Недавно мы представили новую возможность в SDK Amazon SageMaker Python который позволяет специалистам по данным запускать свой код машинного обучения (ML), созданный в их предпочтительной интегрированной среде разработки (IDE) и блокнотах, вместе со связанными зависимостями времени выполнения, такими как Создатель мудреца Амазонки обучающие задания с минимальными изменениями кода для экспериментов, проводимых локально. Специалисты по обработке данных обычно проводят несколько итераций экспериментов с моделями обработки данных и обучения, работая над любой проблемой машинного обучения. Они хотят запускать этот код машинного обучения и проводить эксперименты с простотой использования и минимальным изменением кода. Обучение работе с моделями Amazon SageMaker помогает специалистам по данным выполнять полностью управляемые крупномасштабные учебные задания в вычислительной инфраструктуре AWS. SageMaker Training также помогает специалистам по данным с помощью передовых инструментов, таких как Amazon SageMaker Отладчик и Profiler для отладки и анализа крупномасштабных учебных заданий.
Для клиентов с небольшим бюджетом, небольшими командами и сжатыми сроками каждая новая концепция и строка кода, переписанная для работы в SageMaker, делает их менее продуктивными в выполнении своих основных задач, а именно обработки данных и обучения моделей машинного обучения. Они хотят один раз написать код в выбранной ими среде и иметь возможность беспрепятственно переходить от выполнения кода на своих ноутбуках к запуску кода в масштабе с помощью возможностей SageMaker.
Благодаря этой новой возможности SageMaker Python SDK специалисты по данным могут за несколько минут добавить свой код машинного обучения в платформу SageMaker Training. Вам просто нужно добавить одну строку кода в ваш код машинного обучения, и SageMaker разумно распознает ваш код вместе с наборами данных и настройкой рабочей среды и запустит его как задание SageMaker Training. Затем вы можете воспользоваться ключевыми возможностями платформы SageMaker Training, такими как возможность легкого масштабирования заданий и другими связанными инструментами, такими как Debugger и Profiler. В этом выпуске вы можете запускать локальный код Python для машинного обучения (ML) в качестве учебного задания Amazon SageMaker с одним узлом или нескольких параллельных заданий. Распределенные учебные задания (по нескольким узлам) не поддерживаются удаленными функциями.
В этом посте мы покажем вам, как использовать эту новую возможность для запуска локального кода машинного обучения в качестве задания SageMaker Training.
Обзор решения
Теперь вы можете запускать код машинного обучения, написанный в IDE или записной книжке, в качестве задания SageMaker Training, аннотируя функцию, которая действует как точка входа в кодовую базу пользователя, с помощью простого декоратора. При вызове эта возможность автоматически делает моментальный снимок всех связанных переменных, функций, пакетов, переменных среды и других требований времени выполнения из вашего кода машинного обучения, сериализует их и отправляет в качестве задания обучения SageMaker. Он интегрируется с недавно анонсированным Функция SageMaker Python SDK для установки значений по умолчанию для параметров. Эта возможность упрощает конструкции SageMaker, которые необходимо изучить, чтобы иметь возможность запускать код с помощью SageMaker Training. Специалисты по данным могут писать, отлаживать и повторять свой код в любой предпочитаемой среде IDE (например, в Студия Amazon SageMaker, блокноты, VS Code или PyCharm). Когда будете готовы, вы можете аннотировать свою функцию Python с помощью @remote
декоратор и запустить его как задание SageMaker в масштабе.
Эта возможность использует знакомые объекты Python с открытым исходным кодом в качестве аргументов и выходных данных. Кроме того, вам не нужно разбираться в управлении жизненным циклом контейнера, и вы можете просто запускать свои рабочие нагрузки в различных вычислительных контекстах (например, в локальной среде IDE, Studio или учебных заданиях) с минимальными затратами на настройку. Чтобы запустить любой локальный код в качестве задания SageMaker Training, эта возможность определяет конфигурации, необходимые для выполнения заданий, например Управление идентификацией и доступом AWS (IAM), ключ шифрования и сетевую конфигурацию из настроек Studio или IDE (которые могут быть настройки по умолчанию) и передает их платформе по умолчанию. У вас есть возможность настроить среду выполнения в управляемой инфраструктуре SageMaker с помощью предполагаемой конфигурации или переопределить их на уровне SDK, передав их декоратору в качестве аргументов.
