La Amazon SageMaker Python SDK یک کتابخانه منبع باز برای آموزش و استقرار مدل های یادگیری ماشینی (ML) است آمازون SageMaker. مشتریان سازمانی در صنایع تحت کنترل شدید مانند مراقبتهای بهداشتی و مالی، نردههای محافظ امنیتی ایجاد میکنند تا مطمئن شوند دادههایشان رمزگذاری شده است و ترافیک از اینترنت عبور نمیکند. برای اطمینان از اینکه آموزش SageMaker و استقرار مدلهای ML از این نردههای محافظ پیروی میکند، این یک روش معمول است که محدودیتهایی در حساب یا سازمانهای AWS سطح از طریق سیاست های کنترل خدمات و هویت AWS و مدیریت دسترسی سیاست های (IAM) برای اعمال استفاده از نقش های خاص IAM، ابر خصوصی مجازی آمازون تنظیمات (Amazon VPC) و سرویس مدیریت کلید AWS کلیدهای (AWS KMS). در چنین مواردی، دانشمندان داده باید این پارامترها را با یادداشت زیرشبکهها، گروههای امنیتی و کلیدهای KMS به کد آموزش و استقرار مدل ML خود به صورت دستی ارائه دهند. این وظیفه را بر عهده دانشمندان داده می گذارد که به یاد داشته باشند که این پیکربندی ها را مشخص کنند، کارهای خود را با موفقیت اجرا کنند و از دریافت خطاهای Access Denied اجتناب کنند.
با شروع SageMaker Python SDK نسخه 2.148.0، اکنون می توانید مقادیر پیش فرض را برای پارامترهایی مانند نقش های IAM، VPC ها و کلیدهای KMS پیکربندی کنید. مدیران و کاربران نهایی میتوانند زیرساختهای اولیه AWS را با پیشفرضهایی که در یک فایل پیکربندی با فرمت YAML مشخص شدهاند، مقداردهی اولیه کنند. پس از پیکربندی، Python SDK به طور خودکار این مقادیر را به ارث برده و آنها را به فراخوانی های زیرین SageMaker API مانند CreateProcessingJob()
, CreateTrainingJob()
و CreateEndpointConfig()
، بدون نیاز به اقدامات اضافی. SDK همچنین از چندین فایل پیکربندی پشتیبانی میکند و به مدیران این امکان را میدهد که یک فایل پیکربندی را برای همه کاربران تنظیم کنند و کاربران میتوانند آن را از طریق یک پیکربندی در سطح کاربر که میتواند در آن ذخیره شود لغو کنند. سرویس ذخیره سازی ساده آمازون (Amazon S3) سیستم فایل الاستیک آمازون (Amazon EFS) برای Amazon SageMaker Studio، یا سیستم فایل محلی کاربر.
در این پست به شما نشان می دهیم که چگونه فایل تنظیمات پیش فرض را در Studio ایجاد و ذخیره کنید و از ویژگی پیش فرض SDK برای ایجاد منابع SageMaker خود استفاده کنید.
بررسی اجمالی راه حل
ما این ویژگی جدید را با یک انتها به انتها نشان می دهیم AWS CloudFormation قالبی که زیرساخت مورد نیاز را ایجاد می کند و یک دامنه Studio در VPC مستقر شده ایجاد می کند. علاوه بر این، ما کلیدهای KMS را برای رمزگذاری حجم های مورد استفاده در آموزش و کارهای پردازش ایجاد می کنیم. مراحل به شرح زیر است:
- پشته CloudFormation را در حساب خود راه اندازی کنید. از طرف دیگر، اگر می خواهید این ویژگی را در دامنه یا نوت بوک SageMaker موجود بررسی کنید، از این مرحله صرفنظر کنید.
- جمعیت
config.yaml
فایل و فایل را در محل پیش فرض ذخیره کنید. - یک نوت بوک نمونه با یک مورد استفاده ML سرتاسر، از جمله پردازش داده، آموزش مدل، و استنتاج اجرا کنید.
- مقادیر تنظیمات پیش فرض را لغو کنید.
پیش نیازها
قبل از شروع، مطمئن شوید که یک حساب AWS و یک کاربر یا نقش IAM با امتیازات سرپرست دارید. اگر شما یک دانشمند داده هستید که در حال حاضر پارامترهای زیرساخت را به منابع موجود در نوت بوک خود منتقل می کنید، می توانید مرحله بعدی تنظیم محیط خود را نادیده بگیرید و شروع به ایجاد فایل پیکربندی کنید.
