A gépi tanulás (ML) forradalmasítja a megoldásokat az iparágakban, és az adatokból származó ismeretek és intelligencia új formáit hajtja végre. Sok ML algoritmus nagy adathalmazokon edz, általánosítja az adatokban talált mintákat, és következtet ezekből a mintákból az eredményekre, amikor új, nem látott rekordokat dolgoznak fel. Általában, ha az adatkészlet vagy modell túl nagy ahhoz, hogy egyetlen példányon betanítsák, elosztott képzés lehetővé teszi több példány használatát egy fürtön belül, és a betanítási folyamat során az adatok vagy a modellpartíciók elosztását a példányok között. Az elosztott képzés natív támogatását a Amazon SageMaker SDK-val együtt példafüzetek népszerű keretekben.
Néha azonban a szervezeteken belüli vagy szervezetek közötti biztonsági és adatvédelmi szabályozások miatt az adatok több fiókra vagy különböző régiókra vannak decentralizálva, és nem központosíthatók egyetlen fiókba vagy régiók között. Ebben az esetben az egyesített tanulást (FL) kell figyelembe venni, hogy általánosított modellt kapjunk a teljes adatra.
Ebben a bejegyzésben megvitatjuk, hogyan valósíthatjuk meg az összevont tanulást az Amazon SageMakeren az ML futtatásához decentralizált képzési adatokkal.
Mi az az egyesített tanulás?
Az egyesített tanulás egy olyan ML-megközelítés, amely lehetővé teszi több különálló, párhuzamosan futó képzést, amelyek nagy határokon, például földrajzilag is áthaladnak, és az eredményeket összesítve egy általánosított modellt (globális modellt) építenek fel a folyamat során. Pontosabban, minden képzési munkamenet saját adatkészletet használ, és saját helyi modellt kap. A különböző tréningek helyi modelljei (például modellsúly-összesítés) globális modellbe kerülnek a képzési folyamat során. Ez a megközelítés ellentétben áll a központosított ML technikákkal, ahol az adatkészleteket egy képzési munkamenethez egyesítik.
Összevont tanulás vs. elosztott képzés a felhőben
Amikor ez a két megközelítés a felhőben fut, az elosztott képzés egyetlen régióban, egy fiókban történik, és a képzési adatok egy központosított képzési munkamenettel vagy feladattal kezdődnek. Az elosztott betanítási folyamat során az adatkészlet kisebb részhalmazokra oszlik, és a stratégiától (adat-párhuzamosság vagy modell-párhuzamosság) függően a részhalmazok különböző betanítási csomópontokhoz kerülnek, vagy egy betanítási klaszter csomópontjain mennek keresztül, ami azt jelenti, hogy az egyes adatok nem feltétlenül maradjon a klaszter egyik csomópontjában.
Ezzel szemben az egyesített tanulással a képzés általában több külön fiókban vagy régiókon keresztül történik. Minden fióknak vagy régiónak saját képzési példányai vannak. A képzési adatok a fiókok vagy régiók között decentralizáltak az elejétől a végéig, és az egyesített tanulási folyamat során csak a megfelelő képzési munkamenet vagy munka olvassa be a különböző fiókok vagy régiók között.
Flower egyesített tanulási keretrendszer
Az egyesített tanuláshoz több nyílt forráskódú keretrendszer is elérhető, mint pl SORS, Virág, PySyft, OpenFL, FedML, NVFlareés Tensorflow Federated. Az FL keretrendszer kiválasztásakor általában figyelembe vesszük a modellkategória, az ML keretrendszer és az eszköz vagy operációs rendszer támogatását. Figyelembe kell vennünk az FL keretrendszer bővíthetőségét és csomagméretét is, hogy hatékonyan fusson a felhőben. Ebben a bejegyzésben egy könnyen bővíthető, testreszabható és könnyű keretrendszert, a Flower-t választunk az FL megvalósításához a SageMaker segítségével.
