A szöveg felemelkedése és szemantikai keresés Engines megkönnyítette az e-kereskedelmi és kiskereskedelmi vállalkozások keresését a fogyasztók számára. Az egységes szöveggel és képpel hajtott keresőmotorok extra rugalmasságot biztosíthatnak a keresési megoldásokban. Lekérdezésként szöveget és képeket is használhat. Például van egy mappa több száz családi képpel a laptopjában. Szeretné gyorsan megtalálni azt a képet, amely akkor készült, amikor a legjobb barátjával a régi háza úszómedencéje előtt volt. Használhat társalgási nyelvet, például „két ember áll az úszómedence előtt” lekérdezésként az egységes szöveges és képkeresőben való kereséshez. A lekérdezés végrehajtásához nincs szükség a megfelelő kulcsszavakra a képek címében.
Amazon OpenSearch szolgáltatás most támogatja a koszinusz hasonlóság mérőszám a k-NN indexekhez. A koszinusz hasonlóság a két vektor közötti szög koszinuszát méri, ahol a kisebb koszinuszszög nagyobb hasonlóságot jelent a vektorok között. A koszinusz-hasonlósággal megmérheti a két vektor közötti orientációt, ami jó választássá teszi bizonyos szemantikai keresési alkalmazásokhoz.
Kontrasztív nyelv-kép előképzés (CLIP) egy neurális hálózat, amely különféle kép- és szövegpárokra van kiképezve. A CLIP neurális hálózat képes képeket és szöveget is kivetíteni ugyanabba látens tér, ami azt jelenti, hogy összehasonlíthatók hasonlósági mértékkel, például koszinusz-hasonlósággal. A CLIP-et használhatja kódol termékei képei vagy leírása beágyazások, majd tárolja őket az OpenSearch Service k-NN indexében. Ezután ügyfelei lekérdezhetik az indexet az őket érdeklő termékek lekéréséhez.
Használhatja a CLIP-et Amazon SageMaker kódolás végrehajtásához. Amazon SageMaker szerver nélküli következtetés egy erre a célra épített következtetési szolgáltatás, amely megkönnyíti a gépi tanulási (ML) modellek telepítését és méretezését. A SageMakerrel kiszolgáló nélküli üzembe helyezhet fejlesztői és tesztelési rendszert, majd áttérhet a következőre valós idejű következtetés amikor gyártásba megy. A SageMaker szerver nélküli költségmegtakarítást jelent azáltal, hogy az infrastruktúrát 0-ra csökkenti tétlenségi időkben. Ez tökéletes POC építéséhez, ahol hosszú üresjáratok lesznek a fejlesztési ciklusok között. Használhatod is Amazon SageMaker kötegelt transzformáció hogy nagy adathalmazokból vonjunk le következtetéseket.
Ebben a bejegyzésben bemutatjuk, hogyan készítsünk keresőalkalmazást a CLIP használatával a SageMakerrel és az OpenSearch szolgáltatással. A kód nyílt forráskódú, és a szerveren található GitHub.
Megoldás áttekintése
Az OpenSearch szolgáltatás szövegegyeztetést és beágyazást biztosít a k-NN kereséshez. Ebben a megoldásban a k-NN keresés beágyazását használjuk. Lekérdezésként képet és szöveget is használhat a készletből származó cikkek kereséséhez. Ennek az egységes kép- és szövegkereső alkalmazásnak a megvalósítása két fázisból áll:
- k-NN referencia index – Ebben a fázisban a korpuszdokumentumok vagy termékképek készletét átadja egy CLIP-modellnek, hogy beágyazásba kódolja azokat. A szöveg- és képbeágyazások a korpusz, illetve a képek numerikus reprezentációi. Ezeket a beágyazásokat egy k-NN indexbe mentheti az OpenSearch szolgáltatásban. A k-NN alapgondolata az, hogy hasonló adatpontok a beágyazási térben találhatók a közelben. Például a „piros virág”, a „rózsa” szöveg és a vörös rózsa képe hasonlóak, így ezek a szöveg- és képbeágyazások közel vannak egymáshoz a beágyazási térben.
