नवंबर 2022 में, हम की घोषणा कि AWS ग्राहक टेक्स्ट से इमेज जेनरेट कर सकते हैं स्थिर प्रसार में मॉडल अमेज़न SageMaker जम्पस्टार्ट. आज, हम एक नई सुविधा की घोषणा करते हैं जो आपको जंपस्टार्ट में स्थिर डिफ्यूजन मॉडल के साथ छवियों को उन्नत करने (गुणवत्ता खोए बिना छवियों का आकार बदलने) की सुविधा देती है। एक छवि जो कम रिज़ॉल्यूशन वाली, धुंधली और पिक्सेलयुक्त है, उसे उच्च-रिज़ॉल्यूशन वाली छवि में परिवर्तित किया जा सकता है जो चिकनी, स्पष्ट और अधिक विस्तृत दिखाई देती है। इस प्रक्रिया को कहा जाता है आकार बढ़ाए जाने, वास्तविक छवियों और उत्पन्न छवियों दोनों पर लागू किया जा सकता है टेक्स्ट-टू-इमेज स्थिर प्रसार मॉडल. इसका उपयोग ईकॉमर्स और रियल एस्टेट जैसे विभिन्न उद्योगों के साथ-साथ कलाकारों और फोटोग्राफरों के लिए छवि गुणवत्ता बढ़ाने के लिए किया जा सकता है। इसके अतिरिक्त, उच्च-रिज़ॉल्यूशन स्क्रीन पर प्रदर्शित होने पर अपस्केलिंग कम-रिज़ॉल्यूशन वाली छवियों की दृश्य गुणवत्ता में सुधार कर सकती है।
स्टेबल डिफ्यूजन छवियों को उन्नत करने के लिए एआई एल्गोरिदम का उपयोग करता है, जिससे मैन्युअल काम की आवश्यकता समाप्त हो जाती है जिसके लिए किसी छवि में मैन्युअल रूप से अंतराल भरने की आवश्यकता हो सकती है। इसे लाखों छवियों पर प्रशिक्षित किया गया है और यह उच्च-रिज़ॉल्यूशन छवियों की सटीक भविष्यवाणी कर सकता है, जिसके परिणामस्वरूप पारंपरिक छवि अपस्केलर्स की तुलना में विवरण में उल्लेखनीय वृद्धि हुई है। इसके अतिरिक्त, निकटतम पड़ोसी जैसी गैर-गहन-शिक्षण तकनीकों के विपरीत, स्टेबल डिफ्यूजन छवि के संदर्भ को ध्यान में रखता है, अपस्केलिंग प्रक्रिया का मार्गदर्शन करने के लिए एक पाठ्य संकेत का उपयोग करता है।
इस पोस्ट में, हम दो तरीकों से स्टेबल डिफ्यूजन अपस्केलर मॉडल के साथ अनुमान को तैनात करने और चलाने का एक सिंहावलोकन प्रदान करते हैं: जम्पस्टार्ट के यूजर इंटरफेस (यूआई) के माध्यम से अमेज़ॅन सैजमेकर स्टूडियो, और प्रोग्राम के माध्यम से जम्पस्टार्ट एपीआई में उपलब्ध है सेजमेकर पायथन एसडीके.
समाधान अवलोकन
निम्नलिखित छवियां मॉडल द्वारा किए गए अपस्केलिंग के उदाहरण दिखाती हैं। बाईं ओर मूल निम्न-रिज़ॉल्यूशन वाली छवि है जिसे मॉडल द्वारा उत्पन्न छवि के आकार से मेल खाने के लिए बड़ा किया गया है। दाईं ओर मॉडल द्वारा उत्पन्न छवि है।
पहली उत्पन्न छवि कम रिज़ॉल्यूशन वाली बिल्ली की छवि और संकेत "एक सफेद बिल्ली" का परिणाम है।
दूसरी उत्पन्न छवि कम रिज़ॉल्यूशन वाली तितली छवि और संकेत "हरे पत्ते पर एक तितली" का परिणाम है।
स्टेबल डिफ्यूजन जैसे बड़े मॉडल को चलाने के लिए कस्टम इंट्रेंस स्क्रिप्ट की आवश्यकता होती है। आपको यह सुनिश्चित करने के लिए एंड-टू-एंड टेस्ट चलाना होगा कि स्क्रिप्ट, मॉडल और वांछित उदाहरण एक साथ कुशलता से काम करते हैं। जम्पस्टार्ट उपयोग के लिए तैयार स्क्रिप्ट प्रदान करके इस प्रक्रिया को सरल बनाता है जिनका मजबूत परीक्षण किया गया है। आप इन स्क्रिप्ट को स्टूडियो UI के माध्यम से एक क्लिक के साथ या कोड की बहुत कम पंक्तियों के साथ एक्सेस कर सकते हैं जम्पस्टार्ट एपीआई.