Эта новая возможность SageMaker Python SDK преобразует ваш код машинного обучения в существующей рабочей среде и любой связанный код обработки данных и наборы данных в задание SageMaker Training. Эта возможность ищет код ML, завернутый в @remote
decorator и автоматически преобразует его в задание, которое выполняется либо в Studio, либо в локальной среде IDE, такой как PyCharm.
В следующих разделах мы рассмотрим функции этой новой возможности и способы запуска функций Python в качестве учебных заданий SageMaker.
Предпосылки
Чтобы использовать эту новую возможность SageMaker Python SDK и запустить код, связанный с этим сообщением, вам необходимы следующие предварительные условия:
- Учетная запись AWS, которая будет содержать все ваши ресурсы AWS.
- Роль IAM для доступа к SageMaker
- Доступ к Studio или экземпляру блокнота SageMaker или IDE, например PyCharm.
Используйте SDK из блокнотов Studio и SageMaker.
Вы можете использовать эту возможность из Studio, запустив записную книжку и обернув свой код @remote
декоратор внутри блокнота. Сначала вам нужно импортировать удаленную функцию, используя следующий код:
from sagemaker.remote_function import remote
Когда вы используете функцию декоратора, эта возможность автоматически интерпретирует функцию вашего кода и запускает ее как задание SageMaker Training.
Вы также можете использовать эту возможность из экземпляра блокнота SageMaker. Сначала вам нужно запустить экземпляр блокнота, открыть на нем Jupyter или Jupyter Lab и запустить блокнот. Затем импортируйте удаленную функцию, как показано в предыдущем коде, и оберните свой код с помощью @remote
декоратор. Мы включили пример того, как использовать функцию декоратора и связанные с ней настройки позже в этом посте.
Используйте SDK из вашей локальной среды
Вы также можете использовать эту возможность из вашей локальной среды IDE. В качестве предварительного условия вы должны иметь Интерфейс командной строки AWS (AWS CLI), SageMaker Python SDK и AWS SDK для Python (Boto3) установлен в вашей локальной среде. Вам нужно импортировать эти библиотеки в свой код, установить сеанс SageMaker, указать настройки и украсить вашу функцию с помощью @remote
декоратор. В следующем примере кода мы запускаем простую функцию деления в качестве задания SageMaker Training:
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))
Мы можем использовать аналогичную методологию для запуска расширенных функций в качестве обучающих заданий, как показано в следующем разделе.
Запускать функции Python как задания SageMaker
Новая функция SageMaker Python SDK позволяет запускать функции Python как Вакансии: обучение SageMaker. Любой код Python, обучающий код машинного обучения, разработанный специалистами по данным с использованием предпочитаемых ими локальных IDE (PyCharm, VS Code), записных книжек SageMaker или записных книжек Studio, можно запустить как управляемое задание SageMaker.
В рабочих нагрузках машинного обучения, использующих эту возможность, связанные наборы данных, зависимости и настройки среды рабочей области сериализуются с помощью кода машинного обучения и выполняются как задание SageMaker синхронно и асинхронно.
Вы можете добавить @remote
аннотацию декоратора к любому коду Python, включая локальную функцию обработки или обучения ML, чтобы запустить его как управляемое задание SageMaker Training, тем самым используя преимущества масштаба, производительности и стоимости SageMaker. Этого можно добиться с минимальными изменениями кода, добавив декоратор в код функции Python. Вызов украшенной функции выполняется синхронно, и выполнение функции ожидает завершения задания SageMaker.
В следующем примере мы используем @remote
decorator для запуска заданий SageMaker в режиме декоратора с использованием экземпляра ml.m5.large. SageMaker использует обучающие задания для запуска этой функции как управляемого задания.