- k-NN index lekérdezés – Ez az alkalmazás következtetési fázisa. Ebben a fázisban szöveges vagy képkeresési lekérdezést kell elküldenie a mély tanulási modellen (CLIP) keresztül beágyazásként történő kódoláshoz. Ezután ezekkel a beágyazásokkal lekérdezheti az OpenSearch szolgáltatásban tárolt k-NN referenciaindexet. A k-NN index hasonló beágyazásokat ad vissza a beágyazási térből. Ha például átadja a „piros virág” szöveget, az egy vörös rózsa kép beágyazásait hasonló elemként adja vissza.
A következő ábra a megoldás architektúráját mutatja be.
A munkafolyamat lépései a következők:
- Hozzon létre egy SageMaker modell egy előre betanított CLIP modellből kötegelt és valós idejű következtetéshez.
- A termékképek beágyazásait egy SageMaker kötegelt átalakítási feladattal állíthatja elő.
- A SageMaker Serverless Inference segítségével valós időben kódolhatja a lekérdezés képét és szövegét beágyazásokba.
- Felhasználás Amazon egyszerű tárolási szolgáltatás (Amazon S3) a nyers szöveg (termékleírás) és képek (termékképek) és a SageMaker kötegelt átalakítási munkái által generált képbeágyazás tárolására.
- Használja az OpenSearch szolgáltatást keresőmotorként a beágyazások tárolásához és hasonló beágyazások kereséséhez.
- Használjon lekérdezési függvényt a lekérdezés kódolásának összehangolására, és hajtson végre k-NN keresést.
Az általunk használt Amazon SageMaker Studio laptopok (az ábrán nem látható) integrált fejlesztői környezetként (IDE) a megoldás fejlesztéséhez.
Állítsa be a megoldási erőforrásokat
A megoldás beállításához hajtsa végre a következő lépéseket:
- Hozzon létre egy SageMaker tartományt és egy felhasználói profilt. Az utasításokért lásd az 5. lépést Bekapcsolva az Amazon SageMaker tartományba a gyors beállítás segítségével.
- Hozzon létre egy OpenSearch szolgáltatási tartományt. Az utasításokat lásd Amazon OpenSearch Service tartományok létrehozása és kezelése.
Használhat egy AWS felhőképződés sablont követve a GitHub utasításait domain létrehozásához.
A Studio-t az Amazon S3-hoz csatlakoztathatja Amazon Virtual Private Cloud (Amazon VPC) segítségével egy interfész végpontja a VPC-ben, ahelyett, hogy az interneten keresztül csatlakozna. Egy interfész VPC végpont (interfész végpont) használatával a VPC és a Studio közötti kommunikáció teljes mértékben és biztonságosan az AWS hálózaton belül zajlik. A biztonságos kommunikáció érdekében a Studio-jegyzetfüzet privát VPC-n keresztül csatlakozhat az OpenSearch szolgáltatáshoz.
Az OpenSearch Service tartományai nyugalmi adatok titkosítását kínálják, ami egy biztonsági funkció, amely segít megelőzni az adatokhoz való jogosulatlan hozzáférést. A csomópontok közötti titkosítás az OpenSearch szolgáltatás alapértelmezett szolgáltatásai mellett további biztonsági réteget biztosít. Az Amazon S3 automatikusan szerveroldali titkosítást (SSE-S3) alkalmaz minden új objektumhoz, hacsak nem ad meg más titkosítási beállítást.
Az OpenSearch Service tartományban identitásalapú házirendeket csatolhat, amelyek meghatározzák, hogy ki férhet hozzá egy szolgáltatáshoz, milyen műveleteket hajthat végre, és adott esetben milyen erőforrásokon hajthatja végre ezeket a műveleteket.