निम्नलिखित अनुभाग मॉडल को तैनात करने और स्टूडियो यूआई या जंपस्टार्ट एपीआई का उपयोग करके अनुमान चलाने का एक सिंहावलोकन प्रदान करते हैं।
ध्यान दें कि इस मॉडल का उपयोग करके, आप इससे सहमत हैं क्रिएटिवएमएल ओपन रेल++-एम लाइसेंस.
Studio UI के माध्यम से जम्पस्टार्ट तक पहुँचें
इस अनुभाग में, हम प्रदर्शित करते हैं कि स्टूडियो यूआई के माध्यम से जम्पस्टार्ट मॉडल को कैसे प्रशिक्षित और तैनात किया जाए। निम्नलिखित वीडियो दिखाता है कि जंपस्टार्ट पर पूर्व-प्रशिक्षित स्टेबल डिफ्यूजन अपस्केलर मॉडल को कैसे ढूंढें और इसे कैसे तैनात करें। मॉडल पृष्ठ में मॉडल और उसका उपयोग करने के तरीके के बारे में बहुमूल्य जानकारी शामिल है। अनुमान के लिए, हम ml.p3.2xlarge इंस्टेंस प्रकार का उपयोग करते हैं क्योंकि यह कम कीमत बिंदु पर कम-अनुमान विलंबता के लिए आवश्यक GPU त्वरण प्रदान करता है। सेजमेकर होस्टिंग इंस्टेंस को कॉन्फ़िगर करने के बाद, चुनें तैनाती. समापन बिंदु चालू होने और अनुमान अनुरोधों का जवाब देने के लिए तैयार होने में 5-10 मिनट लगेंगे।
अनुमान लगाने के समय में तेजी लाने के लिए, जम्पस्टार्ट एक नमूना नोटबुक प्रदान करता है जो दिखाता है कि नए बनाए गए समापन बिंदु पर अनुमान कैसे चलाया जाए। स्टूडियो में नोटबुक तक पहुँचने के लिए, चुनें नोटबुक खोलें में Studio से एंडपॉइंट का इस्तेमाल करें मॉडल समापन बिंदु पृष्ठ का अनुभाग।
सेजमेकर एसडीके के साथ प्रोग्रामेटिक रूप से जम्पस्टार्ट का उपयोग करें
आप कुछ ही क्लिक में पूर्व-प्रशिक्षित मॉडल को इंटरैक्टिव रूप से तैनात करने के लिए जम्पस्टार्ट यूआई का उपयोग कर सकते हैं। हालाँकि, आप सेजमेकर पायथन एसडीके में एकीकृत एपीआई का उपयोग करके प्रोग्रामेटिक रूप से जम्पस्टार्ट मॉडल का भी उपयोग कर सकते हैं।
इस खंड में, हम जंपस्टार्ट में एक उपयुक्त पूर्व-प्रशिक्षित मॉडल चुनते हैं, इस मॉडल को सेजमेकर एंडपॉइंट पर तैनात करते हैं, और सेजमेकर पायथन एसडीके का उपयोग करके तैनात एंडपॉइंट पर अनुमान चलाते हैं। निम्नलिखित उदाहरणों में कोड स्निपेट हैं। इस डेमो के सभी चरणों के साथ पूर्ण कोड के लिए, देखें जम्पस्टार्ट का परिचय - संकेत द्वारा निर्देशित छवि गुणवत्ता बढ़ाएँ उदाहरण नोटबुक।
पूर्व-प्रशिक्षित मॉडल को तैनात करें
सेजमेकर विभिन्न बिल्ड और रनटाइम कार्यों के लिए डॉकटर कंटेनरों का उपयोग करता है। जम्पस्टार्ट इसका उपयोग करता है सेजमेकर डीप लर्निंग कंटेनर (डीएलसी) जो ढांचे-विशिष्ट हैं। हम पहले किसी भी अतिरिक्त पैकेज के साथ-साथ चयनित कार्य के लिए प्रशिक्षण और अनुमान को संभालने के लिए स्क्रिप्ट प्राप्त करते हैं। फिर पूर्व-प्रशिक्षित मॉडल कलाकृतियों को अलग से लाया जाता है model_uris
, जो प्लेटफॉर्म को लचीलापन प्रदान करता है। यह कई पूर्व-प्रशिक्षित मॉडलों को एकल अनुमान स्क्रिप्ट के साथ उपयोग करने की अनुमति देता है। निम्नलिखित कोड इस प्रक्रिया को दिखाता है:
इसके बाद, हम उन संसाधनों को एक में प्रदान करते हैं सेजमेकर मॉडल उदाहरण और एक समापन बिंदु तैनात करें:
हमारे मॉडल को तैनात करने के बाद, हम वास्तविक समय में इससे पूर्वानुमान प्राप्त कर सकते हैं!