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])
Вы также можете использовать режим декоратора для запуска заданий SageMaker, пакетов Python и зависимостей. Вы можете включить переменные среды, такие как VPC, подсети и группы безопасности, чтобы запускать обучающие задания SageMaker в environment.yml
файл. Это позволяет инженерам и администраторам машинного обучения настраивать эти переменные среды, чтобы специалисты по данным могли сосредоточиться на построении модели машинного обучения и выполнять итерации быстрее. См. следующий код:
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
Вы можете использовать RemoteExecutor
для асинхронного запуска функций Python как заданий SageMaker. Исполнитель асинхронно опрашивает задания SageMaker Training, чтобы обновить статус задания. RemoteExecutor
класс является реализацией concurrent.futures.Executor, который используется для асинхронной отправки заданий обучения SageMaker. См. следующий код:
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)
Настройка среды выполнения
Режим декоратора и RemoteExecutor
позволяют определять и настраивать среды выполнения для задания SageMaker. Зависимости среды выполнения, включая пакеты Python и переменные среды для заданий SageMaker, можно указать для настройки среды выполнения. Чтобы запускать локальный код Python в качестве управляемых заданий SageMaker, пакет Python и зависимости должны быть доступны для SageMaker. Инженеры машинного обучения или администраторы по обработке данных могут настраивать сетевые конфигурации и конфигурации безопасности, такие как VPC, подсети и группы безопасности, для заданий SageMaker, чтобы специалисты по данным могли использовать эти централизованно управляемые конфигурации при запуске заданий SageMaker. Вы можете использовать либо requirements.txt
файл или Conda environment.yaml
.
Когда зависимости определены с помощью requirements.txt
, пакеты будут установлены с помощью pip во время выполнения задания. Если образ, используемый для запуска задания, поставляется со средами Conda, пакеты будут установлены в среде Conda, объявленной для использования для заданий. Следующий код показывает пример requirements.txt
файл:
datasets
transformers
torch
scikit-learn
s3fs==0.4.2
sagemaker>=2.148.0
Вы можете передать свой Conda environment.yaml
файл, чтобы создать среду Conda, в которой вы хотите, чтобы ваш код запускался во время задания обучения. Если изображение, используемое для запуска задания, объявляет среду Conda для запуска кода, мы обновим объявленную среду Conda с заданной спецификацией. Следующий код является примером Conda environment.yaml
файл:
name: sagemaker_example
channels: - conda-forge
dependencies: - python=3.10 - pandas - pip: - sagemaker
В качестве альтернативы вы можете установить dependencies=”auto_capture”
чтобы позволить SageMaker Python SDK зафиксировать установленные зависимости в активной среде Conda. У вас должна быть активная среда Conda для auto_capture
работать. Обратите внимание, что есть предпосылки для auto_capture
работать; мы рекомендуем вам передавать свои зависимости как requirement.txt
or Conda environment.yml
файл, как описано в предыдущем разделе.
Подробнее см. Запустите свой локальный код в качестве задания SageMaker Training.
Конфигурации для заданий SageMaker
Параметры, связанные с инфраструктурой, могут быть выгружены в файл конфигурации, который могут помочь настроить пользователи с правами администратора. Вам нужно настроить его только один раз. Параметры инфраструктуры охватывают конфигурацию сети, роли IAM, Простой сервис хранения Amazon (Amazon S3) для ввода, вывода данных и тегов. Ссылаться на Настройка и использование значений по умолчанию с SageMaker Python SDK Больше подробностей.
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
Реализация
Модели глубокого обучения, такие как PyTorch или TensorFlow, также можно запускать в Studio, запустив код в качестве обучающего задания в блокноте. Чтобы продемонстрировать эту возможность в Studio, вы можете клонировать этот репозиторий в свою Studio и запустить записную книжку, расположенную в GitHub репозиторий.
В этом примере демонстрируется вариант использования сквозной классификации двоичного текста. Мы используем преобразователи Hugging Face и библиотеку наборов данных для точной настройки предварительно обученного преобразователя для классификации двоичного текста. В частности, предварительно обученная модель будет дорабатываться с помощью Набор данных IMDb.
Когда вы клонируете репозиторий, вы должны найти следующие файлы:
- config.yaml – Большинство аргументов декоратора можно выгрузить в файл конфигурации, чтобы отделить параметры, связанные с инфраструктурой, от базы кода.
- обнимающее лицо.ipynb – Он содержит код для обучения предварительно обученной модели HuggingFace, которая будет настроена с использованием набора данных IMDB.
- requirements.txt - Этот файл содержит все зависимости для запуска функции, которая будет использоваться в этом блокноте для запуска кода и удаленного запуска обучения на экземпляре графического процессора в качестве задания обучения.