Kódoljon képeket és szövegpárokat beágyazásba
Ez a rész azt tárgyalja, hogyan lehet képeket és szöveget beágyazásba kódolni. Ez magában foglalja az adatok előkészítését, a SageMaker modell létrehozását és a kötegelt átalakítás végrehajtását a modell segítségével.
Az adatok áttekintése és előkészítése
A mintakód futtatásához használhat egy Python 3 (Data Science) kernellel rendelkező SageMaker Studio notebookot.
Ehhez a bejegyzéshez a Amazon Berkeley objektumadatkészlet. Az adatkészlet 147,702 398,212 terméklista gyűjteménye többnyelvű metaadatokkal és 1,600 XNUMX egyedi katalógusképpel. A cikkek képeit és neveit csak amerikai angol nyelven használjuk. Demó célokra körülbelül XNUMX terméket használunk. Az adatkészletről további részletekért tekintse meg a README. Az adatkészlet egy nyilvános S3 tárolóban van tárolva. 16 olyan fájl van, amely az Amazon termékek termékleírását és metaadatait tartalmazza formátumban listings/metadata/listings_<i>.json.gz
. Ebben a demóban az első metaadatfájlt használjuk.
Használod pandák a metaadatok betöltéséhez, majd az adatkeretből válassza ki azokat a termékeket, amelyek amerikai angol címmel rendelkeznek. A Pandas egy nyílt forráskódú adatelemző és -manipuláló eszköz, amely a Python programozási nyelvre épül. nevű attribútumot használsz main_image_id
hogy azonosítson egy képet. Lásd a következő kódot:
1,639 termék van az adatkeretben. Ezután kapcsolja össze az elemek neveit a megfelelő cikkképekkel. images/metadata/images.csv.gz
kép metaadatait tartalmazza. Ez a fájl egy gzip-tömörített CSV-fájl a következő oszlopokkal: image_id
, height
, width
és path
. Elolvashatja a metaadatfájlt, majd egyesítheti az elem metaadataival. Lásd a következő kódot:
Használhatja a SageMaker Studio notebook Python 3 beépített kernelt PIL könyvtár mintakép megtekintéséhez az adatkészletből:
Modellkészítés
Ezután hozzon létre a SageMaker modell előképzett CLIP modellből. Első lépésként töltsük le az előre betanított modellsúlyozási fájlt, helyezzük el a model.tar.gz
fájlt, és töltse fel egy S3 vödörbe. Az előképzett modell útja a CLIP repo. Előképzettet használunk ResNet-50 (RN50) modell ebben a demóban. Lásd a következő kódot:
Ezután meg kell adnia egy következtetési belépési pont szkriptet a CLIP modellhez. A CLIP a segítségével valósul meg PyTorch, tehát használja a SageMaker PyTorch keretrendszer. A PyTorch egy nyílt forráskódú ML keretrendszer, amely felgyorsítja az utat a kutatási prototípus-készítéstől az éles üzembe helyezésig. A PyTorch-modell SageMakerrel történő üzembe helyezésével kapcsolatos információkért lásd: Telepítse a PyTorch modelleket. A következtetési kód két környezeti változót fogad el: MODEL_NAME
és a ENCODE_TYPE
. Ezzel könnyedén válthatunk a különböző CLIP modellek között. Használjuk ENCODE_TYPE
annak megadásához, hogy képet vagy szövegrészt akarunk-e kódolni. Itt végrehajtja a model_fn
, input_fn
, predict_fn
és output_fn
funkciók felülbírálásához alapértelmezett PyTorch következtetéskezelő. Lásd a következő kódot:
A megoldáshoz további Python-csomagokra van szükség a modellkövetkeztetés során, így megadhatja a requirements.txt
fájl, amely lehetővé teszi a SageMaker számára, hogy további csomagokat telepítsen a modellek hosztolásakor:
Ön használja a PyTorchModel osztály objektum létrehozásához, amely tartalmazza a modellműtermékek Amazon S3 helyére vonatkozó információkat és a következtetési belépési pont részleteit. Az objektum segítségével kötegelt átalakítási feladatokat hozhat létre, vagy telepítheti a modellt egy végpontra online következtetés céljából. Lásd a következő kódot:
Kötegelt átalakítás a tételek képeinek beágyazásokká kódolásához
Ezután a CLIP modellt használjuk az elemképek beágyazásokba való kódolására, és a SageMaker kötegelt transzformációt használjuk a kötegkövetkeztetés futtatásához.