इनपुट प्रारूप
एंडपॉइंट कम-रिज़ॉल्यूशन वाली छवि को कच्चे आरजीबी मान या बेस 64 एन्कोडेड छवि के रूप में स्वीकार करता है। अनुमान हैंडलर छवि के आधार पर डीकोड करता है content_type
:
- के लिए
content_type = “application/json”
, इनपुट पेलोड कच्चे RGB मानों, एक टेक्स्ट प्रॉम्प्ट और अन्य वैकल्पिक मापदंडों के साथ एक JSON शब्दकोश होना चाहिए - के लिए
content_type = “application/json;jpeg”
, इनपुट पेलोड एक JSON डिक्शनरी होना चाहिए जिसमें बेस 64 एन्कोडेड इमेज, एक टेक्स्टुअल प्रॉम्प्ट और अन्य वैकल्पिक पैरामीटर हों
आउटपुट स्वरूप
निम्नलिखित कोड उदाहरण आपको एक झलक देते हैं कि आउटपुट कैसा दिखता है। इनपुट प्रारूप के समान, समापन बिंदु छवि के कच्चे आरजीबी मूल्यों या बेस 64 एन्कोडेड छवि के साथ प्रतिक्रिया कर सकता है। इसे सेटिंग द्वारा निर्दिष्ट किया जा सकता है accept
दो मूल्यों में से एक के लिए:
- के लिए
accept = “application/json”
, समापन बिंदु छवि के लिए RGB मानों के साथ एक JSON शब्दकोश लौटाता है - के लिए
accept = “application/json;jpeg”
, एंडपॉइंट JPEG छवि के साथ एक JSON डिक्शनरी लौटाता है, जो बेस64.b64 एन्कोडिंग के साथ एन्कोडेड बाइट है
ध्यान दें कि कच्चे आरजीबी मूल्यों के साथ पेलोड भेजने या प्राप्त करने से इनपुट पेलोड और प्रतिक्रिया आकार के लिए डिफ़ॉल्ट सीमाएं प्रभावित हो सकती हैं। इसलिए, हम सेटिंग करके बेस 64 एन्कोडेड छवि का उपयोग करने की सलाह देते हैं content_type = “application/json;jpeg”
और accept = “application/json;jpeg”
.
निम्नलिखित कोड एक उदाहरण अनुमान अनुरोध है:
समापन बिंदु प्रतिक्रिया एक JSON ऑब्जेक्ट है जिसमें उत्पन्न छवियां और संकेत शामिल हैं:
समर्थित पैरामीटर
स्थिर प्रसार अपस्केलिंग मॉडल छवि निर्माण के लिए कई मापदंडों का समर्थन करते हैं:
- की छवि – कम रिज़ॉल्यूशन वाली छवि.