Когда вы откроете записную книжку, вам будет предложено настроить среду записной книжки. Вы можете выбрать образ Data Science 3.0 с ядром Python 3 и ml.m5.large в качестве типа экземпляра быстрого запуска для запуска кода блокнота. Этот тип экземпляра значительно быстрее запускает среду.
Задание обучения будет выполняться в экземпляре ml.g4dn.xlarge, как определено в config.yaml
файл:
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
Ассоциация requirements.txt
файловые зависимости для запуска функции обучения модели Hugging Face включают следующее:
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
Блокнот Hugging Face демонстрирует, как проводить обучение удаленно через @remote
функция, которая выполняется синхронно. Таким образом, функция, запускаемая для обучения модели, будет ожидать завершения задания обучения SageMaker. Обучение будет выполняться удаленно с экземпляром графического процессора, тип экземпляра которого определен в предыдущем файле конфигурации.
После запуска задания обучения вы можете запустить остальные ячейки в записной книжке, чтобы проверить метрики оценки и классифицировать текст в нашей обученной модели.
Вы также можете просмотреть статус задания обучения, которое было запущено удаленно в экземпляре графического процессора, на панели инструментов SageMaker, вернувшись к консоли SageMaker.
Как только задание обучения завершено, оно продолжает выполнять инструкции в блокноте для оценки и классификации. Подобные задания можно обучать и запускать с помощью функции удаленного исполнителя, встроенной в ноутбуки Studio, для асинхронного выполнения запусков.
Интеграция с экспериментами SageMaker внутри функции @remote
Вы можете передать имя эксперимента, имя запуска и другие параметры в удаленную функцию, чтобы создать запуск экспериментов SageMaker. В следующем примере кода импортируются имя эксперимента, имя запуска и параметры для каждого запуска:
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")
В предыдущем примере параметры p1
и p2
регистрируются с течением времени внутри цикла обучения. Общие параметры могут включать размер партии или эпохи. В примере показатели A
и B
регистрируются для прогона с течением времени внутри тренировочного цикла. Общие показатели могут включать точность или потери. Для получения дополнительной информации см. Создайте эксперимент Amazon SageMaker.
Заключение
В этом посте мы представили новую возможность SageMaker Python SDK, которая позволяет специалистам по данным запускать свой код машинного обучения в предпочитаемой ими среде IDE в качестве учебных заданий SageMaker. Мы обсудили предварительные условия, необходимые для использования этой возможности, а также ее функции. Мы также показали, как использовать эту возможность в Studio, экземплярах блокнота SageMaker и вашей локальной среде IDE. Кроме того, мы предоставили примеры кода, чтобы продемонстрировать, как использовать эту возможность. В качестве следующего шага мы рекомендуем попробовать эту возможность в вашей среде IDE или SageMaker, следуя примеры кода упоминается в этом посте.
Об авторах
Дипанкар Патро — инженер-разработчик программного обеспечения в AWS SageMaker, занимающийся инновациями и созданием решений MLOps, чтобы помочь клиентам внедрять решения AI/ML в масштабе. Он имеет степень магистра компьютерных наук, и его интересами являются компьютерная безопасность, распределенные системы и AI/ML.
Фарук Сабир является старшим специалистом по искусственному интеллекту и машинному обучению, архитектором решений в AWS. Он имеет степень доктора философии и магистра электротехники Техасского университета в Остине и степень магистра компьютерных наук Технологического института Джорджии. Он имеет более чем 15-летний опыт работы, а также любит учить и наставлять студентов колледжей. В AWS он помогает клиентам формулировать и решать их бизнес-задачи в области науки о данных, машинного обучения, компьютерного зрения, искусственного интеллекта, численной оптимизации и смежных областях. Живя в Далласе, штат Техас, он и его семья любят путешествовать и совершать длительные поездки.
Манодж Рави является старшим менеджером по продуктам Amazon SageMaker. Он увлечен созданием продуктов искусственного интеллекта нового поколения и работает над программным обеспечением и инструментами, которые упрощают для клиентов крупномасштабное машинное обучение. Он имеет степень магистра делового администрирования Школы бизнеса Хааса и степень магистра управления информационными системами Университета Карнеги-Меллона. В свободное время Маной любит играть в теннис и заниматься пейзажной фотографией.
