A közelmúltban egy új képességet vezettünk be a Amazon SageMaker Python SDK amely lehetővé teszi az adattudósok számára, hogy az általuk előnyben részesített integrált fejlesztői környezetben (IDE) és notebookjaikban írt gépi tanulási (ML) kódjukat, valamint a kapcsolódó futásidejű függőségeket, Amazon SageMaker betanítási munkák minimális kódmódosításokkal a helyben végzett kísérletezésben. Az adattudósok általában több iterációt hajtanak végre az adatfeldolgozási és képzési modellekben, miközben bármilyen ML problémán dolgoznak. Ezt az ML-kódot akarják futtatni, és a kísérletezést könnyű kezelhetőség mellett minimális kódváltással végezni. Amazon SageMaker modell képzés segít az adattudósoknak teljes körűen felügyelt, nagyszabású képzési feladatok végrehajtásában az AWS számítási infrastruktúráján. A SageMaker Training olyan fejlett eszközökkel is segíti az adattudósokat, mint pl Amazon SageMaker Debugger és Profiler a nagyszabású képzési munkáik hibakereséséhez és elemzéséhez.
A kis költségvetéssel, kis csapatokkal és szűkös időbeosztással rendelkező ügyfelek számára minden egyes új koncepció és kódsor, amelyet a SageMaker-en futni kezdenek, kevésbé termelékenyek az alapvető feladataik, nevezetesen az adatfeldolgozás és az ML modellek betanítása terén. Egyszer szeretnének kódot írni az általuk választott keretek között, és zökkenőmentesen át tudnak térni a notebookjukon vagy laptopjaikon futó kódról a SageMaker képességek segítségével, a kód nagyarányú futtatására.
A SageMaker Python SDK ezen új képességével az adatkutatók néhány perc alatt beépíthetik ML-kódjukat a SageMaker Training platformra. Csak egyetlen kódsort kell hozzáadnia az ML-kódhoz, és a SageMaker intelligensen felfogja a kódot az adatkészletekkel és a munkaterület-környezet beállításával együtt, és SageMaker képzési feladatként futtatja. Ezután kihasználhatja a SageMaker Training platform kulcsfontosságú képességeit, például a feladatok egyszerű méretezését, és más kapcsolódó eszközöket, például a Debuggert és a Profiler-t. Ebben a kiadásban a helyi gépi tanulási (ML) Python-kódot egy csomópontos Amazon SageMaker képzési feladatként vagy több párhuzamos jobként futtathatja. Az elosztott betanítási feladatokat (több csomópont között) a távoli funkciók nem támogatják.
Ebben a bejegyzésben megmutatjuk, hogyan használhatja ezt az új képességet helyi ML-kód futtatására SageMaker képzési feladatként.
Megoldás áttekintése
Most már futtathatja az IDE-ben vagy notebookban írt ML-kódot SageMaker Training feladatként, ha egy egyszerű dekorátorral megjegyzést fűz a funkcióhoz, amely belépési pontként működik a felhasználó kódbázisába. Meghíváskor ez a képesség automatikusan pillanatképet készít az összes kapcsolódó változóról, függvényről, csomagról, környezeti változóról és egyéb futásidejű követelményről az ML-kódból, sorba rendezi őket, és elküldi őket SageMaker képzési feladatként. Integrálódik a nemrég bejelentett SageMaker Python SDK funkció a paraméterek alapértelmezett értékeinek beállításához. Ez a képesség leegyszerűsíti a SageMaker konstrukciókat, amelyeket meg kell tanulnia, hogy kódot tudjon futtatni a SageMaker Training segítségével. Az adattudósok bármelyik preferált IDE-ben írhatják, hibakereshetik és iterálhatják kódjukat (például Amazon SageMaker Studio, notebookok, VS Code vagy PyCharm). Ha készen áll, megjegyzéseket fűzhet a Python-függvényhez a @remote
lakberendezőt, és futtassa SageMaker-munkaként.
