهد.
دیوید بریکات یک مدیر محصول برای مراقبت های بهداشتی در NVIDIA است، جایی که او گروه کاری Project MONAI Deploy را رهبری می کند تا هوش مصنوعی را از تحقیقات به استقرار بالینی برساند. اشتیاق او سرعت بخشیدن به نوآوری سلامت در سطح جهانی است که آن را به تأثیر بالینی واقعی تبدیل می کند. پیش از این، دیوید در Red Hat کار می کرد و اصول منبع باز را در تقاطع هوش مصنوعی، ابر، محاسبات لبه و اینترنت اشیا پیاده سازی می کرد. افتخارآمیزترین لحظات او شامل پیاده روی به کمپ اصلی اورست و بازی فوتبال برای بیش از 20 سال است.
براد جنرو رهبر جهانی، اتحاد مراقبت های بهداشتی در NVIDIA، جایی که او مسئول روابط توسعه دهندگان با تمرکز بر تصویربرداری پزشکی برای تسریع هوش مصنوعی و راه حل های یادگیری عمیق، تجسم، مجازی سازی و تجزیه و تحلیل است. براد با بیش از 20 سال تجربه در فناوری اطلاعات مراقبت های بهداشتی، پذیرش و ادغام یکپارچه مراقبت های بهداشتی و تصویربرداری پزشکی را در عمل بالینی روزمره بشارت می دهد.
گنگ فو معمار راه حل های بهداشت و درمان در AWS است. او دارای مدرک دکترای علوم دارویی از دانشگاه می سی سی پی است و بیش از 10 سال تجربه در زمینه فناوری و تحقیقات زیست پزشکی دارد. او به فناوری و تأثیری که می تواند بر مراقبت های بهداشتی بگذارد علاقه دارد.
جی پی لگر یک معمار ارشد راه حل است که از مراکز پزشکی دانشگاهی و گردش کار تصویربرداری پزشکی در AWS پشتیبانی می کند. او بیش از 20 سال تخصص در مهندسی نرم افزار، IT مراقبت های بهداشتی، و تصویربرداری پزشکی، با تجربه گسترده در سیستم های معماری برای عملکرد، مقیاس پذیری و امنیت در استقرار توزیع شده حجم داده های بزرگ در محل، در فضای ابری، و ترکیبی با تجزیه و تحلیل و هوش مصنوعی دارد. .
کریس هفی یک معمار اصلی راه حل در خدمات وب آمازون است. او بیش از 25 سال تجربه در صنعت تصویربرداری پزشکی دارد و در ساختن سیستم های مقیاس پذیر با کارایی بالا تخصص دارد. او خالق پروژه منبع باز محبوب CornerstoneJS است که بیننده ردپای صفر منبع باز محبوب OHIF را تقویت می کند. او به مشخصات DICOMweb کمک کرد و به کار در جهت بهبود عملکرد آن برای مشاهده مبتنی بر وب ادامه می دهد.
- 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. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 12
- سال 15
- ٪۱۰۰
- 20
- سال 20
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- درباره ما
- دانشگاهی
- شتاب دادن
- تسریع
- دسترسی
- در دسترس
- حساب
- به دست آورد
- در میان
- اضافه کردن
- اضافی
- اتخاذ
- مزیت - فایده - سود - منفعت
- مقرون به صرفه
- AI
- مدل های هوش مصنوعی
- تصویر، موسیقی
- الگوریتم
- معرفی
- اتحادها
- اجازه دادن
- همچنین
- آمازون
- آمازون خدمات وب
- an
- علم تجزیه و تحلیل
- و
- API
- دسترسی به API
- رابط های برنامه کاربردی
- نرم افزار
- کاربرد
- برنامه های کاربردی
- معماری
- هستند
- مصنوعی
- هوش مصنوعی
- AS
- At
- خواص
- اتوماتیک
- در دسترس
- AWS
- پایه
- مستقر
- BE
- قبل از
- پشت سر
- بیومدیکال
- بدن
- هر دو
- میخ زیرپهن
- پیشرفت ها
- به ارمغان بیاورد
- ساختن
- بنا
- ساخته
- ساخته شده در
- by
- صدا
- اردوگاه
- CAN
- اهميت دادن
- موارد
- مرکز
- مراکز
- کلارا
- کلاس
- بالینی
- ابر
- رمز
- بیا
- کامل
- شامل
- محاسبه
- پیکر بندی
- اتصال
- کنسول
- کنسرسیوم
- تماس
- ظرف
- شامل
- محتویات
- زمینه
- ادامه
- کمک
- شرکت کننده
- هزینه
- صرفه جویی در هزینه
- مقرون به صرفه
- هزینه
- پوشش
- نوشته شده
- ایجاد
- ایجاد شده
- خالق
- سفارشی
- داده ها
- مرکز داده
- داود
- عمیق
- یادگیری عمیق
- نشان دادن
- نشان
- گسترش
- استقرار
- گسترش
- اعزام ها
- برنامه نویس
- توسعه
- توسعه دهنده
- توسعه دهندگان
- در حال توسعه
- مختلف
- توزیع شده
- do
- کارگر بارانداز
- سند
- پایین
- پیش از آن
- لبه
- محاسبات لبه
- موثر
- هر دو
- دیگر
- را قادر می سازد
- پشت سر هم
- نقطه پایانی
- مهندسی
- سرمایه گذاری
