امروز ما با هیجان اعلام می کنیم که اکنون می توانید تبدیل های دسته ای را انجام دهید Amazon SageMaker JumpStart مدل های زبان بزرگ (LLMs) برای Text2Text Generation. تبدیلهای دستهای در موقعیتهایی مفید هستند که نیازی نیست پاسخها در زمان واقعی باشند و بنابراین میتوانید برای مجموعه دادههای بزرگ به صورت دستهای استنتاج کنید. برای تبدیل دسته ای، یک کار دسته ای اجرا می شود که ورودی دسته ای را به عنوان یک مجموعه داده و یک مدل از پیش آموزش دیده می گیرد و پیش بینی هایی را برای هر نقطه داده در مجموعه داده به دست می دهد. تبدیل دسته ای مقرون به صرفه است زیرا بر خلاف نقاط پایانی میزبان زمان واقعی که دارای سخت افزار پایدار هستند، خوشه های تبدیل دسته ای پس از تکمیل کار از بین می روند و بنابراین سخت افزار فقط برای مدت زمان کار دسته ای استفاده می شود.
در برخی موارد استفاده، درخواستهای استنتاج بلادرنگ را میتوان در دستههای کوچکی برای پردازش دستهای گروهبندی کرد تا پاسخهای بلادرنگ یا تقریباً بیدرنگ ایجاد کنند. به عنوان مثال، اگر شما نیاز به پردازش یک جریان پیوسته از دادهها با تأخیر کم و توان عملیاتی بالا دارید، فراخوانی یک نقطه پایانی بلادرنگ برای هر درخواست به طور جداگانه به منابع بیشتری نیاز دارد و پردازش همه درخواستها بیشتر طول میکشد زیرا پردازش به صورت سریالی انجام میشود. . یک رویکرد بهتر این است که برخی از درخواستها را گروهبندی کنید و نقطه پایانی بلادرنگ را در حالت استنتاج دستهای فراخوانی کنید، که درخواستهای شما را در یک پاس رو به جلو مدل پردازش میکند و پاسخ انبوه درخواست را در زمان واقعی یا تقریباً واقعی برمیگرداند. . تأخیر پاسخ به تعداد درخواستهایی که با هم گروهبندی میکنید و اندازه حافظه نمونه بستگی دارد، بنابراین میتوانید اندازه دسته را بر اساس نیازهای کسبوکارتان برای تأخیر و توان تنظیم کنید. ما به این می گوییم استنتاج دسته ای بلادرنگ زیرا مفهوم دسته بندی را ترکیب می کند و در عین حال پاسخ های بلادرنگ را ارائه می دهد. با استنتاج دسته ای بلادرنگ، می توانید به تعادلی بین تاخیر کم و توان عملیاتی بالا دست یابید و به شما امکان می دهد حجم زیادی از داده ها را به موقع و کارآمد پردازش کنید.
تبدیل دسته ای Jumpstart برای مدل های Text2Text Generation به شما این امکان را می دهد که فراپارامترهای دسته ای را از طریق متغیرهای محیطی عبور دهید که باعث افزایش بیشتر و کاهش تاخیر می شود.
JumpStart مدل های از پیش آموزش دیده و منبع باز را برای طیف گسترده ای از انواع مشکلات ارائه می دهد تا به شما در شروع یادگیری ماشین (ML) کمک کند. می توانید این مدل ها را قبل از استقرار به صورت تدریجی آموزش داده و تنظیم کنید. JumpStart همچنین الگوهای راه حلی را ارائه می دهد که زیرساخت هایی را برای موارد استفاده رایج تنظیم می کند و نمونه های نوت بوک قابل اجرا برای ML با آمازون SageMaker. می توانید از طریق صفحه فرود JumpStart به مدل های از پیش آموزش دیده، الگوهای راه حل و نمونه ها دسترسی داشته باشید. Amazon SageMaker Studio. همچنین می توانید با استفاده از SageMaker Python SDK به مدل های JumpStart دسترسی داشته باشید.
در این پست نحوه استفاده از پیشرفته ترین آموزش های قبلی را نشان می دهیم مدل های text2text FLAN T5 از Hugging Face برای تبدیل دسته ای و استنتاج دسته ای در زمان واقعی.