Ez a képesség ismerős nyílt forráskódú Python-objektumokat használ argumentumként és kimenetként. Ezenkívül nem kell megértenie a tároló életciklus-kezelését, és egyszerűen futtathatja a munkaterheléseket különböző számítási kontextusokban (például helyi IDE, Studio vagy képzési feladatok) minimális konfigurációs többletköltséggel. Ha bármilyen helyi kódot SageMaker Training jobként szeretne futtatni, ez a képesség kikövetkezteti a jobok futtatásához szükséges konfigurációkat, mint pl. AWS Identity and Access Management (IAM) szerepkört, titkosítási kulcsot és hálózati konfigurációt a Studio vagy az IDE beállításaiból (amelyek lehetnek alapértelmezett beállítások), és alapértelmezés szerint átadja őket a platformnak. Rugalmasan testreszabhatja futási idejét a SageMaker felügyelt infrastruktúrájában a kikövetkeztetett konfiguráció használatával, vagy felülírhatja azokat SDK-szinten úgy, hogy argumentumként adja át őket a dekorátornak.
A SageMaker Python SDK ezen új képessége átalakítja az ML-kódot egy meglévő munkaterület-környezetben, valamint a kapcsolódó adatfeldolgozási kódokat és adatkészleteket SageMaker képzési feladattá. Ez a képesség az a belsejébe csomagolt ML kódot keres @remote
Decorator, és automatikusan lefordítja azt egy olyan munkává, amely akár a Studio-ban, akár egy helyi IDE-ben, például a PyCharmban fut.
A következő szakaszokban bemutatjuk ennek az új képességnek a funkcióit, és bemutatjuk, hogyan indíthatunk el python-funkciókat SageMaker Training feladatokként.
Előfeltételek
Az új SageMaker Python SDK-képesség használatához és a bejegyzéshez társított kód futtatásához a következő előfeltételekre van szüksége:
- Egy AWS-fiók, amely tartalmazza az összes AWS-erőforrást
- IAM-szerep a SageMaker eléréséhez
- Hozzáférés a Studio-hoz vagy egy SageMaker notebook-példányhoz vagy egy IDE-hez, például a PyCharmhoz
Használja a Studio és a SageMaker notebookok SDK-ját
Ezt a funkciót a Studio alkalmazásból úgy használhatja, hogy elindít egy jegyzetfüzetet, és becsomagolja a kódot a @remote
dekorátor a füzet belsejében. Először importálnia kell a távoli funkciót a következő kóddal:
from sagemaker.remote_function import remote
Amikor a díszítő funkciót használja, ez a képesség automatikusan értelmezi a kód funkcióját, és SageMaker képzési feladatként futtatja.
Ezt a képességet SageMaker notebook példányból is használhatja. Először el kell indítania egy notebook példányt, meg kell nyitnia rajta a Jupytert vagy a Jupyter Lab-ot, és el kell indítania egy notebookot. Ezután importálja a távoli funkciót az előző kódban látható módon, és csomagolja be a kódot a @remote
lakberendező. Ebben a bejegyzésben később bemutatunk egy példát a dekorátor funkció és a kapcsolódó beállítások használatára.
Használja a helyi környezet SDK-ját
Ezt a képességet a helyi IDE-ből is használhatja. Előfeltételként rendelkeznie kell a AWS parancssori interfész (AWS CLI), SageMaker Python SDK és AWS SDK Pythonhoz (Boto3) telepítve van a helyi környezetben. Ezeket a könyvtárakat importálnia kell a kódjába, be kell állítania a SageMaker munkamenetet, meg kell adnia a beállításokat, és díszítenie kell a függvényt a @remote
lakberendező. A következő példakódban egy egyszerű osztási függvényt futtatunk SageMaker képzési feladatként:
import boto3
import sagemaker
from sagemaker.remote_function import remote sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="us-west-2"))
settings = dict(
sagemaker_session=sm_session,
role=<IAM_ROLE_NAME>
instance_type="ml.m5.xlarge",
)
@remote(**settings)
def divide(x, y):
return x / y
if __name__ == "__main__":
print(divide(2, 3.0))
Hasonló módszertant használhatunk speciális funkciók betanítási feladatokként történő futtatására is, amint azt a következő részben láthatjuk.