برای استفاده از این ویژگی، مطمئن شوید که نسخه SageMaker SDK خود را با اجرا ارتقا دهید pip install --upgrade sagemaker
.
محیط را تنظیم کنید
برای استقرار یک زیرساخت کامل از جمله شبکه و دامنه استودیو، مراحل زیر را انجام دهید:
- کلون کنید مخزن GitHub.
- به حساب AWS خود وارد شوید و کنسول AWS CloudFormation را باز کنید.
- برای استقرار منابع شبکه، را انتخاب کنید پشته ایجاد کنید.
- قالب را در زیر آپلود کنید
setup/vpc_mode/01_networking.yaml
. - یک نام برای پشته ارائه دهید (به عنوان مثال،
networking-stack
) و مراحل باقی مانده را برای ایجاد پشته کامل کنید. - برای استقرار دامنه Studio، را انتخاب کنید پشته ایجاد کنید دوباره.
- قالب را در زیر آپلود کنید
setup/vpc_mode/02_sagemaker_studio.yaml
. - یک نام برای پشته ارائه دهید (به عنوان مثال،
sagemaker-stack
، و نام پشته شبکه را در صورت درخواست برای آن ارائه کنیدCoreNetworkingStackName
پارامتر. - مراحل باقیمانده را ادامه دهید، تأییدیههای منابع IAM را انتخاب کنید و پشته را ایجاد کنید.
هنگامی که وضعیت هر دو پشته به روز می شود CREATE_COMPLETE، پیش رفتن به مرحله بعدی.
فایل پیکربندی را ایجاد کنید
برای استفاده از پیکربندی پیشفرض برای SageMaker Python SDK، یک فایل config.yaml در قالبی که SDK انتظار دارد ایجاد میکنید. برای فرمت فایل config.yaml مراجعه کنید ساختار فایل پیکربندی. بسته به محیط کاری شما، مانند نوتبوکهای استودیو، نمونههای نوتبوک SageMaker، یا IDE محلیتان، میتوانید فایل پیکربندی را در محل پیشفرض ذخیره کنید یا با ارسال یک مکان فایل پیکربندی، تنظیمات پیشفرض را لغو کنید. برای مکان های پیش فرض برای محیط های دیگر، به مکان های فایل پیکربندی. مراحل زیر تنظیمات یک محیط نوت بوک استودیو را نشان می دهد.
برای ایجاد آسان config.yaml
فایل، سلولهای زیر را در ترمینال سیستم استودیو خود اجرا کنید، و جایبانها را با نامهای پشته CloudFormation از مرحله قبل جایگزین کنید:
این اسکریپت به طور خودکار فایل YAML را پر می کند، جای جای نگهدارنده ها را با پیش فرض های زیرساخت جایگزین می کند و فایل را در پوشه اصلی ذخیره می کند. سپس فایل را در محل پیش فرض نوت بوک های Studio کپی می کند. فایل کانفیگ به دست آمده باید شبیه فرمت زیر باشد:
اگر دامنه و پیکربندی شبکه موجود را تنظیم کرده اید، آن را ایجاد کنید config.yaml
فایل را با فرمت مورد نیاز و در محل پیش فرض نوت بوک های Studio ذخیره کنید.
توجه داشته باشید که این پیشفرضها به سادگی مقادیر پیکربندی را برای فراخوانیهای SageMaker SDK مناسب بهصورت خودکار پر میکنند و کاربر را به هیچ VPC، زیرشبکه یا نقش خاصی تحمیل نمیکنند. به عنوان یک مدیر، اگر میخواهید کاربرانتان از پیکربندی یا نقش خاصی استفاده کنند، از آن استفاده کنید کلیدهای وضعیت IAM برای اعمال مقادیر پیش فرض
علاوه بر این، هر تماس API میتواند تنظیمات خاص خود را داشته باشد. به عنوان مثال، در نمونه فایل کانفیگ قبلی، می توانید مشخص کنید vpc-a
و subnet-a
برای مشاغل آموزشی و مشخص کنید vpc-b
و subnet-c
, subnet-d
برای پردازش مشاغل
یک نوت بوک نمونه اجرا کنید
اکنون که فایل پیکربندی را تنظیم کردهاید، میتوانید طبق معمول، بدون نیاز به تنظیم صریح پارامترهای شبکه و رمزگذاری، برای اکثر توابع SDK، کار ساختن مدل و نوتبوکهای آموزشی خود را شروع کنید. دیدن API ها و پارامترهای پشتیبانی شده برای یک لیست کامل از تماس ها و پارامترهای API پشتیبانی شده.