بررسی اجمالی راه حل
نوت بوک تبدیل دسته ای مدل های Text2Text FLAN T5 از پیش آموزش دیده را نشان می دهد در آغوش کشیدن صورت موجود در ادامه مطلب مخزن GitHub. این نوت بوک از داده های صورت در آغوش گرفته استفاده می کند cnn_dailymail مجموعه داده برای یک کار خلاصه سازی متن با استفاده از SageMaker SDK.
در زیر مراحل کلیدی برای اجرای تبدیل دسته ای و استنتاج دسته ای بلادرنگ آمده است:
- پیش نیازها را تنظیم کنید.
- یک مدل از پیش آموزش دیده را انتخاب کنید.
- بازیابی مصنوعات برای مدل.
- فراپارامترهای کار تبدیل دسته ای را مشخص کنید.
- داده ها را برای تبدیل دسته ای آماده کنید.
- کار تبدیل دسته ای را اجرا کنید.
- خلاصه سازی را با استفاده از الف ارزیابی کنید RED نمره (مطالعه فراخوان گرا برای ارزیابی Gisting).
- استنتاج دسته ای را در زمان واقعی انجام دهید.
پیش نیازها را تنظیم کنید
قبل از اجرای نوت بوک، باید چند مرحله اولیه راه اندازی را انجام دهید. بیایید نقش اجرای SageMaker را تنظیم کنیم تا مجوز اجرای خدمات AWS از طرف شما را داشته باشد:
یک مدل از پیش آموزش دیده را انتخاب کنید
ما از مدل huggingface-text2text-flan-t5-large به عنوان مدل پیش فرض استفاده می کنیم. به صورت اختیاری، می توانید لیست مدل های Text2Text موجود را در JumpStart بازیابی کنید و مدل دلخواه خود را انتخاب کنید. این روش یک راه ساده برای انتخاب شناسه های مدل های مختلف با استفاده از یک نوت بوک فراهم می کند. برای اهداف نمایشی، از مدل huggingface-text2text-flan-t5-large استفاده می کنیم:
بازیابی مصنوعات برای مدل
با SageMaker، میتوانیم استنتاج را روی مدل از پیش آموزشدیده انجام دهیم، حتی بدون اینکه ابتدا آن را روی یک مجموعه داده جدید تنظیم کنیم. ما با بازیابی شروع می کنیم deploy_image_uri
, deploy_source_uri
و model_uri
برای مدل از پیش آموزش دیده:
فراپارامترهای کار تبدیل دسته ای را مشخص کنید
شما می توانید هر زیر مجموعه ای از فراپارامترها را به عنوان متغیرهای محیطی به کار تبدیل دسته ای ارسال کنید. شما همچنین می توانید این هایپرپارامترها را در یک بار JSON ارسال کنید. با این حال، اگر مانند کد زیر، متغیرهای محیطی را برای هایپرپارامترها تنظیم میکنید، در این صورت از فراپارامترهای پیشرفته از نمونههای جداگانه در بارگذاری خطوط JSON استفاده نمیشود. اگر می خواهید از هایپرپارامترهای بارگذاری استفاده کنید، ممکن است بخواهید آن را تنظیم کنید hyper_params_dict
پارامتر به جای آن null است.
داده ها را برای تبدیل دسته ای آماده کنید
اکنون ما آماده بارگذاری هستیم cnn_dailymail مجموعه داده از صورت در آغوش گرفته:
هر ورودی داده را مرور می کنیم و داده های ورودی را در قالب مورد نیاز ایجاد می کنیم. ما ایجاد می کنیم articles.jsonl
فایل به عنوان یک فایل داده آزمایشی حاوی مقالاتی است که باید به عنوان بار ورودی خلاصه شوند. همانطور که ما این فایل را ایجاد می کنیم، دستور را اضافه می کنیم "Briefly summarize this text:"
به هر ردیف ورودی تست اگر میخواهید برای هر ورودی تست، هایپرپارامترهای متفاوتی داشته باشید، میتوانید آن فراپارامترها را به عنوان بخشی از ایجاد مجموعه داده اضافه کنید.