Indítsa el a Python funkciókat SageMaker-feladatokként
Az új SageMaker Python SDK funkció lehetővé teszi a Python-függvények futtatását SageMaker Training állások. Felügyelt SageMaker-feladatként elindítható bármilyen Python-kód, ML-tanítókód, amelyet az általuk preferált helyi IDE-k (PyCharm, VS Code) használó adattudósok fejlesztettek ki, SageMaker notebookok vagy Studio notebookok.
Az ezt a képességet használó ML-munkaterhelésekben a kapcsolódó adatkészletek, függőségek és munkaterület-környezet-beállítások az ML-kód segítségével sorba rendeződnek, és SageMaker-feladatként futnak szinkron és aszinkron módon.
Hozzáadhat egy @remote
díszítő annotáció bármely Python-kódhoz, beleértve a helyi ML-feldolgozási vagy betanítási funkciót, hogy felügyelt SageMaker képzési feladatként indítsa el, ezáltal kihasználva a SageMaker méretarányos, teljesítmény- és költségelőnyeit. Ez minimális kódmódosítással érhető el, ha a Python funkciókódhoz egy dekorátort adunk. A díszített függvény meghívása szinkronban fut, és a függvény futása megvárja, amíg a SageMaker feladat befejeződik.
A következő példában a @remote
dekorátor a SageMaker-feladatok elindításához dekorátor módban egy ml.m5.large példány használatával. A SageMaker képzési feladatokat használ a funkció irányított feladatként történő elindításához.
from sagemaker.remote_function import remote
from numpy as np @remote(instance_type="ml.m5.large")
def matrix_multiply(a, b): return np.matmul(a, b) a = np.array([[1, 0], [0, 1]])
b = np.array([1, 2]) assert matrix_multiply(a, b) == np.array([1,2])
A díszítő módot SageMaker-feladatok, Python-csomagok és függőségek indítására is használhatja. Környezeti változókat, például VPC-t, alhálózatokat és biztonsági csoportokat is felvehet a SageMaker képzési feladatok elindításához a environment.yml
fájlt. Ez lehetővé teszi az ML mérnökök és adminisztrátorok számára, hogy konfigurálják ezeket a környezeti változókat, így az adattudósok az ML modellépítésre összpontosíthatnak, és gyorsabban iterálhatnak. Lásd a következő kódot:
from sagemaker.remote_function import remote @remote(instance_type="ml.g4dn.xlarge",dependencies = "./environment.yml")
def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
... <TRUCNATED>
return os.path.join(s3_output_path, model_dir), eval_result
Használhatja RemoteExecutor
hogy a Python-függvényeket SageMaker-feladatokként aszinkron módon indítsa el. A végrehajtó aszinkron módon lekérdezi a SageMaker Training jobokat, hogy frissítse a job állapotát. A RemoteExecutor
osztály megvalósítása a egyidejű.futures.Végrehajtó, amely a SageMaker Training munkák aszinkron küldésére szolgál. Lásd a következő kódot:
from sagemaker.remote_function import RemoteExecutor def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
...<TRUNCATED>
return os.path.join(s3_output_path, model_dir), eval_result with RemoteExecutor(instance_type="ml.g4dn.xlarge", dependencies = './requirements.txt') as e:
future = e.submit(train_hf_model, train_input_path,test_input_path,s3_output_path,
epochs, train_batch_size, eval_batch_size,warmup_steps,learning_rate)
A futási környezet testreszabása
Dekoratőr mód és RemoteExecutor
lehetővé teszi a SageMaker feladat futási környezeteinek meghatározását és testreszabását. A futásidejű függőségek, beleértve a Python-csomagokat és a SageMaker-feladatok környezeti változóit, megadhatók a futási idő testreszabásához. A helyi Python-kód SageMaker által felügyelt feladatokként való futtatásához a Python-csomagot és a függőségeket elérhetővé kell tenni a SageMaker számára. Az ML mérnökök vagy adattudományi adminisztrátorok konfigurálhatnak hálózati és biztonsági konfigurációkat, például VPC-t, alhálózatokat és biztonsági csoportokat a SageMaker-feladatokhoz, így az adattudósok használhatják ezeket a központilag felügyelt konfigurációkat a SageMaker-feladatok elindításakor. Használhatja a requirements.txt
fájl vagy a Conda environment.yaml
fájlt.