A feladat létrehozása előtt használja a következő kódrészletet az elemek képeinek másolásához az Amazon Berkeley Objects Dataset nyilvános S3 tárolójából a saját tárolójába. A művelet kevesebb, mint 10 percet vesz igénybe.
Ezután kötegelt módon következtetéseket kell levonnia a tételképekre. A SageMaker kötegelt átalakítási feladat a CLIP modellt használja a bemeneti Amazon S3 helyen tárolt összes kép kódolásához, és feltölti a kimeneti beágyazásokat egy kimeneti S3 mappába. A munka körülbelül 10 percet vesz igénybe.
Töltse be az Amazon S3 beágyazásait egy változóba, hogy később be tudja tölteni az adatokat az OpenSearch szolgáltatásba:
Hozzon létre egy ML-alapú egyesített keresőmotort
Ez a rész azt tárgyalja, hogyan hozhat létre olyan keresőmotort, amely a k-NN keresést használja beágyazásokkal. Ez magában foglalja az OpenSearch Service-fürt konfigurálását, az elemek beágyazását, valamint a szabad szöveges és képkeresési lekérdezések végrehajtását.
Állítsa be az OpenSearch szolgáltatási tartományt a k-NN beállításokkal
Korábban létrehozott egy OpenSearch-fürtöt. Most létrehoz egy indexet a katalógusadatok és a beágyazások tárolására. A következő konfigurációval konfigurálhatja az indexbeállításokat a k-NN funkció engedélyezéséhez:
Ez a példa a Python Elasticsearch kliens kommunikálni az OpenSearch fürttel, és létrehozni egy indexet az adatok tárolására. Futhatsz %pip install elasticsearch
a notebookban a könyvtár telepítéséhez. Lásd a következő kódot:
Képbeágyazási adatok betöltése az OpenSearch szolgáltatásba
Most végigfut az adatkészleten, és feldolgozhatja az elemek adatait a fürtbe. Az ehhez a gyakorlathoz tartozó adatfeldolgozásnak 60 másodpercen belül be kell fejeződnie. Egy egyszerű lekérdezést is futtat annak ellenőrzésére, hogy az adatok sikeresen bekerültek-e az indexbe. Lásd a következő kódot:
Végezzen valós idejű lekérdezést
Most, hogy van egy működő OpenSearch Service indexe, amely a tételek képeinek beágyazásait tartalmazza leltárunkként, nézzük meg, hogyan hozhat létre beágyazást a lekérdezésekhez. Létre kell hoznia két SageMaker-végpontot a szöveg- és képbeágyazások kezelésére.
Két függvényt is létrehozhat, amelyek a végpontokat képek és szövegek kódolására használhatják. A encode_text
függvény, teszi hozzá this is
az elemnév előtt, ha egy elem nevét a tételleíráshoz szükséges mondattá fordítja le. memory_size_in_mb
6 GB-ra van állítva az aláhúzás kiszolgálásához Transzformátor és a ResNet modellek. Lásd a következő kódot:
Először kirajzolhatja a felhasználni kívánt képet.
Nézzük meg egy egyszerű lekérdezés eredményeit. Miután lekérte az eredményeket az OpenSearch szolgáltatásból, megkapja az elemnevek és képek listáját dataset
:
Az első elem pontszáma 1.0, mert a két kép azonos. Más elemek az OpenSearch Service indexében szereplő különböző típusú szemüvegek.