ما ایجاد می کنیم highlights.jsonl
به عنوان فایل حقیقت پایه حاوی نکات برجسته هر مقاله ذخیره شده در فایل آزمایشی articles.jsonl
. ما هر دو فایل تست را در یک ذخیره می کنیم سرویس ذخیره سازی ساده آمازون سطل (Amazon S3). کد زیر را ببینید:
کار تبدیل دسته ای را اجرا کنید
هنگامی که یک کار تبدیل دسته ای را شروع می کنید، SageMaker منابع محاسباتی لازم را برای پردازش داده ها، از جمله نمونه های CPU یا GPU بسته به نوع نمونه انتخاب شده، راه اندازی می کند. در طول کار تبدیل دسته ای، SageMaker به طور خودکار منابع محاسباتی مورد نیاز برای پردازش داده ها، از جمله نمونه ها، منابع ذخیره سازی و شبکه را تهیه و مدیریت می کند. هنگامی که کار تبدیل دسته ای کامل شد، منابع محاسباتی به طور خودکار توسط SageMaker پاک می شوند. این بدان معنی است که نمونه ها و ذخیره سازی مورد استفاده در طول کار متوقف و حذف می شوند و منابع آزاد می شوند و هزینه به حداقل می رسد. کد زیر را ببینید:
در زیر یک نمونه رکورد از articles.jsonl
فایل تست توجه داشته باشید که رکورد در این فایل دارای شناسه ای است که با آن مطابقت دارد predict.jsonl
رکوردهای فایلی که یک رکورد خلاصه شده را به عنوان خروجی از مدل Hugging Face Text2Text نشان می دهد. به طور مشابه، فایل حقیقت زمین نیز دارای شناسه تطبیقی برای رکورد داده است. شناسه تطبیق در بین فایل آزمایشی، فایل حقیقت زمین و فایل خروجی اجازه می دهد تا رکوردهای ورودی را با سوابق خروجی برای تفسیر آسان نتایج پیوند دهید.
در زیر نمونه رکورد ورودی ارائه شده برای خلاصه سازی است:
خروجی پیشبینیشده با خلاصهسازی به صورت زیر است:
در زیر خلاصه حقیقت پایه برای اهداف ارزیابی مدل آمده است:
در مرحله بعد، از حقیقت پایه و خروجی های پیش بینی شده برای ارزیابی مدل استفاده می کنیم.
ارزیابی مدل با استفاده از نمره ROUGE¶
REDیا Recall-Oriented Understudy for Gisting Evaluation، مجموعهای از معیارها و یک بسته نرمافزاری است که برای ارزیابی خلاصهسازی خودکار و ترجمه ماشینی در پردازش زبان طبیعی استفاده میشود. این معیارها یک خلاصه یا ترجمه خودکار تولید شده را با یک خلاصه یا ترجمه مرجع (تولید شده توسط انسان) یا مجموعه ای از مراجع مقایسه می کند.
در کد زیر خلاصههای پیشبینیشده و اصلی را با پیوستن آنها روی کلید مشترک ترکیب میکنیم id
و از این برای محاسبه امتیاز ROUGE استفاده کنید:
استنتاج دسته ای را در زمان واقعی انجام دهید
در مرحله بعد، ما به شما نشان میدهیم که چگونه استنتاج دستهای بلادرنگ را در نقطه پایانی با ارائه ورودیها به صورت فهرست اجرا کنید. ما از همان شناسه مدل و مجموعه داده قبلی استفاده می کنیم، با این تفاوت که چند رکورد از مجموعه داده آزمایشی می گیریم و از آنها برای فراخوانی یک نقطه پایانی بلادرنگ استفاده می کنیم.
کد زیر نحوه ایجاد و استقرار یک نقطه پایانی بلادرنگ برای استنتاج دستهای بلادرنگ را نشان میدهد:
در مرحله بعد، بار ورودی خود را آماده می کنیم. برای این کار از داده هایی که قبلا آماده کرده بودیم استفاده می کنیم و 10 ورودی آزمایشی اول را استخراج می کنیم و ورودی های متن را با هایپرپارامترهایی که می خواهیم استفاده کنیم اضافه می کنیم. ما این بار را در زمان واقعی ارائه می دهیم invoke_endpoint
. سپس بار پاسخ به عنوان لیستی از پاسخ ها برگردانده می شود. کد زیر را ببینید:
پاک کردن
پس از اینکه نقطه پایانی را آزمایش کردید، مطمئن شوید که نقطه پایانی استنتاج SageMaker را حذف کرده و مدل را حذف کرده اید تا از تحمیل هزینه جلوگیری کنید.