A Flower egy átfogó FL keretrendszer, amely azzal különbözik meg a meglévő keretrendszerektől, hogy új lehetőségeket kínál nagyszabású FL-kísérletek futtatásához, és gazdagon heterogén FL-eszköz-forgatókönyveket tesz lehetővé. Az FL megoldja az adatvédelemmel és a skálázhatósággal kapcsolatos kihívásokat olyan esetekben, amikor az adatok megosztása nem lehetséges.
A Flower FL tervezési elvei és megvalósítása
A Flower FL tervezésénél fogva nyelv- és ML keretrendszer-agnosztikus, teljes mértékben bővíthető, és új algoritmusokat, képzési stratégiákat és kommunikációs protokollokat tartalmazhat. A Flower nyílt forráskódú, Apache 2.0 licenc alatt.
Az FL implementáció elvi architektúráját a cikk ismerteti Virág: Egy barátságos egyesített tanulási keretrendszer és a következő ábrán kiemeljük.
Ebben az architektúrában az él kliensek valódi éleszközökön élnek, és RPC-n keresztül kommunikálnak a szerverrel. A virtuális kliensek viszont közel nulla erőforrást fogyasztanak, amikor inaktívak, és csak akkor töltik be a modellt és az adatokat a memóriába, amikor a klienst képzésre vagy értékelésre választják ki.
A Flower szerver összeállítja a Flower klienseknek elküldendő stratégiát és konfigurációkat. Ezeket a konfigurációs szótárakat (vagy config dict röviden) a ProtoBuf-reprezentációjukba, a gRPC segítségével továbbítja őket a klienshez, majd visszaállítja a Python szótárakba.
Flower FL stratégiák
A virág lehetővé teszi a tanulási folyamat testreszabását a stratégia absztrakció. A stratégia meghatározza a teljes összevonási folyamatot, meghatározva a paraméterek inicializálását (akár kiszolgáló, akár kliens inicializálja), a futás inicializálásához szükséges elérhető ügyfelek minimális számát, az ügyfél hozzájárulásának súlyát, valamint a képzési és értékelési részleteket.
A Flower az FL átlagoló algoritmusok széles körű megvalósításával és egy robusztus kommunikációs köteggel rendelkezik. A megvalósított átlagoló algoritmusok listáját és a kapcsolódó kutatási cikkeket a következő táblázat tartalmazza Virág: Egy barátságos egyesített tanulási keretrendszer.
Összevont tanulás a SageMakerrel: Megoldás architektúra
A SageMaker-t és a Flower keretrendszert használó egyesített tanulási architektúra a kétirányú gRPC (foundation) folyamok tetején valósul meg. A gRPC meghatározza a kicserélt üzenetek típusait, és fordítóprogramokat használ a Python hatékony megvalósításához, de más nyelvekhez, például Java-hoz vagy C++-hoz is létrehozhatja a megvalósítást.
A Flower kliensek nyers bájttömbként kapnak utasításokat (üzeneteket) a hálózaton keresztül. Ezután az ügyfelek deszerializálják és lefuttatják az utasítást (oktatás a helyi adatokról). Az eredményeket (modellparaméterek és súlyok) ezután sorba rendezik, és visszaküldik a szervernek.
A Flower FL szerver/kliens architektúráját a SageMaker programban határozzák meg notebook példányok használatával, amelyek ugyanabban a régióban vannak, mint a Flower szerver és a Flower kliens. A betanítási és kiértékelési stratégiákat a szerveren definiálják, valamint a globális paramétereket, majd a konfigurációt szerializálják és elküldik a kliensnek VPC peeringen keresztül.
A jegyzetfüzet-példányügyfél elindít egy SageMaker betanítási feladatot, amely egy egyéni parancsfájlt futtat a Flower kliens példányosításának elindításához, amely lesorolja és beolvassa a kiszolgáló konfigurációját, elindítja a betanítási feladatot, és elküldi a paraméterekre adott választ.
Az utolsó lépés a kiszolgálón történik, amikor az újonnan összesített paraméterek kiértékelése a szerverstratégiában meghatározott számú futtatás és kliens teljesítése után indul el. A kiértékelés egy csak a szerveren létező tesztelési adatkészleten történik, és az új, továbbfejlesztett pontossági mérőszámok készülnek.