Az index lekérdezéséhez szöveget is használhat:
Mostantól három képet kaphat vizespohárról az indexből. A CLIP kódolóval a képeket és a szöveget ugyanabban a látens térben találja meg. Egy másik példa erre a „pizza” szó keresése az indexben:
Tisztítsuk meg
A felhasználásonkénti fizetési modellben a Serverless Inference költséghatékony megoldás egy ritka vagy előre nem látható forgalmi minta esetén. Ha szigorú szolgáltatási szintű szerződés (SLA), vagy nem tolerálja a hidegindítást, a valós idejű végpontok jobb választás. Használata több modell or több konténer A végpontok méretezhető és költséghatékony megoldásokat kínálnak nagyszámú modell telepítéséhez. További információkért lásd: Amazon SageMaker árképzés.
Javasoljuk, hogy törölje a kiszolgáló nélküli végpontokat, amikor már nincs rájuk szükség. A gyakorlat befejezése után a következő lépésekkel távolíthatja el az erőforrásokat (törölheti ezeket az erőforrásokat a AWS felügyeleti konzol, vagy az AWS SDK vagy a SageMaker SDK használatával):
- Törölje a létrehozott végpontot.
- Opcionálisan törölje a regisztrált modelleket.
- Opcionálisan törölje a SageMaker végrehajtási szerepkört.
- Opcionálisan ürítse ki és törölje az S3 tartályt.
Összegzésként
Ebben a bejegyzésben bemutattuk, hogyan lehet k-NN keresőalkalmazást létrehozni a SageMaker és az OpenSearch Service k-NN index funkcióival. Ebből egy előre betanított CLIP modellt használtunk OpenAI végrehajtását.
A bejegyzés OpenSearch Service feldolgozási megvalósítása csak prototípus készítésére szolgál. Ha az Amazon S3 adatait nagyarányúan szeretné feldolgozni az OpenSearch szolgáltatásba, elindíthat egy Amazon SageMaker feldolgozási munka a megfelelő példánytípussal és példányszámmal. Egy másik méretezhető beágyazási feldolgozási megoldásról lásd: A Novartis AG az Amazon OpenSearch Service K-Nearest Neighbor (KNN) és az Amazon SageMaker szolgáltatást használja a kereséshez és ajánlásokhoz (3/4. rész).
A CLIP biztosítja nulla lövés képességek, ami lehetővé teszi egy előre betanított modell közvetlen, használat nélküli átvételét transzfer tanulás hogy finomhangoljon egy modellt. Ez leegyszerűsíti a CLIP modell alkalmazását. Ha pár termékképe és leíró szövege van, a modell teljesítményének további javítása érdekében az átviteli tanulás segítségével finomhangolhatja a modellt saját adataival. További információkért lásd Átvihető vizuális modellek tanulása természetes nyelvi felügyeletből és a CLIP GitHub reposzituáció.
A szerzőkről
Kevin Du az AWS vezető adatlaboratóriumi építésze, aki elkötelezett az ügyfelek számára a Machine Learning (ML) termékeik és MLOps platformjaik fejlesztésének felgyorsításában. Több mint egy évtizedes tapasztalattal rendelkezik az ML-kompatibilis termékek gyártásában mind a startupok, mind a vállalkozások számára, és arra összpontosít, hogy segítse ügyfeleit ML-megoldásaik gyártási folyamatának egyszerűsítésében. Szabadidejében Kevin szeret főzni és kosárlabdát nézni.
