우리는 최근에 Amazon SageMaker Python SDK 데이터 과학자가 선호하는 통합 개발자 환경(IDE) 및 노트북에서 작성된 기계 학습(ML) 코드를 관련 런타임 종속성과 함께 다음과 같이 실행할 수 있습니다. 아마존 세이지 메이커 로컬에서 수행된 실험에 대한 최소한의 코드 변경으로 교육 작업. 데이터 과학자는 일반적으로 ML 문제를 해결하는 동안 데이터 처리 및 훈련 모델에서 여러 번의 실험 반복을 수행합니다. 그들은 이 ML 코드를 실행하고 사용하기 쉽고 최소한의 코드 변경으로 실험을 수행하기를 원합니다. Amazon SageMaker 모델 교육 데이터 과학자가 AWS의 컴퓨팅 인프라에서 완전히 관리되는 대규모 교육 작업을 실행할 수 있도록 지원합니다. SageMaker 교육은 또한 다음과 같은 고급 도구를 사용하여 데이터 과학자를 돕습니다. Amazon SageMaker 디버거 대규모 훈련 작업을 디버깅하고 분석하기 위한 Profiler.
예산이 적고 팀이 작으며 일정이 촉박한 고객의 경우 SageMaker에서 실행하도록 재작성된 모든 새로운 개념과 코드 라인은 핵심 작업, 즉 데이터 처리 및 ML 모델 훈련에 대한 생산성을 떨어뜨립니다. 그들은 선택한 프레임워크에서 코드를 한 번 작성하고 노트북이나 랩톱에서 코드를 실행하는 것에서 SageMaker 기능을 사용하여 대규모로 코드를 실행하는 것으로 원활하게 이동할 수 있기를 원합니다.
SageMaker Python SDK의 이 새로운 기능을 통해 데이터 과학자는 몇 분 안에 ML 코드를 SageMaker 교육 플랫폼에 온보딩할 수 있습니다. ML 코드에 코드 한 줄만 추가하면 SageMaker가 데이터 세트 및 작업 공간 환경 설정과 함께 코드를 지능적으로 이해하고 SageMaker 교육 작업으로 실행합니다. 그런 다음 쉽게 작업을 확장하는 기능과 같은 SageMaker 교육 플랫폼의 주요 기능과 디버거 및 프로파일러와 같은 기타 관련 도구를 활용할 수 있습니다. 이 릴리스에서는 로컬 기계 학습(ML) Python 코드를 단일 노드 Amazon SageMaker 교육 작업 또는 여러 병렬 작업으로 실행할 수 있습니다. 분산 교육 작업(여러 노드에 걸쳐)은 원격 기능에서 지원되지 않습니다.
이 게시물에서는 이 새로운 기능을 사용하여 로컬 ML 코드를 SageMaker 교육 작업으로 실행하는 방법을 보여줍니다.
솔루션 개요
이제 간단한 데코레이터를 사용하여 사용자 코드 베이스에 대한 진입점 역할을 하는 함수에 주석을 달아 IDE 또는 노트북에 SageMaker 교육 작업으로 작성된 ML 코드를 실행할 수 있습니다. 호출 시 이 기능은 ML 코드에서 연결된 모든 변수, 함수, 패키지, 환경 변수 및 기타 런타임 요구 사항의 스냅샷을 자동으로 생성하여 직렬화하고 SageMaker 교육 작업으로 제출합니다. 최근에 발표된 파라미터의 기본값을 설정하기 위한 SageMaker Python SDK 기능. 이 기능은 SageMaker Training을 사용하여 코드를 실행하기 위해 배워야 하는 SageMaker 구성을 단순화합니다. 데이터 과학자는 선호하는 IDE(예: 아마존 세이지 메이커 스튜디오, 노트북, VS Code 또는 PyCharm). 준비가 되면 다음과 같이 Python 함수에 주석을 달 수 있습니다. @remote
데코레이터를 만들고 SageMaker 작업으로 대규모로 실행합니다.