A következő ábra a SageMaker FL beállításának architektúráját mutatja be a Flower csomaggal.
Valósítsa meg az egyesített tanulást a SageMaker segítségével
A SageMaker egy teljesen felügyelt ML szolgáltatás. A SageMaker segítségével az adattudósok és fejlesztők gyorsan építhetnek és taníthatnak ML modelleket, majd üzembe helyezhetik azokat egy termelésre kész hosztolt környezetben.
Ebben a bejegyzésben bemutatjuk, hogyan használható a felügyelt ML platform notebook élménykörnyezet biztosítására és egyesített tanulás végrehajtására az AWS-fiókok között, SageMaker képzési feladatok segítségével. A nyers képzési adatok soha nem hagyják el az adatokat birtokló fiókot, és csak a származtatott súlyok kerülnek elküldésre a társított kapcsolaton keresztül.
Ebben a bejegyzésben a következő alapvető összetevőket emeljük ki:
- hálózatépítés – A SageMaker lehetővé teszi az alapértelmezett hálózati konfiguráció gyors beállítását, miközben lehetővé teszi a hálózat teljes testreszabását a szervezet követelményei szerint. Használjuk a VPC társviszony-létesítés konfigurációja ebben a példában a Régión belül.
- Több fiókra kiterjedő hozzáférés beállításai – Annak érdekében, hogy a szerverfiókban lévő felhasználó modellképzési munkát kezdhessen az ügyfélfiókban, mi hozzáférést delegálhat a fiókok között segítségével AWS Identity and Access Management (IAM) szerepek. Ily módon a szerverfiókban lévő felhasználónak nem kell kijelentkeznie a fiókból, és be kell jelentkeznie az ügyfélfiókba, hogy műveleteket hajtson végre a SageMakeren. Ez a beállítás csak a SageMaker képzési feladatok indítására szolgál, és nem rendelkezik több fiókra kiterjedő adathozzáférési engedéllyel vagy megosztással.
- Összevont tanulási ügyfélkód megvalósítása az ügyfélfiókban és a kiszolgáló kódja a kiszolgálófiókban – A Flower csomag és a SageMaker menedzselt tréning segítségével egyesített tanulási klienskódot implementálunk az ügyfélfiókban. Eközben a Flower csomag segítségével a szerverkódot implementáljuk a szerverfiókba.
VPC társviszony beállítása
A VPC társviszony-létesítési kapcsolat két VPC közötti hálózati kapcsolat, amely lehetővé teszi a forgalom irányítását közöttük privát IPv4-címek vagy IPv6-címek használatával. Mindkét VPC példányai úgy kommunikálhatnak egymással, mintha ugyanazon a hálózaton belül lennének.
VPC társviszony beállításához először hozzon létre egy kérelmet egy másik VPC-vel való társításra. Kérhet VPC társviszony-kapcsolatot egy másik VPC-vel ugyanabban a fiókban, vagy használati esetünkben csatlakozhat egy másik AWS-fiókban lévő VPC-hez. A kérelem aktiválásához a VPC tulajdonosának el kell fogadnia a kérést. A VPC társviszony-létesítéssel kapcsolatos további részletekért lásd: Hozzon létre egy VPC társviszony-létesítési kapcsolatot.
Indítsa el a SageMaker notebook példányokat VPC-ken
A SageMaker notebook-példány egy Jupyter notebook alkalmazást biztosít egy teljesen felügyelt ML-en keresztül Amazon rugalmas számítási felhő (Amazon EC2) példány. A SageMaker Jupyter notebookok fejlett adatok feltárására, képzési feladatok létrehozására, modellek telepítésére a SageMaker tárhelyre, valamint a modellek tesztelésére vagy érvényesítésére szolgálnak.
A notebook példány számos hálózati konfigurációval rendelkezik. Ebben a beállításban a notebook példány a VPC privát alhálózatán fut, és nincs közvetlen internet-hozzáférésünk.
Konfigurálja a több fiókra kiterjedő hozzáférés beállításait
A több fiókra kiterjedő hozzáférési beállítások két lépést tartalmaznak a hozzáférés delegálásához a szerverfiókról az ügyfélfiókra IAM-szerepkörök használatával:
- Hozzon létre egy IAM-szerepet az ügyfélfiókban.