Amikor a függőségek a következővel vannak definiálva requirements.txt
, a csomagok a pip használatával lesznek telepítve a job futási idején. Ha a feladat futtatásához használt lemezkép Conda környezetekkel érkezik, a csomagok a feladatokhoz használt Conda környezetben lesznek telepítve. A következő kód példát mutat requirements.txt
file:
datasets
transformers
torch
scikit-learn
s3fs==0.4.2
sagemaker>=2.148.0
Átadhatja a sajátját Conda environment.yaml
fájlt, hogy létrehozza azt a Conda-környezetet, amelyben szeretné, hogy a kódja fusson a betanítási feladat során. Ha a feladat futtatásához használt képfájl Conda környezetet deklarál a kód futtatásához, akkor frissítjük a deklarált Conda környezetet a megadott specifikációval. A következő kód egy példa a Conda environment.yaml
file:
name: sagemaker_example
channels: - conda-forge
dependencies: - python=3.10 - pandas - pip: - sagemaker
Alternatív megoldásként beállíthatja dependencies=”auto_capture”
hogy a SageMaker Python SDK rögzítse a telepített függőségeket az aktív Conda környezetben. Ehhez aktív Conda környezettel kell rendelkeznie auto_capture
dolgozni. Vegye figyelembe, hogy vannak előfeltételei auto_capture
dolgozni; azt javasoljuk, hogy adja át függőségeit a requirement.txt
or Conda environment.yml
fájlt az előző részben leírtak szerint.
További részletek: Futtassa a helyi kódot SageMaker Training feladatként.
A SageMaker-feladatok konfigurációi
Az infrastruktúrával kapcsolatos beállítások egy konfigurációs fájlba tölthetők, amelyet az adminisztrátor felhasználók segíthetnek beállítani. Csak egyszer kell beállítani. Az infrastruktúra beállításai kiterjednek a hálózati konfigurációra, az IAM-szerepekre, Amazon egyszerű tárolási szolgáltatás (Amazon S3) mappa bemeneti, kimeneti adatokhoz és címkékhez. Hivatkozni Alapértelmezések konfigurálása és használata a SageMaker Python SDK-val fül alatt találsz.
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
Dependencies: path/to/requirements.txt
EnvironmentVariables: {"EnvVarKey": "EnvVarValue"}
ImageUri: 366666666666.dkr.ecr.us-west-2.amazonaws.com/my-image:latest
InstanceType: ml.m5.large
RoleArn: arn:aws:iam::366666666666:role/MyRole
S3KmsKeyId: somekmskeyid
S3RootUri: s3://my-bucket/my-project
SecurityGroupIds:
- sg123
Subnets:
- subnet-1234
Tags:
- {"Key": "someTagKey", "Value": "someTagValue"}
VolumeKmsKeyId: somekmskeyid
Implementáció
Az olyan mélytanulási modellek, mint a PyTorch vagy a TensorFlow, a Studióban is futtathatók, ha a kódot oktatási feladatként futtatják a notebookon belül. Ennek a képességnek a Stúdióban való bemutatásához klónozhatja ezt a repót a Studio-ba, és futtathatja a notebookot, amely a GitHub tárolóból.
Ez a példa egy végponttól végpontig terjedő bináris szövegosztályozási használati esetet mutat be. A Hugging Face transzformátorok és adatkészletek könyvtárát használjuk egy előre betanított transzformátor finomhangolására a bináris szöveges osztályozásra. Különösen az előre betanított modell finomhangolása a IMDb adatkészlet.