이 기능은 친숙한 오픈 소스 Python 개체를 인수 및 출력으로 사용합니다. 또한 컨테이너 수명 주기 관리를 이해할 필요가 없으며 최소한의 구성 오버헤드로 다양한 컴퓨팅 컨텍스트(예: 로컬 IDE, Studio 또는 교육 작업)에서 워크로드를 실행할 수 있습니다. 로컬 코드를 SageMaker Training 작업으로 실행하기 위해 이 기능은 다음과 같은 작업을 실행하는 데 필요한 구성을 유추합니다. AWS 자격 증명 및 액세스 관리 Studio 또는 IDE 설정에서 (IAM) 역할, 암호화 키 및 네트워크 구성( 기본 설정) 기본적으로 플랫폼에 전달합니다. 유추된 구성을 사용하여 SageMaker 관리형 인프라에서 런타임을 사용자 지정하거나 데코레이터에 인수로 전달하여 SDK 수준에서 재정의할 수 있는 유연성이 있습니다.
SageMaker Python SDK의 이 새로운 기능은 기존 작업 공간 환경의 ML 코드와 모든 관련 데이터 처리 코드 및 데이터 세트를 SageMaker 교육 작업으로 변환합니다. 이 기능은 @remote
데코레이터를 생성하고 이를 Studio 또는 PyCharm과 같은 로컬 IDE에서 실행되는 작업으로 자동 변환합니다.
다음 섹션에서는 이 새로운 기능의 기능과 Python 기능을 SageMaker 교육 작업으로 시작하는 방법을 살펴봅니다.
사전 조건
이 새로운 SageMaker Python SDK 기능을 사용하고 이 게시물과 관련된 코드를 실행하려면 다음 전제 조건이 필요합니다.
- 모든 AWS 리소스를 포함할 AWS 계정
- SageMaker에 액세스하기 위한 IAM 역할
- Studio 또는 SageMaker 노트북 인스턴스 또는 PyCharm과 같은 IDE에 대한 액세스
Studio 및 SageMaker 노트북에서 SDK 사용
노트북을 시작하고 코드를 @remote
노트북 내부의 데코레이터. 먼저 다음 코드를 사용하여 원격 함수를 가져와야 합니다.
from sagemaker.remote_function import remote
데코레이터 기능을 사용할 때 이 기능은 코드의 기능을 자동으로 해석하고 SageMaker 교육 작업으로 실행합니다.
SageMaker 노트북 인스턴스에서 이 기능을 사용할 수도 있습니다. 먼저 노트북 인스턴스를 시작하고 Jupyter 또는 Jupyter Lab을 열고 노트북을 시작해야 합니다. 그런 다음 이전 코드에 표시된 대로 원격 함수를 가져오고 코드를 다음으로 래핑합니다. @remote
데코레이터. 이 게시물의 뒷부분에 데코레이터 기능 및 관련 설정을 사용하는 방법에 대한 예가 포함되어 있습니다.
로컬 환경에서 SDK 사용
로컬 IDE에서 이 기능을 사용할 수도 있습니다. 전제 조건으로 다음이 있어야 합니다. AWS 명령 줄 인터페이스 (AWS CLI), SageMaker Python SDK 및 Python 용 AWS SDK (Boto3) 로컬 환경에 설치됩니다. 코드에서 이러한 라이브러리를 가져오고, SageMaker 세션을 설정하고, 설정을 지정하고, 함수를 @remote
데코레이터. 다음 예제 코드에서는 간단한 나누기 함수를 SageMaker 교육 작업으로 실행합니다.
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))
다음 섹션에 표시된 것처럼 유사한 방법론을 사용하여 고급 기능을 훈련 작업으로 실행할 수 있습니다.
Python 함수를 SageMaker 작업으로 실행
새로운 SageMaker Python SDK 기능을 사용하면 다음과 같이 Python 함수를 실행할 수 있습니다. SageMaker 교육 작업. 선호하는 로컬 IDE(PyCharm, VS Code), SageMaker 노트북 또는 Studio 노트북을 사용하여 데이터 과학자가 개발한 모든 Python 코드, ML 교육 코드는 관리형 SageMaker 작업으로 시작할 수 있습니다.
이 기능을 사용하는 ML 워크로드에서 연결된 데이터 세트, 종속성 및 작업 공간 환경 설정은 ML 코드를 사용하여 직렬화되고 동기식 및 비동기식으로 SageMaker 작업으로 실행됩니다.