- शीघ्र - छवि निर्माण का मार्गदर्शन करने के लिए एक संकेत। यह एक स्ट्रिंग या स्ट्रिंग्स की सूची हो सकती है।
- num_inference_steps (वैकल्पिक) - छवि निर्माण के दौरान निरूपण चरणों की संख्या। अधिक कदमों से उच्च गुणवत्ता वाली छवि प्राप्त होती है। यदि निर्दिष्ट किया गया है, तो यह एक धनात्मक पूर्णांक होना चाहिए। ध्यान दें कि अधिक अनुमान चरणों से प्रतिक्रिया समय लंबा हो जाएगा।
- मार्गदर्शन_स्केल (वैकल्पिक) - एक उच्च मार्गदर्शन पैमाना छवि गुणवत्ता की कीमत पर एक छवि को संकेत से अधिक निकटता से संबंधित बनाता है। यदि निर्दिष्ट किया गया है, तो यह एक फ्लोट होना चाहिए।
guidance_scale<=1
नजरअंदाज कर दिया है। - नकारात्मक_प्रॉम्प्ट (वैकल्पिक) - यह इस संकेत के खिलाफ छवि निर्माण का मार्गदर्शन करता है। यदि निर्दिष्ट किया गया है, तो यह एक स्ट्रिंग या स्ट्रिंग्स की सूची होनी चाहिए और इसके साथ प्रयोग किया जाना चाहिए
guidance_scale
. अगरguidance_scale
अक्षम है, यह भी अक्षम है. इसके अलावा, यदि प्रॉम्प्ट स्ट्रिंग्स की एक सूची है, तो Negative_prompt भी स्ट्रिंग्स की एक सूची होनी चाहिए। - बीज (वैकल्पिक) - यह पुनरुत्पादन के लिए यादृच्छिक स्थिति को ठीक करता है। यदि निर्दिष्ट किया गया है, तो यह एक पूर्णांक होना चाहिए। जब भी आप एक ही बीज के साथ एक ही संकेत का उपयोग करते हैं, परिणामी छवि हमेशा एक जैसी होगी।
- शोर_स्तर (वैकल्पिक) - यह अपस्केलिंग से पहले अव्यक्त वैक्टर में शोर जोड़ता है। यदि निर्दिष्ट किया गया है, तो यह एक पूर्णांक होना चाहिए।
आप उच्च और उच्च गुणवत्ता वाली छवियां प्राप्त करने के लिए बार-बार समापन बिंदु को लागू करके एक छवि को पुनरावर्ती रूप से बढ़ा सकते हैं।
छवि का आकार और उदाहरण प्रकार
मॉडल द्वारा उत्पन्न छवियां मूल कम-रिज़ॉल्यूशन छवि के आकार से चार गुना तक हो सकती हैं। इसके अलावा, मॉडल की मेमोरी आवश्यकता (जीपीयू मेमोरी) उत्पन्न छवि के आकार के साथ बढ़ती है। इसलिए, यदि आप पहले से ही उच्च-रिज़ॉल्यूशन छवि को अपस्केल कर रहे हैं या छवियों को पुनरावर्ती रूप से अपस्केल कर रहे हैं, तो बड़ी GPU मेमोरी के साथ एक इंस्टेंस प्रकार का चयन करें। उदाहरण के लिए, ml.g5.2xlarge में हमारे द्वारा पहले उपयोग किए गए ml.p3.2xlarge इंस्टेंस प्रकार की तुलना में अधिक GPU मेमोरी है। विभिन्न इंस्टेंस प्रकारों पर अधिक जानकारी के लिए, देखें अमेज़ॅन EC2 इंस्टेंस प्रकार.