Ananya Roy egy vezető Data Lab építész, aki mesterséges intelligenciára és gépi tanulásra szakosodott Sydney Ausztráliából. Ügyfelei széles körével dolgozott azon, hogy építészeti útmutatást nyújtson, és segítsen nekik hatékony AI/ML megoldást nyújtani adatlabor bevonásával. Az AWS előtt vezető adattudósként dolgozott, és nagyszabású ML modellekkel foglalkozott különböző iparágakban, mint például a Telco, a bankok és a fintech. Az AI/ML terén szerzett tapasztalata lehetővé tette számára, hogy hatékony megoldásokat kínáljon összetett üzleti problémákra, és szenvedélyesen használja a legmodernebb technológiákat, hogy segítse a csapatokat céljaik elérésében.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/implement-unified-text-and-image-search-with-a-clip-model-using-amazon-sagemaker-and-amazon-opensearch-service/
- :is
- ][p
- $ UP
- 1
- 10
- 100
- 11
- 7
- 8
- 9
- a
- Képes
- Rólunk
- gyorsul
- elfogadja
- hozzáférés
- Elérése
- át
- cselekvések
- További
- elfogadja
- Után
- AG
- Megállapodás
- AI
- AI / ML
- Minden termék
- amazon
- Amazon OpenSearch szolgáltatás
- Amazon SageMaker
- elemzés
- és a
- Másik
- alkalmazható
- Alkalmazás
- alkalmazások
- megfelelő
- körülbelül
- építészeti
- építészet
- VANNAK
- érv
- körül
- AS
- At
- csatolja
- Ausztrália
- automatikusan
- AWS
- Banks
- alapján
- Kosárlabda
- BE
- mert
- előtt
- Berkeley
- BEST
- Jobb
- között
- test
- épít
- Épület
- épült
- beépített
- üzleti
- vállalkozások
- by
- hívott
- TUD
- képességek
- katalógus
- CD
- ellenőrizze
- választás
- vásárló
- közel
- Fürt
- kód
- gyűjtemény
- Oszlopok
- kommunikálni
- közlés
- képest
- teljes
- bonyolult
- koncepció
- lefolytatott
- Configuration
- Csatlakozás
- Csatlakozó
- kapcsolat
- Fogyasztók
- tartalmaz
- tartalmaz
- tartalom
- társalgó
- Megfelelő
- Költség
- költséghatékony
- tudott
- teremt
- készítette
- létrehozása
- Hitelesítő adatok
- Csésze
- Ügyfelek
- élvonalbeli
- ciklusok
- dátum
- adatelemzés
- adat pontok
- adat-tudomány
- adattudós
- adatkészletek
- évtized
- elszánt
- mély
- mély tanulás
- alapértelmezett
- meghatározó
- szállít
- bizonyítani
- igazolták
- telepíteni
- bevezetéséhez
- bevetés
- leírás
- kívánatos
- részletek
- Dev
- Fejleszt
- Fejlesztés
- eszköz
- különböző
- Dimenzió
- közvetlenül
- kijelző
- számos
- dokumentumok
- domain
- domainek
- ne
- le-
- letöltés
- alatt
- minden
- könnyebb
- könnyen
- e-kereskedelem
- Hatékony
- lehetővé
- titkosítás
- Endpoint
- eljegyzés
- Motor
- Motorok
- Angol
- biztosítására
- Vállalatok
- teljesen
- belépés
- Környezet
- hibák
- példa
- végrehajtás
- Gyakorol
- tapasztalat
- külön-
- család
- Funkció
- Jellemzők
- Ábra
- filé
- Fájlok
- Találjon
- befejezni
- vezetéknév
- Rugalmasság
- Összpontosít
- következő
- következik
- A
- formátum
- talált
- KERET
- Keretrendszer
- Ingyenes
- barát
- ból ből
- front
- funkció
- funkcionális
- funkcionalitás
- funkciók
- további
- generál
- generált
- kap
- megy
- GitHub
- üveg
- Go
- Célok
- megy
- jó
- útmutatást
- fogantyú
- Legyen
- fejlécek
- magasság
- segít
- segít
- segít
- itt
- <p></p>
- Találat
- Találat
- vendéglátó
- házigazdája
- tárhely
- Hogyan
- How To
- HTML
- http