다음을 추가 할 수 있습니다. @remote
관리형 SageMaker 교육 작업으로 실행하기 위한 로컬 ML 처리 또는 교육 기능을 포함한 모든 Python 코드에 데코레이터 주석을 추가하여 SageMaker의 규모, 성능 및 비용 이점을 활용합니다. 이는 Python 함수 코드에 데코레이터를 추가하여 최소한의 코드 변경으로 달성할 수 있습니다. 장식된 함수에 대한 호출은 동기식으로 실행되며 함수 실행은 SageMaker 작업이 완료될 때까지 대기합니다.
다음 예에서는 @remote
ml.m5.large 인스턴스를 사용하여 데코레이터 모드에서 SageMaker 작업을 시작하는 데코레이터. SageMaker는 교육 작업을 사용하여 이 기능을 관리형 작업으로 시작합니다.
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])
데코레이터 모드를 사용하여 SageMaker 작업, Python 패키지 및 종속성을 시작할 수도 있습니다. VPC, 서브넷 및 보안 그룹과 같은 환경 변수를 포함하여 environment.yml
파일. 이를 통해 ML 엔지니어와 관리자는 이러한 환경 변수를 구성할 수 있으므로 데이터 과학자는 ML 모델 구축에 집중하고 더 빠르게 반복할 수 있습니다. 다음 코드를 참조하십시오.
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
당신이 사용할 수 RemoteExecutor
Python 함수를 SageMaker 작업으로 비동기식으로 시작합니다. 실행기는 SageMaker Training 작업을 비동기식으로 폴링하여 작업 상태를 업데이트합니다. 그만큼 RemoteExecutor
클래스는 동시.미래.실행자, SageMaker 교육 작업을 비동기식으로 제출하는 데 사용됩니다. 다음 코드를 참조하십시오.
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)
런타임 환경 사용자 지정
데코레이터 모드와 RemoteExecutor
SageMaker 작업에 대한 런타임 환경을 정의하고 사용자 지정할 수 있습니다. SageMaker 작업에 대한 Python 패키지 및 환경 변수를 포함한 런타임 종속성을 지정하여 런타임을 사용자 지정할 수 있습니다. 로컬 Python 코드를 SageMaker 관리 작업으로 실행하려면 SageMaker에서 Python 패키지 및 종속성을 사용할 수 있어야 합니다. ML 엔지니어 또는 데이터 과학 관리자는 SageMaker 작업에 대한 VPC, 서브넷 및 보안 그룹과 같은 네트워킹 및 보안 구성을 구성할 수 있으므로 데이터 과학자는 SageMaker 작업을 시작하는 동안 이러한 중앙 관리 구성을 사용할 수 있습니다. 다음 중 하나를 사용할 수 있습니다. requirements.txt
파일 또는 Conda environment.yaml
파일.
종속성이 다음과 같이 정의되는 경우 requirements.txt
, 패키지는 작업 런타임에서 pip를 사용하여 설치됩니다. 작업 실행에 사용되는 이미지가 Conda 환경과 함께 제공되는 경우 작업에 사용하도록 선언된 Conda 환경에 패키지가 설치됩니다. 다음 코드는 예를 보여줍니다. requirements.txt
파일 :
datasets
transformers
torch
scikit-learn
s3fs==0.4.2
sagemaker>=2.148.0
당신은 당신의 Conda environment.yaml
훈련 작업 중에 코드를 실행할 Conda 환경을 만들기 위한 파일. 작업을 실행하는 데 사용되는 이미지가 코드를 실행할 Conda 환경을 선언하면 선언된 Conda 환경을 지정된 사양으로 업데이트합니다. 다음 코드는 Conda environment.yaml
파일 :
name: sagemaker_example
channels: - conda-forge
dependencies: - python=3.10 - pandas - pip: - sagemaker
또는 다음을 설정할 수 있습니다. dependencies=”auto_capture”
SageMaker Python SDK가 활성 Conda 환경에서 설치된 종속성을 캡처하도록 합니다. 위한 활성 Conda 환경이 있어야 합니다. auto_capture
일하다. 전제조건이 있으니 참고하세요 auto_capture
일하다; 종속성을 다음으로 전달하는 것이 좋습니다. requirement.txt
or Conda environment.yml
이전 섹션에서 설명한 파일.