टुकड़े-टुकड़े करके उन्नत होती छवियाँ
बड़ी छवियों को अपग्रेड करते समय मेमोरी आवश्यकताओं को कम करने के लिए, आप छवि को छोटे खंडों में तोड़ सकते हैं, जिन्हें कहा जाता है टाइल, और प्रत्येक टाइल को व्यक्तिगत रूप से अपग्रेड करें। टाइलों को उन्नत बनाने के बाद, अंतिम छवि बनाने के लिए उन्हें एक साथ मिश्रित किया जा सकता है। इस विधि में प्रत्येक टाइल के लिए प्रॉम्प्ट को अनुकूलित करने की आवश्यकता होती है ताकि मॉडल टाइल की सामग्री को समझ सके और अजीब छवियां बनाने से बच सके। सम्मिश्रण को आसान बनाने के लिए प्रॉम्प्ट का शैली भाग सभी टाइलों के लिए एक समान रहना चाहिए। उच्च डीनोइज़िंग सेटिंग्स का उपयोग करते समय, प्रॉम्प्ट में अधिक विशिष्ट होना महत्वपूर्ण है क्योंकि मॉडल में छवि को अनुकूलित करने की अधिक स्वतंत्रता होती है। यह चुनौतीपूर्ण हो सकता है जब टाइल में केवल पृष्ठभूमि हो या चित्र की मुख्य सामग्री से सीधे संबंधित न हो।
सीमाएं और पूर्वाग्रह
भले ही स्टेबल डिफ्यूजन का अपस्केलिंग में प्रभावशाली प्रदर्शन है, लेकिन यह कई सीमाओं और पूर्वाग्रहों से ग्रस्त है। इनमें शामिल हैं, लेकिन इन्हीं तक सीमित नहीं हैं:
- मॉडल सटीक चेहरे या अंग उत्पन्न नहीं कर सकता है क्योंकि प्रशिक्षण डेटा में इन सुविधाओं के साथ पर्याप्त चित्र शामिल नहीं हैं
- मॉडल को प्रशिक्षित किया गया था LAION-5B डेटासेट, जिसमें वयस्क सामग्री है और बिना किसी और विचार के उत्पाद के उपयोग के लिए उपयुक्त नहीं हो सकता है
- मॉडल गैर-अंग्रेजी भाषाओं के साथ अच्छी तरह से काम नहीं कर सकता क्योंकि मॉडल को अंग्रेजी भाषा के पाठ पर प्रशिक्षित किया गया था
- मॉडल छवियों के भीतर अच्छा पाठ उत्पन्न नहीं कर सकता
सीमाओं और पक्षपात के बारे में अधिक जानकारी के लिए देखें स्थिर प्रसार अपस्केलर मॉडल कार्ड.
क्लीन अप
नोटबुक चलाने के बाद, यह सुनिश्चित करने के लिए कि बिलिंग बंद हो गई है, प्रक्रिया में बनाए गए सभी संसाधनों को हटाना सुनिश्चित करें। एंडपॉइंट को साफ करने के लिए कोड संबंधित में उपलब्ध है नोटबुक.
निष्कर्ष
इस पोस्ट में, हमने दिखाया कि जंपस्टार्ट का उपयोग करके पूर्व-प्रशिक्षित स्टेबल डिफ्यूजन अपस्केलर मॉडल को कैसे तैनात किया जाए। हमने इस पोस्ट में कोड स्निपेट दिखाए हैं—इस डेमो के सभी चरणों के साथ पूरा कोड यहां उपलब्ध है जम्पस्टार्ट का परिचय - संकेत द्वारा निर्देशित छवि गुणवत्ता बढ़ाएँ उदाहरण नोटबुक। अपने आप समाधान का प्रयास करें और हमें अपनी टिप्पणियां भेजें।
मॉडल के बारे में और यह कैसे काम करता है, इसके बारे में अधिक जानने के लिए, निम्नलिखित संसाधन देखें:
जम्पस्टार्ट के बारे में अधिक जानने के लिए, निम्नलिखित ब्लॉग पोस्ट देखें:
लेखक के बारे में