A lerakat klónozásakor meg kell keresnie a következő fájlokat:
- config.yaml – A legtöbb dekorátor argumentum áttölthető a konfigurációs fájlba, hogy az infrastruktúrával kapcsolatos beállításokat elkülönítsük a kódbázistól
- ölelőarc.ipynb – Ez tartalmazza a kódot egy előre betanított HuggingFace modell betanításához, amelyet az IMDB adatkészlet segítségével finomhangolunk
- követelmények.txt – Ez a fájl tartalmazza a függvény futtatásához szükséges összes függőséget, amelyet ebben a notebookban a kód futtatásához és a képzés távoli futtatásához egy GPU-példányon, mint betanítási feladatként használnak.
Amikor megnyitja a notebookot, a rendszer felkéri a notebook környezet beállítására. Kiválaszthatja a Data Science 3.0 rendszerképet Python 3 kernellel és ml.m5.large-vel, mint gyorsindítási példánytípust a notebook kód futtatásához. Ez a példánytípus lényegesen gyorsabb a környezet felpörgetésében.
A betanítási feladat egy ml.g4dn.xlarge példányban fog futni, ahogy az a config.yaml
file:
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
# role arn is not required if in SageMaker Notebook instance or SageMaker Studio
# Uncomment the following line and replace with the right execution role if in a local IDE
# RoleArn: <IAM_ROLE_ARN>
InstanceType: ml.g4dn.xlarge
Dependencies: ./requirements.txt
A requirements.txt
A Hugging Face modell betanítására szolgáló függvény futtatásához szükséges fájlfüggőségek a következők:
datasets
transformers
torch
scikit-learn
# lock s3fs to this specific version as more recent ones introduce dependency on aiobotocore, which is not compatible with botocore
s3fs==0.4.2
sagemaker>=2.148.0,<3
A Hugging Face notebook bemutatja, hogyan lehet az edzést távolról lefuttatni a @remote
funkció, amely szinkronban fut. Ezért a modell betanítására futtatott függvény megvárja, amíg a SageMaker képzési feladat befejeződik. A képzés távolról fut egy GPU-példány segítségével, ahol a példány típusa az előző konfigurációs fájlban van meghatározva.
A betanítási feladat futtatása után futtathatja a jegyzetfüzet többi celláját, hogy megtekinthesse az értékelési mérőszámokat, és osztályozza a szöveget a betanított modellünkön.
A SageMaker irányítópultján a GPU-példányban távolról kiváltott betanítási feladatok állapotát is megtekintheti, ha visszanavigál a SageMaker konzolra.
Amint a betanítási feladat befejeződött, folytatja a notebook utasításainak futtatását az értékeléshez és az osztályozáshoz. Hasonló feladatok betaníthatók és futtathatók a Studio notebookokba ágyazott távoli végrehajtó funkción keresztül, hogy a futtatásokat aszinkron módon hajtsák végre.
Integráció a SageMaker kísérletekkel egy @remote függvényen belül
A kísérlet nevét, futtatásának nevét és egyéb paramétereit átadhatja a távoli függvénynek, hogy SageMaker kísérleteket hozzon létre. A következő kódpélda importálja a kísérlet nevét, a futtatás nevét és az egyes futtatásokhoz naplózandó paramétereket:
from sagemaker.remote_function import remote
from sagemaker.experiments.run import Run
# Define your remote function
@remote
def train(value_1, value_2, exp_name, run_name):
...
...
#Creates the experiment
with Run( experiment_name=exp_name, run_name=run_name, sagemaker_session=sagemaker_session
) as run:
...
...
#Define values for the parameters to log
run.log_parameter("param_1", value_1)
run.log_parameter("param_2", value_2)
...
...
#Define metrics to log
run.log_metric("metric_a", 0.5)
run.log_metric("metric_b", 0.1) # Invoke your remote function
train(1.0, 2.0, "my-exp-name", "my-run-name")
Az előző példában a paraméterek p1
és a p2
naplózásra kerülnek egy edzési hurkon belül. A gyakori paraméterek közé tartozhat a kötegméret vagy az időszakok. A példában a mérőszámok A
és a B
naplózásra kerülnek egy edzési hurkon belüli időtávra. A gyakori mutatók közé tartozhat a pontosság vagy a veszteség. További információkért lásd Hozzon létre egy Amazon SageMaker kísérletet.