- Adjon hozzáférést a szerepkörhöz a szerverfiókban.
A hasonló forgatókönyv beállításának részletes lépéseiért lásd: Az AWS-fiókokhoz való hozzáférés delegálása IAM-szerepkörök használatával.
Az ügyfélfiókban létrehozunk egy IAM-szerepet, melynek neve FL-kickoff-client-job
a politikával FL-sagemaker-actions
kötődik a szerephez. A FL-sagemaker-actions
az irányelv a következő JSON-tartalommal rendelkezik:
Ezután módosítjuk a bizalmi politikát a bizalmi kapcsolatokban FL-kickoff-client-job
szerep:
A szerverfiókban az engedélyek egy meglévő felhasználóhoz kerülnek hozzáadásra (pl. developer
), hogy lehetővé tegye a váltást a FL-kickoff-client-job
szerepet az ügyfélfiókban. Ehhez létrehozunk egy soron belüli szabályzatot FL-allow-kickoff-client-job
és csatolja a felhasználóhoz. A következő a szabályzat JSON-tartalma:
Mintaadatkészlet és adatelőkészítés
Ebben a bejegyzésben a válogatott adatkészlet a Medicare-szolgáltatók által közzétett adatokban a csalások felderítésére Medicare és Medicaid szolgáltatások központjai (CMS). Az adatok egy képzési adatkészletre és egy tesztelési adatkészletre vannak felosztva. Mivel az adatok többsége nem csalás, ezért alkalmazzuk SMOTE a betanítási adatkészlet kiegyensúlyozására, és a betanítási adatkészlet további felosztására betanítási és érvényesítési részekre. Mind a képzési, mind az érvényesítési adatok feltöltésre kerülnek egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör modell betanításhoz az ügyfélfiókban, és a tesztelési adatkészletet a szerverfiókban csak tesztelési célokra használják. Az adat-előkészítési kód részletei az alábbiakban találhatók jegyzetfüzet.
A SageMakerrel előre elkészített Docker-képek a scikit-learn keretrendszerhez és a SageMaker által felügyelt képzési folyamat, logisztikus regressziós modellt tanítunk erre az adatkészletre egyesített tanulás segítségével.
Valósítson meg egy egyesített tanulási ügyfelet az ügyfélfiókban
Az ügyfélfiók SageMaker notebook példányában elkészítjük a client.py forgatókönyv és a utils.py forgatókönyv. A client.py
fájl tartalmazza az ügyfél kódját, és a utils.py
fájl tartalmazza néhány olyan segédfunkció kódját, amelyekre a képzésünkhöz szükség lesz. A logisztikus regressziós modell felépítéséhez a scikit-learn csomagot használjuk.
In client.py
, Virág klienst határozunk meg. A kliens az osztályból származik fl.client.NumPyClient. A következő három módszert kell meghatároznia:
- get_parameters – Visszaadja az aktuális helyi modellparamétereket. A segédfunkció
get_model_parameters
megteszi ezt. - megfelelő – Meghatározza a modell betanításának lépéseit az ügyfél fiókjában lévő betanítási adatokon. Globális modellparamétereket és egyéb konfigurációs információkat is kap a szervertől. Frissítjük a helyi modell paramétereit a kapott globális paraméterekkel, és folytatjuk a betanítást az ügyfélfiókban lévő adatkészleten. Ez a módszer a betanítás után a helyi modell paramétereit, a betanítási halmaz méretét és egy tetszőleges értékeket kommunikáló szótárat is visszaküldi a szervernek.
- értékelni – Kiértékeli a megadott paramétereket az ügyfélfiókban lévő érvényesítési adatok alapján. A veszteséget más adatokkal, például az érvényesítési készlet méretével és a pontossággal együtt visszaküldi a szervernek.