डॉ विवेक मदनी अमेज़ॅन सेजमेकर जम्पस्टार्ट टीम के साथ एक अनुप्रयुक्त वैज्ञानिक है। उन्होंने अर्बाना-शैंपेन में इलिनोइस विश्वविद्यालय से पीएचडी प्राप्त की और जॉर्जिया टेक में पोस्ट डॉक्टरेट शोधकर्ता थे। वह मशीन लर्निंग और एल्गोरिथम डिज़ाइन में एक सक्रिय शोधकर्ता हैं और उन्होंने EMNLP, ICLR, COLT, FOCS और SODA सम्मेलनों में पेपर प्रकाशित किए हैं।
हाइको हॉट्ज़ो प्राकृतिक भाषा प्रसंस्करण (एनएलपी), बड़े भाषा मॉडल (एलएलएम), और जेनरेटिव एआई पर विशेष ध्यान देने के साथ एआई और मशीन लर्निंग के लिए एक वरिष्ठ समाधान वास्तुकार हैं। इस भूमिका से पहले, वह अमेज़ॅन की ईयू ग्राहक सेवा के लिए डेटा साइंस के प्रमुख थे। हेइको हमारे ग्राहकों को AWS पर उनकी AI/ML यात्रा में सफल होने में मदद करता है और उसने बीमा, वित्तीय सेवाओं, मीडिया और मनोरंजन, स्वास्थ्य सेवा, उपयोगिताएँ और विनिर्माण सहित कई उद्योगों में संगठनों के साथ काम किया है। अपने खाली समय में हेइको यथासंभव यात्रा करता है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- स्रोत: https://aws.amazon.com/blogs/machine-learning/upscale-images-with-stable-diffusion-in-amazon-sagemaker-jumpstart/
- 100
- 2022
- 7
- a
- About
- में तेजी लाने के
- स्वीकार करें
- स्वीकार करता है
- पहुँच
- लेखा
- सही
- सही रूप में
- हासिल
- सक्रिय
- अनुकूलन
- अतिरिक्त
- इसके अतिरिक्त
- जोड़ता है
- वयस्क
- बाद
- के खिलाफ
- AI
- एअर इंडिया और मशीन लर्निंग
- ऐ / एमएल
- कलन विधि
- सब
- की अनुमति देता है
- पहले ही
- हमेशा
- वीरांगना
- अमेज़न SageMaker
- अमेज़न SageMaker जम्पस्टार्ट
- और
- की घोषणा
- एपीआई
- एपीआई
- लागू
- उपयुक्त
- कलाकार
- जुड़े
- स्वतः
- उपलब्ध
- एडब्ल्यूएस
- पृष्ठभूमि
- आधारित
- क्योंकि
- से पहले
- जा रहा है
- पूर्वाग्रह
- बिलिंग
- सम्मिश्रण
- ब्लॉग
- वेबदैनिकी डाक
- टूटना
- निर्माण
- बुलाया
- पा सकते हैं
- कैट
- चुनौतीपूर्ण
- चेक
- चुनें
- कक्षा
- साफ
- निकट से
- कोड
- टिप्पणियाँ
- तुलना
- सम्मेलनों
- संगत
- कंटेनर
- कंटेनरों
- शामिल हैं
- सामग्री
- प्रसंग
- परिवर्तित
- बनाना
- बनाया
- बनाना
- रिवाज
- ग्राहक
- ग्राहक सेवा
- ग्राहक
- तिथि
- डेटा विज्ञान
- कमी
- गहरा
- ध्यान लगा के पढ़ना या सीखना
- चूक
- दिखाना
- तैनात
- तैनात
- डिज़ाइन
- विस्तार
- विस्तृत
- विभिन्न
- प्रसार
- सीधे
- विकलांग
- डाक में काम करनेवाला मज़दूर
- नहीं करता है
- दौरान
- से प्रत्येक
- पूर्व
- आसान
- ई-कॉमर्स
- कुशलता
- भी
- नष्ट
- शुरू से अंत तक
- endpoint
- अंग्रेज़ी
- सुनिश्चित
- मनोरंजन
- प्रविष्टि
- जायदाद
- EU
- उदाहरण
- उदाहरण
- चेहरे के
- Feature
- लाए गए
- कुछ
- पट्टिका
- अंतिम
- वित्तीय
- वित्तीय सेवाओं
- खोज
- प्रथम
- फिट
- लचीलापन
- नाव
- फोकस
- निम्नलिखित
- प्रारूप
- स्वतंत्रता
- से
- पूर्ण
- आगे
- और भी
- उत्पन्न
- उत्पन्न
- पीढ़ी
- उत्पादक
- जनरेटिव एआई
- जॉर्जिया
- मिल
- देना
- झलक
- अच्छा
- GPU
- हरा
- उगता है
- गाइड