در استودیو، نماد File Explorer را در قسمت ناوبری انتخاب کرده و باز کنید 03_feature_engineering/03_feature_engineering.ipynb
، همانطور که در تصویر زیر نشان داده شده است.
سلول های نوت بوک را یکی یکی اجرا کنید و متوجه شوید که هیچ پیکربندی اضافی را مشخص نمی کنید. هنگامی که شی پردازنده را ایجاد می کنید، خروجی های سلولی را مانند مثال زیر خواهید دید.
همانطور که در خروجی مشاهده می کنید، پیکربندی پیش فرض به طور خودکار بر روی کار پردازش اعمال می شود، بدون نیاز به ورودی اضافی از طرف کاربر.
هنگامی که سلول بعدی را برای اجرای پردازنده اجرا می کنید، می توانید با مشاهده کار در کنسول SageMaker نیز تأیید کنید که پیش فرض ها تنظیم شده اند. انتخاب کنید کارهای پردازشی زیر پردازش همانطور که در تصویر زیر نشان داده شده است، در قسمت ناوبری.
کار پردازش را با پیشوند انتخاب کنید end-to-end-ml-sm-proc
، و باید بتوانید شبکه و رمزگذاری را که قبلاً پیکربندی شده است مشاهده کنید.
میتوانید به اجرای نوتبوکهای باقیمانده برای آموزش و استقرار مدل ادامه دهید، و متوجه خواهید شد که پیشفرضهای زیرساخت بهطور خودکار هم برای مشاغل آموزشی و هم برای مدلها اعمال میشوند.
فایل تنظیمات پیش فرض را لغو کنید
ممکن است مواردی وجود داشته باشد که کاربر باید پیکربندی پیشفرض را لغو کند، برای مثال، برای آزمایش دسترسی به اینترنت عمومی، یا اگر آدرسهای IP زیرشبکه تمام شود، پیکربندی شبکه را بهروزرسانی کند. در چنین مواردی، Python SDK همچنین به شما این امکان را می دهد که یک مکان سفارشی برای فایل پیکربندی، یا در حافظه محلی، یا می توانید به مکانی در Amazon S3 اشاره کنید. در این بخش به بررسی یک مثال می پردازیم.
باز کردن user-configs.yaml
را در فهرست اصلی خود قرار دهید و آن را به روز کنید EnableNetworkIsolation
ارزش به True
، تحت TrainingJob
بخش.
حالا همان نوت بوک را باز کنید و سلول زیر را به ابتدای دفترچه اضافه کنید:
با این سلول، محل فایل کانفیگ را روی SDK قرار می دهید. اکنون، هنگامی که شی پردازنده را ایجاد می کنید، متوجه خواهید شد که پیکربندی پیش فرض برای فعال کردن جداسازی شبکه لغو شده است و کار پردازش در حالت ایزوله شبکه با شکست مواجه می شود.
اگر از محیط محلی خود مانند VSCode استفاده می کنید، می توانید از همان متغیر محیط جایگزین برای تنظیم مکان فایل پیکربندی استفاده کنید.
اشکال زدایی و بازیابی پیش فرض ها
برای عیب یابی سریع اگر هنگام اجرای تماس های API از نوت بوک خود با خطا مواجه شدید، خروجی سلول تنظیمات پیش فرض اعمال شده را همانطور که در بخش قبل نشان داده شده است نمایش می دهد. برای مشاهده تماس دقیق Boto3 ایجاد شده برای مشاهده مقادیر مشخصه ارسال شده از فایل تنظیمات پیشفرض، میتوانید با روشن کردن Boto3 logging، اشکال زدایی کنید. برای روشن کردن گزارش، سلول زیر را در بالای نوت بوک اجرا کنید:
هر تماس بعدی Boto3 با درخواست کامل ثبت میشود که در قسمت بدنه در گزارش قابل مشاهده است.
همچنین می توانید مجموعه تنظیمات پیش فرض را با استفاده از session.sagemaker_config
مقدار همانطور که در مثال زیر نشان داده شده است.