A következő egy kódrészlet a Flower kliens definíciójához:
Ezután a SageMaker-t használjuk script mód a többi elkészítéséhez client.py
fájlt. Ez magában foglalja a SageMaker képzésnek átadandó paraméterek meghatározását, a betanítási és érvényesítési adatok betöltését, a modell inicializálását és betanítását a kliensen, a Flower kliens beállítását a szerverrel való kommunikációhoz, és végül a betanított modell mentését.
utils.py
tartalmaz néhány meghívott segédfunkciót client.py
:
- get_model_parameters – Visszaadja a scikit-learn-t Logisztikus regresszió modell paraméterei.
- set_model_params – Beállítja a modell paramétereit.
- set_initial_params – Nullákként inicializálja a modell paramétereit. Erre azért van szükség, mert a szerver elindításakor a kezdeti modellparamétereket kéri az ügyféltől. A scikit-learn keretrendszerben azonban
LogisticRegression
A modell paraméterei addig nem inicializálódnakmodel.fit()
nak, nek hívják. - adat betöltés – Betölti az edzési és tesztelési adatokat.
- modell mentése – A modellt a
.joblib
fájlt.
Mivel a Flower nem egy csomag telepítve a SageMaker előre beépített scikit-learn Docker konténer, listázzuk flwr==1.3.0
egy requirements.txt
fájlt.
Mind a három fájlt (client.py
, utils.py
és requirements.txt
) egy mappa alatt, és csomagolja tar. A .tar.gz fájl (névvel source.tar.gz
ebben a bejegyzésben) azután feltöltődik az ügyfélfiók S3 tárolójába.
Valósítson meg egy összevont tanulószervert a kiszolgálófiókban
A szerverfiókban kódot készítünk egy Jupyter notebookon. Ez két részből áll: a szerver először szerepet vállal egy betanítási feladat elindításához az ügyfélfiókban, majd a kiszolgáló a Flower segítségével egyesíti a modellt.
Vállaljon fel egy szerepet a képzési feladat futtatásához az ügyfélfiókban
Az általunk használt Boto3 Python SDK hogy felállítson egy AWS biztonsági token szolgáltatás (AWS STS) kliens feltételezi a FL-kickoff-client-job
szerepkört, és állítson be egy SageMaker klienst, hogy a SageMaker által felügyelt képzési folyamat segítségével egy képzési feladatot tudjon futtatni az ügyfélfiókban:
A vállalt szerepkör felhasználásával létrehozunk egy SageMaker képzési munkát az ügyfélfiókban. A képzési feladat a SageMaker beépített scikit-learn keretrendszert használja. Vegye figyelembe, hogy a következő kódrészletben szereplő összes S3-csoport és a SageMaker IAM-szerep az ügyfélfiókhoz kapcsolódik:
A Flower segítségével aggregálja a helyi modelleket globális modellbe
Kódot készítünk a modell kiszolgálón való egyesítéséhez. Ez magában foglalja az összevonás stratégiájának és inicializálási paramétereinek meghatározását. Segédfunkciókat használunk a utils.py
korábban ismertetett szkript a modellparaméterek inicializálásához és beállításához. A Flower lehetővé teszi saját visszahívási funkciók meghatározását egy meglévő stratégia testreszabásához. Használjuk a FedAvg stratégia egyéni visszahívásokkal az értékeléshez és az illeszkedés konfigurációjához. Lásd a következő kódot:
Az előző kódrészletben a következő két függvény szerepel:
- fit_round – A kerek szám elküldésére szolgál az ügyfélnek. Ezt a visszahívást a
on_fit_config_fn
a stratégia paramétere. Ezt egyszerűen azért tesszük, hogy bemutassuk a használatáton_fit_config_fn
paraméter. - get_evaluate_fn – Modellkiértékelésre szolgál a szerveren.
Demó céljára az adat-előkészítés során félretett tesztelési adatkészletet használjuk az ügyfél fiókjából összevont modell értékelésére és az eredmény visszaküldésére az ügyfél felé. Érdemes azonban megjegyezni, hogy szinte minden valós felhasználási esetben a szerverfiókban használt adatok nincsenek szétválasztva az ügyfélfiókban használt adatkészlettől.