Következtetés
Ebben a bejegyzésben bemutattunk egy új SageMaker Python SDK-képességet, amely lehetővé teszi az adattudósok számára, hogy SageMaker képzési feladatokként futtassák ML-kódjukat a preferált IDE-ben. Megbeszéltük a képesség használatához szükséges előfeltételeket és annak jellemzőit. Azt is bemutattuk, hogyan használhatja ezt a képességet a Studio-ban, a SageMaker notebook-példányokban és a helyi IDE-ben. Ezen túlmenően mintakódpéldákat adtunk a képesség használatának bemutatására. Következő lépésként javasoljuk, hogy próbálja ki ezt a funkciót az IDE-ben vagy a SageMaker-ben a következő lépésekkel kódpéldák hivatkozva ebben a bejegyzésben.
A szerzőkről
Dipankar Patro az AWS SageMaker szoftverfejlesztő mérnöke, aki MLOps-megoldásokat innovál és épít, hogy segítse az ügyfeleket az AI/ML-megoldások széles körű alkalmazásában. Számítástudományi diplomával rendelkezik, érdeklődési területe a számítógép-biztonság, az elosztott rendszerek és az AI/ML.
Farooq Sabir az AWS mesterséges intelligenciával és gépi tanulással foglalkozó megoldásokkal foglalkozó vezető építésze. Az austini Texasi Egyetemen szerzett PhD és MS fokozatot villamosmérnöki szakon, valamint MS fokozatot számítástechnikából a Georgia Institute of Technology-n. Több mint 15 éves munkatapasztalattal rendelkezik, és szeret főiskolai hallgatókat tanítani és mentorálni. Az AWS-nél segít az ügyfeleknek üzleti problémáik megfogalmazásában és megoldásában az adattudomány, a gépi tanulás, a számítógépes látás, a mesterséges intelligencia, a numerikus optimalizálás és a kapcsolódó területeken. A texasi Dallasban él, és családjával szeretnek utazni és hosszú utazásokra mennek.
Manoj Ravi az Amazon SageMaker vezető termékmenedzsere. Szenvedélye a következő generációs mesterséges intelligencia termékek készítése, és olyan szoftvereken és eszközökön dolgozik, amelyek megkönnyítik a nagyszabású gépi tanulást az ügyfelek számára. A Haas School of Business MBA fokozatát, a Carnegie Mellon Egyetemen pedig információs rendszermenedzsmentből szerzett mesterfokozatot. Szabadidejében Manoj szívesen teniszez és tájfotózással foglalkozik.
Shikhar Kwatra AI/ML Specialist Solutions Architect az Amazon Web Servicesnél, és egy vezető globális rendszerintegrátorral dolgozik együtt. Több mint 500 szabadalommal érdemelte ki az egyik legfiatalabb indiai mesterfeltaláló címet az AI/ML és az IoT területén. A Shikhar segítséget nyújt a szervezet költséghatékony, méretezhető felhőkörnyezeteinek tervezésében, felépítésében és karbantartásában, valamint támogatja a GSI-partnert az AWS-en alapuló stratégiai ipari megoldások kidolgozásában. Shikhar szeret gitározni, zenét komponálni, és szabadidejében gyakorolja a tudatosságot.
Vikram Elango Sr. AI/ML Specialist Solutions Architect az AWS-nél, székhelye Virginia államban (USA). Jelenleg a generatív AI-ra, az LLM-ekre, az azonnali tervezésre, a nagy modellkövetkeztetés-optimalizálásra és az ML vállalatok közötti skálázására összpontosít. A Vikram tervezési és gondolkodási vezetői képességekkel segíti a pénzügyi és biztosítási ágazat ügyfeleit a gépi tanulási alkalmazások nagyszabású létrehozásában és üzembe helyezésében. Szabadidejében szeret utazni, kirándulni, főzni és kempingezni.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoAiStream. Web3 adatintelligencia. Felerősített tudás. Hozzáférés itt.