نتیجه
در این نوت بوک، ما یک تبدیل دسته ای انجام دادیم تا مدل Hugging Face Text2Text Generator را برای کارهای خلاصه سازی به نمایش بگذاریم. تبدیل دسته ای در به دست آوردن استنتاج از مجموعه داده های بزرگ بدون نیاز به نقطه پایانی پایدار سودمند است. ما رکوردهای ورودی را با استنباطها پیوند دادیم تا به تفسیر نتایج کمک کنیم. ما از امتیاز ROUGE برای مقایسه خلاصه داده های آزمون با خلاصه سازی تولید شده توسط مدل استفاده کردیم.
علاوه بر این، استنتاج دستهای بلادرنگ را نشان دادیم، که در آن میتوانید دسته کوچکی از دادهها را به نقطه پایانی بلادرنگ ارسال کنید تا تعادلی بین تأخیر و توان عملیاتی برای سناریوهایی مانند جریان دادههای ورودی ایجاد کنید. استنتاج دسته ای بلادرنگ به افزایش توان عملیاتی درخواست های بلادرنگ کمک می کند.
امروز تغییر دسته ای را با مدل های Text2Text Generation در SageMaker امتحان کنید و نظرات خود را با ما در میان بگذارید!
درباره نویسندگان
همانت سینگ یک مهندس یادگیری ماشین با تجربه در آمازون SageMaker JumpStart و Amazon SageMaker است. او کارشناسی ارشد خود را از موسسه علوم ریاضی Courant و B.Tech از IIT دهلی دریافت کرد. او تجربه کار بر روی طیف متنوعی از مشکلات یادگیری ماشین در حوزه پردازش زبان طبیعی، بینایی کامپیوتر و تجزیه و تحلیل سری های زمانی را دارد.
راچنا چادا یک معمار راه حل اصلی AI/ML در حساب های استراتژیک در AWS است. Rachna خوشبین است که معتقد است استفاده اخلاقی و مسئولانه از هوش مصنوعی می تواند جامعه را در آینده بهبود بخشد و رونق اقتصادی و اجتماعی را به ارمغان بیاورد. راچنا در اوقات فراغت خود دوست دارد با خانواده، پیاده روی و گوش دادن به موسیقی وقت بگذراند.
دکتر آشیش ختان یک دانشمند کاربردی ارشد با الگوریتم های داخلی Amazon SageMaker است و به توسعه الگوریتم های یادگیری ماشین کمک می کند. او دکترای خود را از دانشگاه ایلینویز Urbana-Champaign گرفت. او یک محقق فعال در یادگیری ماشین و استنتاج آماری است و مقالات زیادی در کنفرانس های NeurIPS، ICML، ICLR، JMLR، ACL و EMNLP منتشر کرده 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/perform-batch-transforms-with-amazon-sagemaker-jumpstart-text2text-generation-large-language-models/
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 000
- 1
- 10
- 100
- 11
- 13
- 14
- 20
- 2014
- 50
- 7
- 8
- 9
- a
- قادر
- درباره ما
- بالاتر
- پذیرش
- پذیرفته
- دسترسی
- مطابق
- حساب ها
- رسیدن
- کسب می کند
- در میان
- اقدامات
- فعال
- پیشرفته
- با صرفه
- در برابر
- AI
- AI / ML
- کمک
- الگوریتم
- معرفی
- ادعا شده است
- اجازه می دهد تا
- همچنین
- آمازون
- آمازون SageMaker
- Amazon SageMaker JumpStart
- آمازون خدمات وب
- an
- تحلیل
- و
- اعلام
- هر
- API
- اعمال می شود
- روش
- هستند
- دور و بر