자세한 내용은 로컬 코드를 SageMaker 교육 작업으로 실행.
SageMaker 작업에 대한 구성
인프라 관련 설정은 관리 사용자가 설정을 도울 수 있는 구성 파일로 오프로드될 수 있습니다. 한 번만 설정하면 됩니다. 인프라 설정은 네트워크 구성, IAM 역할, 아마존 단순 스토리지 서비스 (Amazon S3) 입력, 출력 데이터 및 태그용 폴더입니다. 인용하다 SageMaker Python SDK로 기본값 구성 및 사용 자세한 내용은.
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
실시
PyTorch 또는 TensorFlow와 같은 딥 러닝 모델은 노트북 내에서 훈련 작업으로 코드를 실행하여 Studio 내에서 실행할 수도 있습니다. Studio에서 이 기능을 보여주기 위해 이 리포지토리를 Studio로 복제하고 다음 위치에 있는 노트북을 실행할 수 있습니다. GitHub의 저장소.
이 예는 종단 간 이진 텍스트 분류 사용 사례를 보여줍니다. Hugging Face 변환기 및 데이터 세트 라이브러리를 사용하여 이진 텍스트 분류에서 사전 훈련된 변환기를 미세 조정합니다. 특히 사전 학습된 모델은 다음을 사용하여 미세 조정됩니다. IMDb 데이터세트.
리포지토리를 복제할 때 다음 파일을 찾아야 합니다.
- config.yaml – 인프라 관련 설정을 코드 베이스에서 분리하기 위해 대부분의 데코레이터 인수를 구성 파일로 오프로드할 수 있습니다.
- 허깅페이스.ipynb – 여기에는 IMDB 데이터 세트를 사용하여 미세 조정될 사전 훈련된 HuggingFace 모델을 훈련시키는 코드가 포함되어 있습니다.
- requirements.txt – 이 파일에는 코드를 실행하고 훈련 작업으로 GPU 인스턴스에서 원격으로 훈련을 실행하기 위해 이 노트북에서 사용될 함수를 실행하기 위한 모든 종속성이 포함되어 있습니다.
노트북을 열면 노트북 환경을 설정하라는 메시지가 표시됩니다. 노트북 코드를 실행하기 위한 빠른 시작 인스턴스 유형으로 Python 3.0 커널 및 ml.m3.large가 포함된 Data Science 5 이미지를 선택할 수 있습니다. 이 인스턴스 유형은 환경 회전 속도가 훨씬 빠릅니다.
학습 작업은 ml.g4dn.xlarge 인스턴스에서 실행됩니다. config.yaml
파일 :
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
XNUMXD덴탈의 requirements.txt
Hugging Face 모델 훈련을 위한 함수를 실행하기 위한 파일 종속성은 다음을 포함합니다.
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
Hugging Face 노트북은 다음을 통해 원격으로 교육을 실행하는 방법을 보여줍니다. @remote
동 기적으로 실행되는 기능. 따라서 모델 교육을 위해 실행되는 함수는 SageMaker 교육 작업이 완료될 때까지 대기합니다. 교육은 이전 구성 파일에 인스턴스 유형이 정의된 GPU 인스턴스를 사용하여 원격으로 실행됩니다.
학습 작업을 실행한 후 노트북의 나머지 셀을 실행하여 평가 메트릭을 검사하고 학습된 모델에서 텍스트를 분류할 수 있습니다.
SageMaker 콘솔로 다시 이동하여 SageMaker 대시보드의 GPU 인스턴스에서 원격으로 트리거된 교육 작업 상태를 볼 수도 있습니다.
학습 작업이 완료되는 즉시 평가 및 분류를 위해 노트북의 지침을 계속 실행합니다. Studio 노트북에 포함된 원격 실행 기능을 통해 유사한 작업을 학습하고 실행하여 비동기식으로 실행을 수행할 수 있습니다.
@remote 함수 내에서 SageMaker 실험과 통합
실험 이름, 실행 이름 및 기타 매개변수를 원격 함수에 전달하여 SageMaker 실험 실행을 생성할 수 있습니다. 다음 코드 예제에서는 실험 이름, 실행 이름 및 각 실행에 대해 기록할 매개 변수를 가져옵니다.