Az egyesített tanulási folyamat befejezése után a model.tar.gz
A fájlt a SageMaker modellműtermékként menti az ügyfélfiók S3 tárolójába. Eközben a model.joblib
fájl a SageMaker jegyzetfüzet-példányra van mentve a kiszolgálófiókban. Végül a tesztelési adatkészletet használjuk a végső modell tesztelésére (model.joblib
) a szerveren. A végső modell tesztelési eredménye a következő:
Tisztítsuk meg
Miután végzett, tisztítsa meg az erőforrásokat a szerverfiókban és az ügyfélfiókban is, hogy elkerülje a további költségeket:
- Állítsa le a SageMaker notebook példányokat.
- Törölje a VPC társviszony-létesítési kapcsolatokat és a megfelelő VPC-ket.
- Ürítse ki és törölje az adattároláshoz létrehozott S3 tárolót.
Következtetés
Ebben a bejegyzésben végigvezettük, hogyan valósíthatunk meg egyesített tanulást a SageMaker-en a Flower csomag használatával. Megmutattuk, hogyan kell konfigurálni a VPC társviszony-létesítést, beállítani a fiókok közötti hozzáférést, valamint megvalósítani az FL klienst és szervert. Ez a bejegyzés azok számára hasznos, akiknek ML modelleket kell betanítaniuk a SageMakeren, decentralizált adatok felhasználásával a fiókok között, korlátozott adatmegosztással. Mivel ebben a bejegyzésben az FL a SageMaker segítségével valósult meg, érdemes megjegyezni, hogy a SageMaker sokkal több funkciója bevihető a folyamatba.
Az egyesített tanulás megvalósítása a SageMakeren kihasználhatja a SageMaker által az ML életciklusa során biztosított összes fejlett funkciót. Vannak más módok is az egyesített tanulás elérésére vagy alkalmazására az AWS-felhőn, például EC2-példányok használatával vagy a szélén. Az alternatív megközelítésekkel kapcsolatos részletekért lásd: Összevont tanulás az AWS-en a FedML-lel és a A Federated Learning alkalmazása az ML-hez az élen.
A szerzőkről
Sherry Ding az Amazon Web Services (AWS) vezető AI/ML-specialista megoldások építésze. Számítástechnikai PhD fokozattal rendelkezik a gépi tanulás területén. Főleg a közszférában dolgozó ügyfelekkel dolgozik különféle mesterséges intelligenciával/ML-vel kapcsolatos üzleti kihívásokon, segítve őket az AWS felhőben való gépi tanulási útjuk felgyorsításában. Amikor nem segít az ügyfeleknek, szereti a szabadtéri tevékenységeket.
Lorea Arrizabalaga az Egyesült Királyság állami szektorához igazodó Solutions Architect, ahol segít ügyfeleinek ML megoldások tervezésében az Amazon SageMaker segítségével. Emellett tagja a hardveres gyorsítással foglalkozó Technical Field Community-nek, és segít az AWS Inferentia és az AWS Trainium munkaterhelésének tesztelésében és összehasonlításában.
Ben Snively az AWS állami szektor vezető fő specialistája megoldások építésze. Kormányzati, nonprofit és oktatási ügyfelekkel dolgozik big data, elemzési és AI/ML projekteken, és segít nekik az AWS-t használó megoldások kidolgozásában.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- ChartPrime. Emelje fel kereskedési játékát a ChartPrime segítségével. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/machine-learning-with-decentralized-training-data-using-federated-learning-on-amazon-sagemaker/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 11
- 12
- 15%
- 24
- 25
- 500
- 7
- a
- Rólunk
- gyorsul
- Elfogad!