- محیط
- معادل
- اورست
- هر
- هر روز
- مثال
- جز
- موجود
- تجربه
- تخصص
- اکتشاف
- وسیع
- تجربه گسترده
- خیلی
- غلط
- FAST
- پرونده
- فایل ها
- سرانجام
- نام خانوادگی
- ناوگان
- تمرکز
- متمرکز شده است
- به دنبال
- پیروی
- به دنبال آن است
- رد پا
- برای
- فرم
- قالب
- یافت
- تاسیس
- چارچوب
- از جانب
- fu
- کاملا
- تابع
- ویژگی های
- توابع
- GitHub
- داده
- جهانی
- در سطح جهانی
- GPU
- گروه
- است
- آیا
- داشتن
- he
- هدر
- سلامتی
- بهداشت و درمان
- اینجا کلیک نمایید
- عملکرد بالا
- خیلی
- خود را
- دارای
- بیمارستان
- میزبان
- میزبانی
- میزبانی وب
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- ترکیبی
- ID
- دلخواه
- هویت
- if
- نشان می دهد
- تصویر
- تصاویر
- تصویربرداری
- تأثیر
- اجرا
- اجرای
- واردات
- واردات
- بهبود
- in
- شرکت
- شامل
- مشمول
- شامل
- از جمله
- مستقل
- صنعت
- ابداع
- ورودی
- ورودی
- نصب
- نمونه
- در عوض
- ادغام
- ادغام
- اطلاعات
- تعاملی
- تقاطع
- به
- اینترنت اشیا
- ایرلند
- IT
- ITS
- کار
- پیوستن
- JPG
- json
- کلید
- دانستن
- بزرگ
- تاخیر
- بعد
- رهبری
- رهبران
- منجر می شود
- یاد گرفتن
- یادگیری
- لاین
- بار
- بارکننده
- بارگیری
- محلی
- طولانی
- دستگاه
- فراگیری ماشین
- اکثریت
- ساخت
- اداره می شود
- مدیر
- مدیریت
- نقشه
- نقشه ها
- پزشکی
- دیدار
- عضو
- متاداده
- متریک
- دقیقه
- ML
- حالت
- مدل
- مدل
- ماژول ها
- لحظه
- مانیتور
- بیش
- نقطه پایانی چند مدل
- چندگانه
- بومی
- نیاز
- شبکه
- شبکه
- جدید
- نه
- هیچ
- شمال
- دفتر یادداشت
- قابل توجه
- کارت گرافیک Nvidia
- هدف
- of
- پیشنهادات
- on
- ONE
- فقط
- باز کن
- شبکه باز
- منبع باز
- عملیات
- اپراتور
- اپراتور
- بهینه
- گزینه
- گزینه
- or
- اورگان
- OS
- دیگر
- تولید
- روی
- خود
- بسته
- بسته
- بسته بندی
- جفت
- موازی
- شور
- احساساتی
- مسیر
- الگوهای
- کارایی
- اجازه
- دارویی
- دکترا
- خط لوله
- پیکسل
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- به علاوه
- محبوب
- پست
- صفحه اصلی
- قدرت
- تمرین
- پیش بینی
- آماده شده
- قبلی
- قبلا
- اصلی
- از اصول
- روند
- فرآوری شده
- فرآیندهای
- در حال پردازش
- محصول
- مدیر تولید
- تولید
- پروژه
- املاک
- فراهم می کند
- تحت فشار قرار دادند
- پــایتــون
- مارماهی
- زمان واقعی
- واقعیت
- گرفتن
- قرمز
- ردهت
- كاهش دادن
- مراجعه
- منطقه
- مناطق
- روابط
- نمایندگی
- درخواست
- درخواست
- مورد نیاز
- نیاز
- تحقیق
- محققان
- منابع
- پاسخ
- مسئوليت
- برگشت
- قابل استفاده مجدد
- دویدن
- در حال اجرا
- s
- SAAS
- حکیم ساز
- استنباط SageMaker
- همان
- ذخیره
- پس انداز
- مقیاس پذیری
- مقیاس پذیر
- مقیاس
- مقیاس گذاری
- علم
- sdk
- بدون درز
- بخش
- تیم امنیت لاتاری
- تقسیم بندی
- انتخاب
- خود
- ارشد
- سلسله
- خدمت کرده است
- سرویس
- خدمات
- مجموعه
- محیط
- چند
- اشکال
- به اشتراک گذاشته شده
- باید
- نشان داد
- نشان داده شده
- ساده
- اندازه
- به نرمی
- فوتبال
- نرم افزار
- مهندسی نرم افزار
- راه حل
- مزایا
- منبع
- تخصص دارد
- مشخصات
- صرف
- استانداردهای
- گام
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- رشته
- چنین
- پشتیبانی
- حمایت از
- سیدنی
- سیستم های
- طول می کشد
- تیم
- پیشرفته
- تست
- نسبت به
- که
- La
- شان
- آنها
- سپس
- آنجا.
- اینها
- این
- از طریق
- بار
- به
- با هم
- ابزار
- طرف
- ترافیک
- تریتون
- درست
- امتحان
- دور زدن
- دو
- همه جا
- دانشگاه
- بروزرسانی
- استفاده کنید
- استفاده
- کاربر
- استفاده
- با استفاده از
- سودمندی
- تنوع
- نسخه
- تماشا
- ویرجینیا
- دید
- تجسم
- تجسم
- جلد
- W
- راه رفتن
- می خواهم
- we
- وب
- خدمات وب
- مبتنی بر وب
- خوب
- چی
- چه زمانی
- که
- اراده
- با
- در داخل
- بدون
- مهاجرت کاری
- مشغول به کار
- گردش کار
- گردش کار
- کارگر
- گروه کاری
- سال
- شما
- شما
- زفیرنت
- صفر