- A jövő pénzverése – Adryenn Ashley. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/run-your-local-machine-learning-code-as-amazon-sagemaker-training-jobs-with-minimal-code-changes/
- :van
- :is
- :nem
- $ UP
- 1
- 10
- 100
- 15 év
- 500
- 7
- a
- képesség
- Képes
- Rólunk
- hozzáférés
- Fiók
- pontosság
- elért
- át
- aktív
- cselekmények
- hozzá
- hozzáadásával
- mellett
- admin
- adminisztrátorok
- elfogadja
- fejlett
- Előny
- AI
- AI / ML
- AIDS
- Minden termék
- lehetővé teszi, hogy
- mentén
- Is
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- an
- elemez
- és a
- bejelentés
- bármilyen
- alkalmazások
- VANNAK
- területek
- érvek
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia és gépi tanulás
- AS
- társult
- At
- Austin
- automatikusan
- elérhető
- AWS
- vissza
- bázis
- alapján
- BE
- Előnyök
- Költségvetési
- épít
- Épület
- üzleti
- by
- TUD
- képességek
- elfog
- Carnegie Mellon
- visz
- eset
- Cellák
- változik
- Változások
- csatornák
- választás
- osztály
- besorolás
- osztályoz
- felhő
- kód
- kódbázis
- Főiskola
- jön
- Közös
- összeegyeztethető
- teljes
- Kiszámít
- számítógép
- Computer Science
- Számítógép biztonság
- Számítógépes látás
- koncepció
- Configuration
- Konzol
- tartalmaz
- Konténer
- tartalmaz
- kontextusok
- tovább
- Mag
- Költség
- tudott
- terjed
- teremt
- Jelenleg
- Ügyfelek
- testre
- Dallas
- műszerfal
- dátum
- adatfeldolgozás
- adat-tudomány
- adatkészletek
- kijelenti,
- alapértelmezett
- alapértelmezett
- meghatározott
- bizonyítani
- mutatja
- Függőség
- telepíteni
- leírt
- Design
- részletek
- fejlett
- Fejlesztő
- Fejlesztés
- különböző
- tárgyalt
- megosztott
- elosztott rendszerek
- elosztott képzés
- domainek
- csinált
- ne
- alatt
- e
- minden
- szerzett
- egyszerű használat
- könnyebb
- könnyen
- bármelyik
- beágyazott
- lehetővé teszi
- titkosítás
- végtől végig
- mérnök
- Mérnöki
- Mérnökök
- Vállalatok
- belépés
- Környezet
- környezetek
- korszak
- korszakok
- értékelés
- Minden
- példa
- példák
- végrehajtás
- létező
- tapasztalat
- kísérlet
- Arc
- ismerős
- család
- GYORS
- gyorsabb
- Funkció
- Jellemzők
- kevés
- filé
- Fájlok
- pénzügyi
- vezetéknév
- Rugalmasság
- Összpontosít
- összpontosított
- következő
- A
- Keretrendszer
- ból ből
- teljesen
- funkció
- funkciók
- Továbbá
- jövő
- Futures
- nemző
- Generatív AI
- Grúzia
- adott
- Globális
- Go
- GPU
- Csoportok
- Legyen
- he
- segít
- segít
- övé
- tart
- Hogyan
- How To
- HTML
- http
- HTTPS
- HuggingFace
- Identitás
- if
- kép
- végrehajtás
- importál
- behozatal
- in
- tartalmaz
- Beleértve
- indián
- ipar
- információ
- Információs Rendszerek
- Infrastruktúra
- újító
- bemenet
- telepítve
- példa
- Intézet
- utasítás
- biztosítás
- integrált
- integrál
- Intelligencia
- kamat
- bele
- bevezet
- Bevezetett
- feltalálók
- tárgyak internete
- IT
- iterációk
- ITS
- Munka
- Állások
- jpg
- éppen
- Kulcs
- labor
- táj
- laptopok
- nagy
- nagyarányú
- legutolsó
- indít
- indított
- indítás
- Vezetés
- vezető
- TANUL
- tanulás
- hadd
- Lets
- könyvtárak
- könyvtár
- életciklus
- mint
- Kedvencek
- vonal
- helyi
- helyileg
- található
- log
- bejelentkezve
- Hosszú
- MEGJELENÉS
- le
- szerelem
- gép
- gépi tanulás
- készült
- fenntartása
- csinál
- KÉSZÍT
- sikerült
- vezetés
- menedzser
- mester
- Lehet..