- hozzáférés
- Fiók
- Fiókok
- pontosság
- Elérése
- át
- Akció
- cselekvések
- tevékenységek
- hozzáadott
- További
- címek
- fejlett
- Előny
- Után
- adalékanyag
- összesítés
- AI / ML
- algoritmusok
- igazított
- Minden termék
- lehetővé
- lehetővé téve
- lehetővé teszi, hogy
- mentén
- Is
- alternatív
- amazon
- Amazon EC2
- Amazon SageMaker
- Az Amazon Web Services
- Amazon Web Services (AWS)
- an
- Analitikai
- és a
- Másik
- bármilyen
- Apache
- app
- alkalmaz
- megközelítés
- megközelít
- építészet
- VANNAK
- AS
- társult
- feltételezni
- feltételezte
- feltételezi
- At
- csatolja
- elérhető
- átlagolás
- elkerülése érdekében
- AWS
- AWS Inferentia
- vissza
- Egyenleg
- BE
- mert
- előtt
- Kezdet
- hogy
- benchmarking
- között
- Nagy
- Big adatok
- mindkét
- határait
- hozott
- épít
- épít
- beépített
- üzleti
- de
- by
- C + +
- hívott
- TUD
- eset
- esetek
- Kategória
- központosított
- kihívások
- díjak
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- választja
- osztály
- vásárló
- ügyfél részére
- közel
- felhő
- Fürt
- cms
- kód
- kommunikálni
- kommunikáció
- közlés
- közösség
- befejezés
- alkatrészek
- átfogó
- Kiszámít
- számítógép
- Computer Science
- fogalmi
- feltétel
- Configuration
- Csatlakozás
- összefüggő
- kapcsolat
- kapcsolatok
- Fontolja
- figyelembe vett
- fogyaszt
- tartalmaz
- tartalom
- folytatódik
- kontraszt
- hozzájárulások
- Mag
- Megfelelő
- teremt
- készítette
- Hitelesítő adatok
- Jelenlegi
- szokás
- Ügyfelek
- szabható
- testreszabás
- testre
- dátum
- adat hozzáférés
- Adatok előkészítése
- Adatvédelem
- adatmegosztás
- adattárolás
- adatkészletek
- decentralizált
- elszánt
- alapértelmezett
- meghatározott
- meghatározott
- Annak meghatározása,
- meghatározó
- definíció
- Fok
- demó
- bizonyítani
- attól
- telepíteni
- Származtatott
- leírt
- Design
- részletes
- részletek
- Érzékelés
- fejlesztők
- eszköz
- Eszközök
- különböző
- közvetlen
- megvitatni
- terjeszteni
- megosztott
- elosztott képzés
- do
- Dokkmunkás
- Nem
- csinált
- ne
- vezetés
- két
- alatt
- minden
- Korábban
- könnyen
- él
- Oktatás
- hatás
- hatékony
- eredményesen
- bármelyik
- csiszolókő
- lehetővé teszi
- végén
- Egész
- Környezet
- értékelni
- értékelés
- példa
- kicserélt
- létező
- tapasztalat
- kísérletek
- kutatás
- kiterjedt
- Átfogó tapasztalat
- berendezések
- Jellemzők
- államszövetség
- kevés
- mező
- Ábra
- filé
- Fájlok
- utolsó
- Végül
- leletek
- vezetéknév
- megfelelő
- következő
- következik
- A
- formák
- Alapítvány
- Keretrendszer
- keretek
- csalás
- csalások felderítése
- barátságos
- ból ből
- teljesen
- funkció
- funkciók
- további
- generál
- kap
- Globális
- Go
- Kormány
- kéz
- megtörténik
- hardver
- Legyen
- he
- segít
- segít
- Kiemel
- Kiemelt
- házigazdája
- tárhely
- Hogyan
- How To
- azonban
- HTML
- http
- HTTPS
- Identitás
- if
- illusztrálja
- képek
- végre
- végrehajtás
- végre
- javított
- in
- tétlen
- tartalmaz
- magában foglalja a
- bele
- egyéni
- iparágak
- információ
- kezdetben
- meglátások
- telepítve
- példa
- utasítás
- Intelligencia
- Felület
- Internet
- internet-hozzáférés
- bele
- IT
- ITS
- maga
- Jáva
- Munka
- Állások
- utazás
- jpg
- json
- l2
- Nyelvek
- nagy