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")
앞의 예에서 매개변수는 p1
및 p2
훈련 루프 내에서 시간이 지남에 따라 기록됩니다. 공통 매개변수에는 배치 크기 또는 에포크가 포함될 수 있습니다. 예에서 측정항목은 A
및 B
훈련 루프 내에서 시간이 지남에 따라 실행에 대해 기록됩니다. 일반적인 메트릭에는 정확도 또는 손실이 포함될 수 있습니다. 자세한 내용은 다음을 참조하십시오. Amazon SageMaker 실험 만들기.
결론
이 게시물에서는 데이터 과학자가 선호하는 IDE에서 SageMaker 교육 작업으로 ML 코드를 실행할 수 있는 새로운 SageMaker Python SDK 기능을 소개했습니다. 이 기능을 기능과 함께 사용하는 데 필요한 전제 조건에 대해 논의했습니다. 또한 Studio, SageMaker 노트북 인스턴스 및 로컬 IDE에서 이 기능을 사용하는 방법도 보여 주었습니다. 또한 이 기능을 사용하는 방법을 보여 주는 샘플 코드 예제를 제공했습니다. 다음 단계로 다음을 수행하여 IDE 또는 SageMaker에서 이 기능을 시도하는 것이 좋습니다. 코드 예 이 게시물에서 참조했습니다.
저자에 관하여
디판카르 파트로 AWS SageMaker의 소프트웨어 개발 엔지니어로서 고객이 AI/ML 솔루션을 대규모로 도입할 수 있도록 MLOps 솔루션을 혁신하고 구축합니다. 그는 컴퓨터 과학 석사 학위를 보유하고 있으며 관심 분야는 컴퓨터 보안, 분산 시스템 및 AI/ML입니다.
파룩 사비르 AWS의 수석 인공 지능 및 기계 학습 전문가 솔루션 설계자입니다. 그는 오스틴에 있는 텍사스 대학교에서 전기 공학 박사 및 석사 학위를, 조지아 공과 대학에서 컴퓨터 공학 석사 학위를 받았습니다. 그는 15년 이상의 경력을 가지고 있으며 대학생들을 가르치고 멘토링하는 것을 좋아합니다. AWS에서 그는 고객이 데이터 과학, 기계 학습, 컴퓨터 비전, 인공 지능, 수치 최적화 및 관련 도메인에서 비즈니스 문제를 공식화하고 해결하도록 돕습니다. 텍사스주 댈러스에 거주하는 그와 그의 가족은 여행과 장거리 자동차 여행을 좋아합니다.
마노이 라비 Amazon SageMaker의 선임 제품 관리자입니다. 그는 차세대 AI 제품 구축에 열정을 갖고 있으며 고객이 대규모 기계 학습을 보다 쉽게 수행할 수 있도록 소프트웨어 및 도구를 연구하고 있습니다. 그는 Haas 경영대학원에서 MBA를, Carnegie Mellon University에서 정보 시스템 관리 석사 학위를 받았습니다. 여가 시간에 Manoj는 테니스를 치고 풍경 사진을 찍는 것을 즐깁니다.
시카르 콰트라 Amazon Web Services의 AI/ML 전문 솔루션 아키텍트이며 선도적인 글로벌 시스템 통합업체와 협력하고 있습니다. 그는 AI/ML 및 IoT 도메인에서 500개 이상의 특허를 보유한 최연소 인도 마스터 발명가 중 한 명이라는 칭호를 얻었습니다. Shikhar는 조직을 위한 비용 효율적이고 확장 가능한 클라우드 환경의 설계, 구축 및 유지를 돕고 GSI 파트너가 AWS에서 전략적 산업 솔루션을 구축하도록 지원합니다. Shikhar는 여가 시간에 기타 연주, 작곡, 마음챙김 연습을 즐깁니다.