- Mellon
- Módszertan
- Metrics
- Éberség
- minimális
- Perc
- ML
- MLOps
- Mód
- modell
- modellek
- Modulok
- több
- a legtöbb
- mozog
- MS
- többszörös
- zene
- név
- ugyanis
- navigálás
- Szükség
- szükséges
- hálózat
- hálózatba
- Új
- következő
- csomópontok
- jegyzetfüzet
- Most
- számtalan
- objektumok
- of
- on
- Fedélzeti
- egyszer
- ONE
- csak
- nyitva
- nyílt forráskódú
- optimalizálás
- or
- érdekében
- szervezet
- OS
- Más
- mi
- ki
- teljesítmény
- felett
- felülírás
- csomag
- csomagok
- pandák
- Párhuzamos
- paraméterek
- különös
- partner
- elhalad
- bérletek
- Múló
- szenvedélyes
- Szabadalmak
- ösvény
- teljesítmény
- fényképezés
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- pont
- állás
- előnyben részesített
- előfeltételek
- előző
- Probléma
- problémák
- feldolgozás
- Termékek
- termék menedzser
- termelő
- Termékek
- feltéve,
- Piton
- pytorch
- kész
- új
- nemrég
- ajánl
- összefüggő
- engedje
- távoli
- cserélni
- raktár
- kötelező
- követelmények
- REST
- visszatérés
- út
- Szerep
- szerepek
- futás
- futás
- sagemaker
- skálázható
- Skála
- skálázás
- Iskola
- Tudomány
- tudósok
- scikit elsajátítható
- sdk
- zökkenőmentesen
- Rész
- szakaszok
- biztonság
- lát
- idősebb
- különálló
- Szolgáltatások
- ülés
- készlet
- beállítás
- beállítások
- felépítés
- számos
- kellene
- előadás
- kirakat
- mutatott
- Műsorok
- jelentősen
- hasonló
- Egyszerű
- egyszerűen
- egyetlen
- Méret
- kicsi
- Pillanatkép
- So
- szoftver
- szoftverfejlesztés
- Megoldások
- SOLVE
- szakember
- különleges
- leírás
- meghatározott
- kezdet
- Kezdve
- Állapot
- Lépés
- tárolás
- Stratégiai
- Diákok
- stúdió
- beküldése
- alhálózatok
- ilyen
- Támogatott
- Támogatja
- rendszer
- Systems
- Vesz
- tart
- bevétel
- feladatok
- csapat
- Technológia
- tensorflow
- Texas
- Szöveg osztályozása
- hogy
- A
- azok
- Őket
- akkor
- Ott.
- ezáltal
- ebből adódóan
- Ezek
- ők
- ezt
- gondoltam
- gondolkodás vezetés
- Keresztül
- idő
- Cím
- nak nek
- szerszámok
- fáklya
- felé
- Vonat
- kiképzett
- Képzések
- transzformerek
- utazás
- Utazó
- váltott
- típus
- jellemzően
- alatt
- megért
- egyetemi
- Frissítések
- us
- használ
- használati eset
- használt
- Felhasználók
- segítségével
- érték
- Értékek
- változat
- keresztül
- Megnézem
- Virginia
- látomás
- vs
- vs kód
- várjon
- akar
- we
- háló
- webes szolgáltatások
- amikor
- ami
- míg
- lesz
- val vel
- belül
- Munka
- dolgozó
- művek
- lenne
- betakar
- csomagolt
- ír
- kódot írni
- írott
- X
- év
- te
- Legfiatalabb
- A te
- zephyrnet