- nagyarányú
- keresztnév
- indít
- tanulás
- Engedély
- életciklus
- könnyűsúlyú
- Lista
- él
- kiszámításának
- betöltés
- terhelések
- helyi
- le
- Sok
- gép
- gépi tanulás
- főleg
- Többség
- sikerült
- sok
- eszközök
- Közben
- Medicare
- Memory design
- említett
- üzenetek
- módszer
- mód
- Metrics
- minimum
- ML
- modell
- modellek
- módosítása
- több
- többszörös
- kell
- Nevezett
- bennszülött
- szükségszerűen
- Szükség
- szükséges
- igények
- hálózat
- hálózatba
- soha
- Új
- újonnan
- következő
- csomópont
- csomópontok
- non-profit
- jegyzetfüzet
- megjegyezve,
- szám
- of
- felajánlott
- felajánlás
- on
- ONE
- csak
- nyílt forráskódú
- működés
- or
- érdekében
- szervezetek
- Más
- mi
- ki
- teljesítmény
- felett
- saját
- tulajdonos
- tulajdonosa
- csomag
- Papír
- papírok
- Párhuzamos
- paraméter
- paraméterek
- rész
- alkatrészek
- elhalad
- Elmúlt
- minták
- egyenrangú
- Teljesít
- engedély
- engedélyek
- phd
- Hely
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- politika
- Népszerű
- lehetséges
- állás
- előkészítés
- Készít
- Fő
- elvek
- magánélet
- magán
- folyamat
- Feldolgozott
- Készült
- projektek
- protokollok
- ad
- feltéve,
- biztosít
- nyilvános
- célokra
- tesz
- Piton
- Quick
- gyorsan
- Nyers
- Olvass
- igazi
- kap
- kapott
- kap
- nyilvántartások
- vidék
- régiók
- előírások
- összefüggő
- Kapcsolatok
- felszabaduló
- képviselet
- kérni
- kötelező
- követelmények
- kutatás
- forrás
- Tudástár
- azok
- válasz
- REST
- korlátozott
- eredményez
- Eredmények
- visszatérés
- Visszatér
- Optimális
- erős
- Szerep
- szerepek
- gyökér
- körül
- fordulóban
- Útvonal
- futás
- futás
- fut
- sagemaker
- azonos
- megtakarítás
- skálázhatóság
- forgatókönyv
- forgatókönyvek
- Tudomány
- tudósok
- scikit elsajátítható
- sdk
- szektor
- biztonság
- biztonsági jelző
- lát
- kiválasztott
- MAGA
- küld
- küld
- idősebb
- küldött
- különálló
- szolgáltatás
- Szolgáltatások
- ülés
- ülések
- készlet
- Szettek
- beállítás
- beállítások
- felépítés
- megosztás
- ő
- rövid
- kellene
- kimutatta,
- <p></p>
- hasonló
- Egyszerű
- egyszerűen
- egyetlen
- Méret
- kisebb
- töredék
- So
- megoldások
- Megoldások
- Megoldja
- néhány
- szakember
- kifejezetten
- osztott
- verem
- állványok
- kezdet
- Kezdve
- kezdődik
- nyilatkozat
- tartózkodás
- Lépés
- Lépései
- tárolás
- stratégiák
- Stratégia
- patakok
- alhálózati
- alhálózatok
- ilyen
- támogatás
- rendszer
- táblázat
- Vesz
- tart
- Műszaki
- technikák
- tensorflow
- teszt
- Tesztelés
- hogy
- A
- Az Egyesült Királyságban
- azok
- Őket
- akkor
- Ott.
- Ezek
- ők
- ezt
- azok
- három
- Keresztül
- nak nek
- együtt
- jelképes
- is
- felső
- forgalom
- Vonat
- kiképzett
- Képzések
- kiváltó
- váltott
- Bízzon
- kettő
- típusok
- Uk
- alatt
- -ig
- Frissítések
- feltöltve
- upon
- használ
- használati eset
- használt
- használó
- használ
- segítségével
- rendszerint
- hasznosság
- ÉRVÉNYESÍT
- érvényesítés
- Értékek
- fajta
- különféle
- változat
- keresztül
- Tényleges
- vs
- sétált
- Út..
- módon
- we
- háló
- webes szolgáltatások
- súly
- JÓL
- amikor
- vajon
- ami
- míg
- WHO
- egész
- lesz
- val vel
- belül
- művek
- érdemes
- te
- A te
- zephyrnet
- nulla
- Postai irányítószám