در نهایت، اگر از Boto3 برای ایجاد منابع SageMaker خود استفاده می کنید، می توانید مقادیر تنظیمات پیش فرض را با استفاده از sagemaker_config
متغیر. به عنوان مثال، برای اجرای کار پردازش در 03_feature_engineering.ipynb
با استفاده از Boto3 می توانید محتویات سلول زیر را در همان نوت بوک وارد کرده و سلول را اجرا کنید:
ایجاد فایل پیکربندی خودکار
برای مدیران، نیاز به ایجاد فایل پیکربندی و ذخیره فایل در هر نمونه نوت بوک SageMaker یا نمایه کاربر استودیو می تواند کاری دلهره آور باشد. اگرچه میتوانید به کاربران توصیه کنید که از یک فایل مشترک ذخیرهشده در یک مکان پیشفرض S3 استفاده کنند، اما هزینههای اضافی تعیین نادیده گرفتن را بر روی دانشمندان داده قرار میدهد.
برای خودکارسازی این کار، مدیران می توانند از تنظیمات چرخه حیات SageMaker (LCC) استفاده کنند. برای نمایههای کاربر Studio یا نمونههای نوتبوک، میتوانید نمونه اسکریپت LCC زیر را به عنوان LCC پیشفرض برای برنامه پیشفرض Jupyter Server کاربر پیوست کنید:
دیدن از تنظیمات چرخه زندگی برای Amazon SageMaker Studio استفاده کنید or یک نمونه نوت بوک را سفارشی کنید برای دستورالعمل های ایجاد و تنظیم یک اسکریپت چرخه حیات پیش فرض.
پاک کردن
وقتی آزمایش این ویژگی را تمام کردید، منابع خود را پاک کنید تا از پرداخت هزینه های اضافی جلوگیری کنید. اگر منابع جدیدی را همانطور که در این پست مشخص شده است تهیه کرده اید، مراحل زیر را برای پاکسازی منابع خود تکمیل کنید:
- برنامه های استودیو خود را برای نمایه کاربر خاموش کنید. دیدن برنامه های SageMaker Studio و Studio را خاموش و به روز کنید برای دستورالعمل قبل از حذف پشته مطمئن شوید که همه برنامه ها حذف شده اند.
- حجم EFS ایجاد شده برای دامنه Studio را حذف کنید. با استفاده از a می توانید حجم EFS پیوست شده با دامنه را مشاهده کنید DescribeDomain تماس API.
- پشته دامنه Studio را حذف کنید.
- گروه های امنیتی ایجاد شده برای دامنه Studio را حذف کنید. شما می توانید آنها را در ابر محاسبه الاستیک آمازون کنسول (Amazon EC2) با نامهای Security-group-for-inbound-nfs-d-xxx و Security-group-for-outbound-nfs-d-xxx
- پشته شبکه را حذف کنید.
نتیجه
در این پست، پیکربندی و استفاده از مقادیر پیشفرض برای پارامترهای زیرساخت کلیدی با استفاده از SageMaker Python SDK را مورد بحث قرار دادیم. این به مدیران اجازه میدهد تا پیکربندیهای پیشفرض را برای دانشمندان داده تنظیم کنند، در نتیجه در زمان برای کاربران و مدیران صرفهجویی میشود، بار تعیین مکرر پارامترها را از بین میبرد و در نتیجه کدهای کمتر و قابل مدیریتتری ایجاد میکند. برای لیست کامل پارامترها و API های پشتیبانی شده، نگاه کنید پیکربندی و استفاده از پیشفرضها با SageMaker Python SDK. برای هر گونه سوال و بحث، به ما بپیوندید جامعه یادگیری ماشین و هوش مصنوعی.
درباره نویسنده
جوزپه آنجلو پورچلی یک معمار اصلی راه حل های متخصص یادگیری ماشین برای خدمات وب آمازون است. او با چندین سال مهندسی نرم افزار پیشینه ML، با مشتریان در هر اندازه ای کار می کند تا عمیقاً نیازهای تجاری و فنی آنها را درک کند و راه حل های هوش مصنوعی و یادگیری ماشینی را طراحی کند که بهترین استفاده را از AWS Cloud و پشته یادگیری ماشین آمازون می کند. او روی پروژههایی در حوزههای مختلف، از جمله MLOps، Computer Vision، NLP و شامل مجموعه گستردهای از خدمات AWS کار کرده است. جوزپه در اوقات فراغت خود از بازی فوتبال لذت می برد.