비크람 엘랑고 미국 버지니아에 본사를 둔 AWS의 수석 AI/ML 전문가 솔루션 아키텍트입니다. 그는 현재 생성 AI, LLM, 신속한 엔지니어링, 대규모 모델 추론 최적화 및 엔터프라이즈 전반의 ML 확장에 주력하고 있습니다. Vikram은 설계 및 사고 리더십을 통해 금융 및 보험 산업 고객이 기계 학습 애플리케이션을 대규모로 구축하고 배포할 수 있도록 지원합니다. 여가 시간에는 여행, 하이킹, 요리, 캠핑을 즐깁니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoAiStream. Web3 데이터 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 미래 만들기 w Adryenn Ashley. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/run-your-local-machine-learning-code-as-amazon-sagemaker-training-jobs-with-minimal-code-changes/
- :있다
- :이다
- :아니
- $UP
- 1
- 10
- 100
- 15년
- 500
- 7
- a
- 능력
- 할 수 있는
- 소개
- ACCESS
- 계정
- 달성
- 가로질러
- 활동적인
- 행위
- 더하다
- 첨가
- 또한
- 관리자
- 관리자
- 채택
- 많은
- 이점
- AI
- AI / ML
- 에이즈
- All
- 수
- 따라
- 또한
- 아마존
- 아마존 세이지 메이커
- Amazon Web Services
- an
- 분석하다
- 및
- 발표
- 어떤
- 어플리케이션
- 있군요
- 지역
- 인수
- 인조의
- 인공 지능
- 인공 지능과 기계 학습
- AS
- 관련
- At
- 오스틴
- 자동적으로
- 가능
- AWS
- 뒤로
- 기지
- 기반으로
- BE
- 혜택
- 예산
- 빌드
- 건물
- 사업
- by
- CAN
- 기능
- 포착
- 카네기 멜론
- 나르다
- 케이스
- 셀
- 이전 단계로 돌아가기
- 변경
- 채널
- 선택
- 수업
- 분류
- 분류
- 클라우드
- 암호
- 코드베이스
- 칼리지
- 제공
- 공통의
- 호환
- 완전한
- 계산
- 컴퓨터
- 컴퓨터 과학
- 컴퓨터 보안
- 컴퓨터 비전
- 개념
- 구성
- 콘솔에서
- 포함하는
- 컨테이너
- 이 포함되어 있습니다
- 문맥
- 계속
- 핵심
- 비용
- 수
- 엄호
- 만들
- 현재
- 고객
- 사용자 정의
- 달라스
- 계기반
- 데이터
- 데이터 처리
- 데이터 과학
- 데이터 세트
- 선언
- 태만
- 기본값
- 한정된
- 보여
- 보여줍니다
- 의존
- 배포
- 기술 된
- 디자인
- 세부설명
- 개발
- 개발자
- 개발
- 다른
- 논의 된
- 분산
- 분산 시스템
- 분산 교육
- 도메인
- 한
- 말라
- ...동안
- e
- 마다
- 적립
- 사용의 용이성
- 쉽게
- 용이하게
- 중
- 임베디드
- 수
- 암호화
- 끝으로 종료
- 기사
- 엔지니어링
- 엔지니어
- 기업
- 항목
- 환경
- 환경
- 시대
- 신기원
- 평가
- 모든
- 예
- 예
- 실행
- 현존하는
- 경험
- 실험
- 페이스메이크업
- 익숙한
- 가족
- FAST
- 빠른
- 특색
- 특징
- 를
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 파일
- 금융
- 먼저,
- 유연성
- 초점
- 집중
- 수행원
- 럭셔리
- 뼈대
- 에
- 충분히
- 기능
- 기능
- 게다가
- 미래
- 선물
- 생성적인
- 제너레이티브 AI
- 조지아
- 주어진
- 글로벌
- Go
- GPU
- 여러 떼
- 있다
- he
- 도움
- 도움이
- 그의
- 보유
- 방법
- How To
- HTML
- HTTP
- HTTPS
- 포옹 얼굴
- 통합 인증
- if
- 영상
- 이행
- import
- 수입
- in
- 포함
- 포함
- 옥수수
- 산업
- 정보
- 정보 시스템
- 인프라
- 혁신
- 입력
- 설치
- 예
- 학회
- 명령
- 보험
- 통합 된
- 통합
- 인텔리전스
- 관심
- 으로
- 소개
- 소개
- 발명가
- IOT
- IT
- 반복
- 그
- 일
- 작업
- JPG
- 다만
- 키
- 실험실
- 경치
- 노트북
- 넓은
- 대규모
- 최근
- 시작
- 시작
- 진수
- Leadership
- 지도
- 배우다
- 배우기
- 하자
- 수
- 도서관
- 도서관
- wifecycwe
- 처럼
- 좋아하는
- 라인
- 링크드인
- 지방의
- 장소 상에서
- 위치한
- 기록
- 로그인
- 긴
- 봐라.