Шихар Кватра является специалистом по архитектуре решений AI/ML в Amazon Web Services, работающим с ведущим глобальным системным интегратором. Он получил звание одного из самых молодых индийских мастеров-изобретателей с более чем 500 патентами в областях AI/ML и IoT. Шихар помогает в проектировании, создании и обслуживании экономичных, масштабируемых облачных сред для организации и поддерживает партнера GSI в создании стратегических отраслевых решений на AWS. Шикар любит играть на гитаре, сочинять музыку и практиковать осознанность в свободное время.
Викрам Эланго является старшим архитектором решений AI/ML в AWS, базирующейся в Вирджинии, США. В настоящее время он занимается генеративным искусственным интеллектом, LLM, оперативным проектированием, оптимизацией вывода больших моделей и масштабированием машинного обучения на предприятиях. Vikram помогает клиентам из финансовой и страховой индустрии с помощью дизайна и передовых идей для создания и развертывания приложений машинного обучения в масштабе. В свободное время он любит путешествовать, ходить в походы, готовить и ходить в походы.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- ПлатонАйСтрим. Анализ данных Web3. Расширение знаний. Доступ здесь.
- Чеканка будущего с Эдриенн Эшли. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/run-your-local-machine-learning-code-as-amazon-sagemaker-training-jobs-with-minimal-code-changes/
- :имеет
- :является
- :нет
- $UP
- 1
- 10
- 100
- 15 лет
- 500
- 7
- a
- способность
- в состоянии
- О нас
- доступ
- Учетная запись
- точность
- достигнутый
- через
- активный
- акты
- Добавить
- добавить
- дополнение
- Администратор
- администраторы
- принять
- продвинутый
- плюс
- AI
- AI / ML
- пособие
- Все
- позволяет
- вдоль
- причислены
- Amazon
- Создатель мудреца Амазонки
- Amazon Web Services
- an
- анализировать
- и
- объявило
- любой
- Приложения
- МЫ
- области
- Аргументы
- искусственный
- искусственный интеллект
- Искусственный интеллект и машинное обучение
- AS
- связанный
- At
- Остин
- автоматически
- доступен
- AWS
- назад
- Использование темпера с изогнутым основанием
- основанный
- BE
- Преимущества
- Бюджеты
- строить
- Строительство
- бизнес
- by
- CAN
- возможности
- захватить
- Карнеги Меллон
- нести
- случаев
- Клетки
- изменение
- изменения
- каналы
- выбор
- класс
- классификация
- классифицировать
- облако
- код
- кодовая база
- Колледж
- выходит
- Общий
- совместим
- полный
- Вычисление
- компьютер
- Информатика
- Компьютерная безопасность
- Компьютерное зрение
- сама концепция
- Конфигурация
- Консоли
- содержать
- Container
- содержит
- контексты
- продолжается
- Основные
- Цена
- может
- чехол для варгана
- Создайте
- В настоящее время
- Клиенты
- настроить
- Dallas
- приборная панель
- данным
- обработка данных
- наука о данных
- Наборы данных
- заявляет,
- По умолчанию
- по умолчанию
- определенный
- демонстрировать
- демонстрирует
- Зависимость
- развертывание
- описано
- Проект
- подробнее
- развитый
- Застройщик
- Развитие
- различный
- обсуждается
- распределенный
- распределенные системы
- распределенное обучение
- доменов
- сделанный
- Dont
- в течение
- e
- каждый
- заработанный
- простота в использовании
- легче
- легко
- или
- встроенный
- позволяет
- шифрование
- впритык
- инженер
- Проект и
- Инженеры
- предприятий
- запись
- Окружающая среда
- средах
- эпоха
- эпохи
- оценка
- Каждая
- пример
- Примеры
- выполнение
- существующий
- опыт
- эксперимент
- Face
- знакомый
- семья
- БЫСТРО
- быстрее
- Особенность
- Особенности
- несколько
- Файл
- Файлы
- финансовый
- Во-первых,
- Трансформируемость
- Фокус
- внимание