- मार्गदर्शिकाएँ
- संभालना
- सिर
- स्वास्थ्य सेवा
- ऊंचाई
- मदद करता है
- उच्च संकल्प
- उच्चतर
- मारो
- होस्टिंग
- कैसे
- How To
- तथापि
- एचटीएमएल
- HTTPS
- इलेनॉइस
- की छवि
- छवियों
- महत्वपूर्ण
- प्रभावशाली
- में सुधार
- in
- शामिल
- सहित
- बढ़ना
- व्यक्तिगत रूप से
- उद्योगों
- करें-
- निवेश
- उदाहरण
- बीमा
- एकीकृत
- इंटरफेस
- IT
- यात्रा
- JSON
- जानने वाला
- भाषा
- भाषाऐं
- बड़ा
- विलंब
- नेतृत्व
- जानें
- सीख रहा हूँ
- चलें
- सीमाओं
- सीमित
- सीमाएं
- पंक्तियां
- सूची
- लंबे समय तक
- देखिए
- हमशक्ल
- हार
- निम्न
- मशीन
- यंत्र अधिगम
- मुख्य
- बनाना
- गाइड
- मैनुअल काम
- मैन्युअल
- विनिर्माण
- बहुत
- मैच
- मीडिया
- याद
- तरीका
- लाखों
- मिनटों
- ML
- आदर्श
- मॉडल
- अधिक
- विभिन्न
- प्राकृतिक
- प्राकृतिक भाषा संसाधन
- आवश्यकता
- नया
- NLP
- शोर
- नोटबुक
- नवंबर
- संख्या
- वस्तु
- ONE
- खुला
- आदेश
- संगठनों
- मूल
- अन्य
- सिंहावलोकन
- अपना
- संकुल
- कागजात
- पैरामीटर
- भाग
- प्रदर्शन
- चित्र
- टुकड़ा
- मंच
- प्लेटो
- प्लेटो डेटा इंटेलिजेंस
- प्लेटोडाटा
- बिन्दु
- सकारात्मक
- संभव
- पद
- पोस्ट
- शक्तियां
- भविष्यवाणी करना
- भविष्यवाणियों
- Predictor
- वर्तमान
- मूल्य
- पूर्व
- प्रक्रिया
- प्रसंस्करण
- एस्ट्रो मॉल
- प्रदान करना
- प्रदान करता है
- प्रदान कर
- प्रकाशित
- अजगर
- गुणवत्ता
- यादृच्छिक
- कच्चा
- तैयार
- वास्तविक
- अचल संपत्ति
- प्राप्त
- की सिफारिश
- सम्बंधित
- रहना
- बार बार
- का अनुरोध
- अनुरोधों
- की आवश्यकता होती है
- आवश्यकता
- आवश्यकताएँ
- की आवश्यकता होती है
- शोधकर्ता
- संकल्प
- उपयुक्त संसाधन चुनें
- प्रतिक्रिया
- प्रतिक्रिया
- परिणाम
- जिसके परिणामस्वरूप
- परिणाम
- वापसी
- रिटर्न
- आरजीबी
- भूमिका
- रन
- दौड़ना
- sagemaker
- वही
- स्केल
- विज्ञान
- वैज्ञानिक
- स्क्रीन
- लिपियों
- एसडीके
- दूसरा
- अनुभाग
- वर्गों
- बीज
- चयनित
- भेजना
- वरिष्ठ
- सेवा
- सेवाएँ
- की स्थापना
- सेटिंग्स
- कई
- चाहिए
- दिखाना
- दिखाता है
- महत्वपूर्ण
- उसी प्रकार
- एक
- आकार
- छोटे
- चिकनी
- So
- समाधान
- समाधान ढूंढे
- विशेष
- विशिष्ट
- विनिर्दिष्ट
- स्थिर
- राज्य
- कदम
- रोक
- स्टूडियो
- अंदाज
- सफल
- ऐसा
- पीड़ित
- पर्याप्त
- समर्थन
- लेना
- लेता है
- कार्य
- कार्य
- टीम
- तकनीक
- तकनीक
- परीक्षण
- RSI
- लेकिन हाल ही
- इसलिये
- यहाँ
- पहर
- बार
- सेवा मेरे
- आज
- एक साथ
- परंपरागत
- रेलगाड़ी
- प्रशिक्षित
- प्रशिक्षण
- यात्रा
- प्रकार
- ui
- समझना
- विश्वविद्यालय
- us
- उपयोग
- उपयोगकर्ता
- यूजर इंटरफेस
- उपयोगिताओं
- इस्तेमाल
- मूल्यवान
- मान
- विभिन्न
- के माध्यम से
- वीडियो
- तरीके
- क्या
- कौन कौन से
- सफेद
- मर्जी
- अंदर
- बिना
- काम
- एक साथ काम करो
- काम किया
- कार्य
- आप
- आपका
- जेफिरनेट