برونو پیستون یک معمار راه حل های تخصصی AI/ML برای AWS مستقر در میلان است. او با مشتریان با هر اندازه ای کار می کند تا به آنها کمک کند تا نیازهای فنی خود را عمیقاً درک کنند و راه حل های هوش مصنوعی و یادگیری ماشینی را طراحی کنند که بهترین استفاده را از AWS Cloud و پشته یادگیری ماشین آمازون می کند. زمینه تخصص او عبارتند از: یادگیری ماشینی، صنعتی سازی یادگیری ماشینی و MLOps. او از گذراندن وقت با دوستانش و کشف مکان های جدید و همچنین سفر به مقاصد جدید لذت می برد.
دورگا سوری یک معمار ML Solutions در تیم Amazon SageMaker Service SA است. او مشتاق است که یادگیری ماشین را برای همه در دسترس قرار دهد. او در 4 سال حضور خود در AWS به راهاندازی پلتفرمهای AI/ML برای مشتریان سازمانی کمک کرده است. وقتی کار نمی کند، عاشق موتورسواری، رمان های معمایی و پیاده روی طولانی با هاسکی 5 ساله اش است.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoAiStream. Web3 Data Intelligence دانش تقویت شده دسترسی به اینجا.
- ضرب کردن آینده با آدرین اشلی. دسترسی به اینجا.
- خرید و فروش سهام در شرکت های PRE-IPO با PREIPO®. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/configure-and-use-defaults-for-amazon-sagemaker-resources-with-the-sagemaker-python-sdk/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 10
- 100
- 20
- 30
- 60
- 7
- 9
- a
- قادر
- درباره ما
- دسترسی
- در دسترس
- حساب
- اقدامات
- اضافه کردن
- اضافه
- اضافی
- آدرس
- مدیران
- از نو
- AI
- AI / ML
- معرفی
- اجازه دادن
- اجازه می دهد تا
- قبلا
- همچنین
- هر چند
- آمازون
- آمازون EC2
- آموزش ماشین آمازون
- آمازون SageMaker
- آمازون خدمات وب
- an
- و
- هر
- API
- رابط های برنامه کاربردی
- نرم افزار
- اعمال می شود
- مناسب
- برنامه های
- هستند
- AS
- At
- ضمیمه کردن
- خودکار بودن
- بطور خودکار
- اجتناب از
- AWS
- AWS CloudFormation
- زمینه
- مستقر
- BE
- بوده
- قبل از
- شروع
- بهترین
- بدن
- هر دو
- پهن
- بنا
- بار
- کسب و کار
- by
- صدا
- تماس ها
- CAN
- مورد
- موارد
- CD
- سلول ها
- را انتخاب کنید
- مشتری
- ابر
- رمز
- مجموعه
- مشترک
- کامل
- محاسبه
- کامپیوتر
- چشم انداز کامپیوتر
- شرط
- پیکر بندی
- کنسول
- محتویات
- ادامه دادن
- کنترل
- کنترل
- هزینه
- میتوانست
- ایجاد
- ایجاد شده
- ایجاد
- ایجاد
- در حال حاضر
- سفارشی
- مشتریان
- داده ها
- پردازش داده ها
- دانشمند داده
- به طور پیش فرض
- پیش فرض
- نشان دادن
- بستگی دارد
- گسترش
- مستقر
- استقرار
- گسترش
- طرح
- مقصدهای
- مختلف
- بحث کردیم
- بحث و گفتگو
- صفحه نمایش
- نمی کند
- دامنه
- حوزه
- انجام شده
- آیا
- پایین
- هر
- به آسانی
- از دست
- هر دو
- از بین بردن
- قادر ساختن
- رمزگذاری
- رمزگذاری
- پایان
- پشت سر هم
- نقطه پایانی
- اعمال
- مهندسی
- اطمینان حاصل شود
- وارد
- سرمایه گذاری
- محیط
- محیط
- خطاهای
- هر کس
- مثال
- موجود
- انتظار می رود
- تجربه
- تخصص
- اکتشاف
- جستجوگر