- مقاله
- مقالات
- AS
- At
- تلاشها
- قدرت
- اتوماتیک
- بطور خودکار
- در دسترس
- اجتناب از
- AWS
- برج میزان
- پایه
- مستقر
- BE
- شد
- زیرا
- شود
- قبل از
- بودن
- باور
- معتقد است که
- بنیامین
- بهتر
- میان
- بدن
- هر دو
- هر دو طرف
- مرز
- بطور خلاصه
- به ارمغان بیاورد
- به ارمغان می آورد
- ساخته شده در
- کسب و کار
- اما
- by
- صدا
- CAN
- نمی توان
- موارد
- علت
- بار
- را انتخاب کنید
- کلاس
- مشتری
- نزدیک
- CNN
- رمز
- ترکیب
- ترکیب
- ترکیب
- بیا
- تعهدات
- مرتکب شده
- مشترک
- مقايسه كردن
- کامل
- محاسبه
- کامپیوتر
- چشم انداز کامپیوتر
- مفهوم
- رفتار
- همایش ها
- ظرف
- ادامه دادن
- مداوم
- کمک
- هزینه
- مقرون به صرفه
- میتوانست
- مشورت
- ضد تولید کننده
- کشور
- دادگاه
- ایجاد
- ایجاد
- جنایات
- کیفری
- داده ها
- ثبت داده ها
- مجموعه داده ها
- مرده
- تصمیم
- به طور پیش فرض
- دهلی نو
- نشان دادن
- نشان
- بخش
- بستگی دارد
- گسترش
- گسترش
- شرح داده شده
- مشخص کردن
- توسعه
- پروژه
- متفاوت است
- تفاوت
- مختلف
- مستقیم
- مختلف
- do
- کارگر بارانداز
- دامنه
- انجام شده
- آیا
- توسط
- پایین
- مدت
- در طی
- هر
- پیش از آن
- شرق
- ساده
- اقتصادی
- موثر
- تلاش
- واجد شرایط
- را قادر می سازد
- پایان
- نقطه پایانی
- مهندس
- اطمینان حاصل شود
- وارد می شود
- ورود
- محیط
- عصر
- اخلاقی
- ارزیابی
- ارزیابی
- ارزیابی
- حتی
- مدرک
- مثال
- مثال ها
- جز
- برانگیخته
- اعدام
- تجربه
- عصاره
- چهره
- ایمان
- خانواده
- کمی از
- پرونده
- فایل ها
- نام خانوادگی
- پیروی
- برای
- استحکام
- خارجی
- رسمی
- رسما
- قالب
- به جلو
- تاسیس
- از جانب
- کامل
- بیشتر
- آینده
- نسل
- ژنراتور
- دریافت کنید
- می دهد
- Go
- اهداف
- دولت ها
- GPU
- بیشتر
- زمین
- گروه
- سخت افزار
- آیا
- he
- کمک
- کمک می کند
- او
- اینجا کلیک نمایید
- زیاد
- های لایت
- خود را
- میزبانی
- چگونه
- چگونه
- اما
- HTML
- HTTP
- HTTPS
- صورت در آغوش گرفته
- انسان
- حقوق بشر
- بشریت
- ID
- شناسه
- if
- ایلینوی
- تصویر
- بلافاصله
- اجرای
- واردات
- بهبود
- in
- شامل
- از جمله
- افزایش
- استقلال
- فرد
- به طور جداگانه
- اطلاعات
- شالوده
- اول
- بی عدالتی
- ورودی
- ورودی
- پرس و جو
- نمونه
- در عوض
- موسسه
- بین المللی
- تفسیر
- به
- بررسی
- تحقیق
- تحقیقات
- اسرائيل
- IT
- ITS
- ژانویه
- کار
- پیوستن
- پیوستن
- JPG
- json
- قاضی
- ژوئن
- صلاحیت این دادگاه
- تنها
- عدالت
- کلید
- دانستن
- فرود
- زبان
- بزرگ
- نام
- تاخیر
- بعد
- راه اندازی
- یادگیری
- ترک کرد
- اجازه
- به آرامی
- پسندیدن
- دوست دارد
- لاین
- خطوط
- مرتبط
- ارتباط
- فهرست
- استماع
- بار
- طولانی
- دیگر
- کم
- دستگاه
- فراگیری ماشین
- ساخت
- ساخت
- مدیریت می کند
- روش
- بسیاری
- علامت گذاری شده
- تطبیق
- مطابق
- ریاضی
- ممکن است..