- 오프
- 애정
- 기계
- 기계 학습
- 만든
- 유지 보수
- 확인
- 제작
- 관리
- 구축
- 매니저
- 석사
- XNUMX월..
- 멜론
- 방법론
- 통계
- Mindfulness
- 최소의
- 회의록
- ML
- MLOps
- 모드
- 모델
- 모델
- 모듈
- 배우기
- 가장
- 움직임
- MS
- 여러
- 음악
- name
- 즉
- 탐색
- 필요
- 필요
- 네트워크
- 네트워킹
- 신제품
- 다음 것
- 노드
- 수첩
- 지금
- numpy
- 사물
- of
- on
- 온보드
- 일단
- ONE
- 만
- 열 수
- 오픈 소스
- 최적화
- or
- 주문
- 조직
- OS
- 기타
- 우리의
- 아웃
- 출력
- 위에
- 보수
- 꾸러미
- 패키지
- 팬더
- 평행
- 매개 변수
- 특별한
- 파트너
- 패스
- 패스
- 통과
- 열렬한
- 특허
- 통로
- 성능
- 사진술
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 연주
- 포인트 적립
- 게시하다
- 선호하는
- 전제 조건
- 너무 이른
- 문제
- 문제
- 처리
- 프로덕트
- 제품 관리자
- 생산적인
- 제품
- 제공
- Python
- 파이 토치
- 준비
- 최근
- 최근에
- 권하다
- 관련
- 공개
- 먼
- 교체
- 저장소
- 필수
- 요구조건 니즈
- REST
- return
- 도로
- 직위별
- 역할
- 달리기
- 달리는
- 현자
- 확장성
- 규모
- 스케일링
- 학교
- 과학
- 과학자
- 사이 킷 학습
- SDK
- 완벽하게
- 섹션
- 섹션
- 보안
- 참조
- 연장자
- 별도의
- 서비스
- 세션
- 세트
- 설정
- 설정
- 설치
- 몇몇의
- 영상을
- 표시
- 소개
- 표시
- 쇼
- 크게
- 비슷한
- 단순, 간단, 편리
- 간단히
- 단일
- 크기
- 작은
- 스냅 사진
- So
- 소프트웨어
- 소프트웨어 개발
- 솔루션
- 풀다
- 전문가
- 구체적인
- 명세서
- 지정
- 스타트
- 시작 중
- Status
- 단계
- 저장
- 전략의
- 학생들
- 스튜디오
- 제출
- 서브넷
- 이러한
- 지원
- 지원
- 체계
- 시스템은
- 받아
- 소요
- 복용
- 작업
- 팀
- Technology
- 텐서 흐름
- 텍사스
- 텍스트 분류
- 그
- XNUMXD덴탈의
- 그들의
- 그들
- 그때
- 그곳에.
- 그것에 의하여
- 따라서
- Bowman의
- 그들
- 이
- 생각
- 사고 리더십
- 을 통하여
- 시간
- Title
- 에
- 검색을
- 토치
- 에 대한
- Train
- 훈련 된
- 트레이닝
- 변압기
- 여행
- 여행
- 방아쇠를 당긴
- 유형
- 일반적으로
- 아래에
- 이해
- 대학
- 업데이트
- us
- 사용
- 유스 케이스
- 익숙한
- 사용자
- 사용
- 가치
- 마케팅은:
- 버전
- 를 통해
- 관측
- 버지니아의
- 시력
- vs
- 대 코드
- 기다리다
- 필요
- we
- 웹
- 웹 서비스
- 언제
- 어느
- 동안
- 의지
- 과
- 이내
- 작업
- 일하는
- 일
- 겠지
- 싸다
- 포장
- 쓰다
- 코드 작성
- 쓴
- X
- 년
- 자신의
- 최연소자
- 너의
- 제퍼 넷