- بررسی
- FAIL
- غلط
- ویژگی
- رشته
- پرونده
- فایل ها
- سرمایه گذاری
- پیدا کردن
- به دنبال
- پیروی
- به دنبال آن است
- فوتبال
- برای
- قالب
- رایگان
- دوستان
- از جانب
- کامل
- توابع
- دریافت کنید
- گرفتن
- رفتن
- گروه ها
- آیا
- داشتن
- he
- بهداشت و درمان
- کمک کرد
- کمک
- او
- خود را
- صفحه اصلی
- چگونه
- چگونه
- HTML
- HTTP
- HTTPS
- ICON
- هویت
- if
- واردات
- in
- از جمله
- لوازم
- شالوده
- ورودی
- نصب
- نمونه
- دستورالعمل
- رابط
- اینترنت
- دسترسی به اینترنت
- به
- شامل
- IP
- آدرس های IP
- انزوا
- IT
- ITS
- کار
- شغل ها
- پیوستن
- JPG
- کلید
- کلید
- بزرگ
- یادگیری
- سطح
- کتابخانه
- wifecycwe
- پسندیدن
- فهرست
- محلی
- محل
- مکان
- ورود به سیستم
- سیستم وارد
- ورود به سیستم
- طولانی
- نگاه کنيد
- دوست دارد
- دستگاه
- فراگیری ماشین
- ساخت
- ساخت
- مدیریت
- دستی
- میلان
- ML
- MLO ها
- حالت
- مدل
- مدل
- بیش
- اکثر
- موتورسیکلت
- چندگانه
- راز
- نام
- نام
- جهت یابی
- نیاز
- ضروری
- نیازمند
- نیازهای
- شبکه
- شبکه
- جدید
- بعد
- nlp
- نه
- دفتر یادداشت
- اطلاع..
- یادداشت برداری
- اکنون
- هدف
- of
- on
- یک بار
- ONE
- باز کن
- منبع باز
- or
- OS
- دیگر
- خارج
- تولید
- باطل کردن
- خود
- قطعه
- پارامتر
- پارامترهای
- گذشت
- عبور
- احساساتی
- پرداخت
- اماکن
- سیستم عامل
- افلاطون
- هوش داده افلاطون
- PlatoData
- بازی
- نقطه
- سیاست
- پست
- تمرین
- قبلی
- اصلی
- خصوصی
- امتیازات
- در حال پردازش
- پردازنده
- مشخصات
- پروفایل
- پروژه ها
- ارائه
- عمومی
- قرار می دهد
- پــایتــون
- سوالات
- سریع
- توصیه
- باقی مانده
- به یاد داشته باشید
- درخواست
- ضروری
- منابع
- پاسخ
- محدودیت های
- نتیجه
- نقش
- نقش
- دویدن
- در حال اجرا
- s
- SA
- حکیم ساز
- همان
- ذخیره
- صرفه جویی کردن
- دانشمند
- دانشمندان
- sdk
- بخش
- تیم امنیت لاتاری
- دیدن
- سرویس
- خدمات
- جلسه
- تنظیم
- محیط
- برپایی
- چند
- او
- باید
- نشان
- نمایشگاه
- نشان داده شده
- مشابه
- ساده
- به سادگی
- اندازه
- نرم افزار
- مهندسی نرم افزار
- مزایا
- چیزی
- متخصص
- خاص
- مشخص شده
- هزینه
- پشته
- پشته
- شروع
- آغاز شده
- وضعیت
- گام
- مراحل
- ذخیره سازی
- opbevare
- ذخیره شده
- استودیو
- زیر شبکه
- زیرشبکه ها
- متعاقب
- موفقیت
- چنین
- پشتیبانی
- پشتیبانی از
- سیستم
- کار
- تیم
- فنی
- قالب
- پایانه
- که
- La
- شان
- آنها
- سپس
- در نتیجه
- اینها
- این
- از طریق
- محکم
- زمان
- به
- بالا
- ترافیک
- قطار
- آموزش
- دور زدن
- عطف
- زیر
- اساسی
- فهمیدن
- بروزرسانی
- ارتقاء
- استفاده
- استفاده کنید
- مورد استفاده
- استفاده
- کاربر
- کاربران
- با استفاده از
- ارزش
- ارزشها
- بررسی
- نسخه
- از طريق
- چشم انداز
- تماشا
- مجازی
- قابل رویت
- دید
- حجم
- جلد
- می خواهم
- we
- وب
- خدمات وب
- خوب
- چه زمانی
- اراده
- با
- بدون
- مهاجرت کاری
- مشغول به کار
- کارگر
- با این نسخهها کار
- یامل
- سال
- شما
- شما
- زفیرنت