- به معنی
- عضو
- اعضا
- عضویت
- حافظه
- روش
- متریک
- به حداقل رساندن
- ML
- حالت
- مدل
- مدل
- ماه
- بیش
- حرکت
- موسیقی
- باید
- نام
- طبیعی
- پردازش زبان طبیعی
- لازم
- نیاز
- مذاکرات
- نه
- هلند
- شبکه
- جدید
- اخبار
- انتشار اخبار
- دفتر یادداشت
- اکنون
- هدف
- بدست آوردن
- of
- دفتر
- رسما
- on
- ONE
- فقط
- باز کن
- منبع باز
- باز
- مخالفت کن
- مخالف
- or
- اصلی
- OS
- ما
- خارج
- تولید
- روی
- بسته
- با ما
- فلسطین
- اوراق
- پارامتر
- پارامترهای
- بخش
- حزب
- عبور
- مسیر
- سنگفرش
- صلح
- مردم
- انجام
- مجوز
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- نقطه
- ممکن
- پست
- پیش بینی
- پیش بینی
- پیش گویی
- پیش بینی
- پیشگو
- مرجح
- آماده
- آماده شده
- پیش نیازها
- رئيس جمهور
- فشار
- نخستین
- نخست وزیر
- اصلی
- مشکل
- مشکلات
- روند
- فرآیندهای
- در حال پردازش
- ساخته
- رفاه
- ارائه
- ارائه
- فراهم می کند
- ارائه
- منتشر شده
- اهداف
- پــایتــون
- محدوده
- اماده
- واقعی
- زمان واقعی
- رکورد
- سوابق
- منابع
- اشاره دارد
- آزاد
- حذف شده
- به طور مکرر
- گزارش
- درخواست
- درخواست
- نیاز
- ضروری
- مورد نیاز
- پژوهشگر
- منابع
- پاسخ
- پاسخ
- مسئولیت
- مسئوليت
- نتیجه
- نتایج
- برگشت
- بازده
- این فایل نقد می نویسید:
- حقوق
- نقش
- رم
- ROW
- دویدن
- s
- حکیم ساز
- استنباط SageMaker
- سعید
- همان
- گفته
- سناریوها
- علوم
- دانشمند
- نمره
- sdk
- دیدن
- به دنبال
- انتخاب شد
- ارسال
- ارشد
- سلسله
- خدمات
- تنظیم
- محیط
- برپایی
- به اشتراک گذاشته شده
- او
- باید
- نشان
- نمایشگاه
- نشان می دهد
- طرف
- امضاء شده
- به طور مشابه
- ساده
- پس از
- وضعیت
- شرایط
- اندازه
- کوچک
- So
- آگاهی
- جامعه
- نرم افزار
- راه حل
- مزایا
- برخی از
- سخن گفتن
- صحبت کردن
- هزینه
- شروع
- آغاز شده
- دولت
- وزارت امور خارجه
- وضعیت هنر
- بیانیه
- ایالات
- آماری
- گام
- مراحل
- هنوز
- متوقف شد
- ذخیره سازی
- opbevare
- ذخیره شده
- ساده
- استراتژیک
- جریان
- جریان
- به شدت
- موضوع
- خلاصه کردن
- خلاصه
- تابستان
- پشتیبانی
- گرفتن
- صورت گرفته
- طول می کشد
- کار
- وظایف
- فن آوری
- قالب
- سرزمین
- قلمرو
- آزمون
- نسبت به
- که
- La
- اطلاعات
- هلند
- دولت
- جهان
- شان
- آنها
- سپس
- از این رو
- اینها
- آنها
- این
- کسانی که
- از طریق
- توان
- زمان
- سری زمانی
- به
- امروز
- با هم
- پاره شده
- نسبت به
- قطار
- دگرگون کردن
- ترانسفورماتور
- تبدیل می شود
- ترجمه
- درست
- حقیقت
- نوع
- انواع
- تضعیف
- متحد
- ایالات متحده
- جهانی
- دانشگاه
- بر خلاف
- آپلود
- بر
- us
- استفاده کنید
- استفاده
- با استفاده از
- معاون رئیس جمهور
- دید
- جلد
- W
- می خواهم
- جنگ
- بود
- تماشا کردن
- مسیر..
- we
- وب
- خدمات وب
- چهار شنبه
- خوش آمد
- استقبال
- خوب
- چی
- چه زمانی
- چه
- که
- در حین
- WHO
- وسیع
- دامنه گسترده
- اراده
- با
- در داخل
- بدون
- کارگر
- جهان
- خواهد بود
- شما
- شما
- زفیرنت