- HTTPS
- Több száz
- i
- azonosítani
- Idle
- IDX
- kép
- Image Search
- képek
- végre
- végrehajtás
- végre
- végrehajtási
- importál
- javul
- in
- tartalmaz
- magában foglalja a
- index
- indexek
- indexek
- iparágak
- információ
- Infrastruktúra
- bemenet
- telepíteni
- példa
- helyette
- utasítás
- integrált
- érdekelt
- Felület
- Internet
- leltár
- IT
- tételek
- ITS
- Munka
- Állások
- jpg
- json
- labor
- nyelv
- hordozható számítógép
- nagy
- nagyarányú
- indít
- réteg
- tanulás
- erőfölény
- könyvtár
- mint
- LINK
- Lista
- listák
- kiszámításának
- betöltés
- elhelyezkedés
- Hosszú
- hosszabb
- néz
- gép
- gépi tanulás
- készült
- KÉSZÍT
- vezetés
- kezelése
- Manipuláció
- mód
- eszközök
- intézkedés
- intézkedések
- megy
- meta
- Metaadatok
- metrikus
- Perc
- ML
- MLOps
- modell
- modellek
- több
- mozog
- név
- nevek
- Természetes
- Szükség
- hálózat
- neurális hálózat
- Új
- következő
- jegyzetfüzet
- számok
- tárgy
- objektumok
- of
- ajánlat
- Régi
- on
- online
- nyitva
- nyílt forráskódú
- működés
- opció
- OS
- Más
- teljesítmény
- felülírás
- áttekintés
- saját
- csomagok
- párok
- pandák
- rész
- szenvedélyes
- ösvény
- Mintás
- Emberek (People)
- tökéletes
- Teljesít
- teljesítmény
- előadó
- fázis
- kép
- képek
- darab
- Pizza
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- PoC
- pont
- pont
- Politikák
- medence
- lehetséges
- állás
- hatalom
- powered
- gyakorlat
- előrejelzés
- Tippek
- előkészítése
- megakadályozása
- Előzetes
- magán
- problémák
- feldolgozás
- Termékek
- Termelés
- Termékek
- profil
- Programozás
- program
- ingatlanait
- prototípus
- ad
- biztosít
- nyilvános
- célokra
- tesz
- Piton
- pytorch
- Quick
- gyorsan
- hatótávolság
- Nyers
- Olvass
- igazi
- real-time
- Ajánlást
- rekord
- Piros
- regex
- vidék
- nyilvántartott
- eltávolítása
- megköveteli,
- kutatás
- Tudástár
- válasz
- REST
- eredményez
- Eredmények
- kiskereskedelem
- visszatérés
- Visszatér
- Emelkedik
- Szerep
- ROSE
- futás
- sagemaker
- azonos
- Megtakarítás
- skálázható
- Skála
- skálázás
- Tudomány
- Tudós
- pontszám
- sdk
- Keresés
- kereső
- Keresők
- másodperc
- Rész
- biztonság
- biztosan
- biztonság
- idősebb
- mondat
- szolgál
- vagy szerver
- szolgáltatás
- ülés
- készlet
- beállítások
- Alak
- kellene
- mutatott
- hasonló
- Egyszerű
- Méret
- kisebb
- So
- megoldások
- Megoldások
- néhány
- forrás
- Hely
- specializált
- különleges
- állvány
- kezdődik
- Startups
- Lépés
- Lépései
- tárolás
- tárolni
- memorizált
- áramvonal
- Szigorú
- stúdió
- beküldése
- sikeresen
- ilyen
- Támogatja
- kapcsoló
- sydney
- SYS
- tart
- csapat
- Technologies
- Telco
- sablon
- teszt
- hogy
- A
- az információ
- azok
- Őket
- Ezek
- három
- Keresztül
- idő
- alkalommal
- Cím
- címei
- nak nek
- jelképes
- szerszám
- felső
- fáklya
- Torchvision
- forgalom
- kiképzett
- átruházás
- Átalakítás
- fordít
- igaz
- típusok
- egységes
- egyedi
- kiszámíthatatlan
- us
- használ
- használó
- érték
- fajta
- ellenőrzése
- keresztül
- Megnézem
- Tényleges
- őrzés
- Víz
- JÓL
- ami
- WHO
- szélesség
- Wikipedia
- lesz
- val vel
- belül
- nélkül
- szó
- dolgozó
- lenne
- X
- te
- A te
- zephyrnet