- после
- Что касается
- Рамки
- от
- полностью
- функция
- Функции
- Более того
- будущее
- Фьючерсная торговля
- генеративный
- Генеративный ИИ
- ГРУЗИИ
- данный
- Глобальный
- Go
- GPU / ГРАФИЧЕСКИЙ ПРОЦЕССОР
- Группы
- Есть
- he
- помощь
- помогает
- его
- имеет
- Как
- How To
- HTML
- HTTP
- HTTPS
- ОбниматьЛицо
- Личность
- if
- изображение
- реализация
- Импортировать
- импорт
- in
- включают
- В том числе
- Индийская кухня
- промышленность
- информация
- Информационные системы
- Инфраструктура
- инновации
- вход
- установлен
- пример
- Институт
- инструкции
- страхование
- интегрированный
- Интегрируется
- Интеллекта
- интерес
- в
- вводить
- выпустили
- Изобретатели
- КАТО
- IT
- итерации
- ЕГО
- работа
- Джобс
- JPG
- всего
- Основные
- лаборатория
- пейзаж
- ноутбуки
- большой
- крупномасштабный
- последний
- запуск
- запустили
- запуск
- Наша команда
- ведущий
- УЧИТЬСЯ
- изучение
- позволять
- Lets
- библиотеки
- Библиотека
- Жизненный цикл
- такое как
- нравится
- линия
- локальным
- в местном масштабе
- расположенный
- журнал
- Войти
- Длинное
- ВЗГЛЯДЫ
- от
- любят
- машина
- обучение с помощью машины
- сделанный
- Сохранение
- сделать
- ДЕЛАЕТ
- управляемого
- управление
- менеджер
- мастер
- Май..
- Mellon
- Методология
- Метрика
- Внимательность
- минимальный
- Минут
- ML
- млн операций в секунду
- режим
- модель
- Модели
- Модули
- БОЛЕЕ
- самых
- двигаться
- MS
- с разными
- Музыка
- имя
- а именно
- навигационный
- Необходимость
- необходимый
- сеть
- сетей
- Новые
- следующий
- узлы
- ноутбук
- сейчас
- NumPy
- объекты
- of
- on
- Onboard
- консолидировать
- ONE
- только
- открытый
- с открытым исходным кодом
- оптимизация
- or
- заказ
- организация
- OS
- Другое
- наши
- внешний
- выходной
- за
- переопределение
- пакет
- пакеты
- панд
- Параллельные
- параметры
- особый
- партнер
- pass
- проходит
- Прохождение
- страстный
- Патенты
- путь
- производительность
- фотография
- Платформа
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- игры
- Точка
- После
- привилегированный
- предпосылки
- предыдущий
- Проблема
- проблемам
- обработка
- Продукт
- Менеджер по продукции
- производительный
- Продукция
- при условии
- Питон
- pytorch
- готовый
- последний
- недавно
- рекомендовать
- Связанный
- освободить
- удаленные
- замещать
- хранилище
- обязательный
- Требования
- ОТДЫХ
- возвращают
- Дорога
- Роли
- роли
- Run
- Бег
- sagemaker
- масштабируемые
- Шкала
- масштабирование
- Школа
- Наука
- Ученые
- scikit учиться
- SDK
- легко
- Раздел
- разделах
- безопасность
- посмотреть
- старший
- отдельный
- Услуги
- Сессия
- набор
- установка
- настройки
- установка
- несколько
- должен
- показывать
- демонстрации
- показанный
- Шоу
- существенно
- аналогичный
- просто
- просто
- одинарной
- Размер
- небольшой
- Снимок
- So
- Software
- разработка программного обеспечения
- Решения
- РЕШАТЬ
- специалист
- конкретный
- Спецификация
- указанный
- Начало
- Начало
- Статус:
- Шаг
- диск
- Стратегический
- Студенты
- студия
- отправить
- подсеть
- такие
- Поддержанный
- Поддержка
- система
- системы
- взять
- принимает
- с
- задачи
- команды
- Технологии
- tensorflow
- Техас
- Классификация текста
- который
- Ассоциация
- их
- Их
- тогда
- Там.
- тем самым
- следовательно
- Эти
- они
- этой
- мысль
- продуманное лидерство
- Через
- время
- Название
- в
- инструменты
- факел
- к
- Train
- специалистов
- Обучение
- трансформеры
- путешествовать
- Путешествие
- срабатывает
- напишите
- типично
- под
- понимать
- Университет
- Обновление ПО
- us
- использование
- прецедент
- используемый
- пользователей
- через
- ценностное
- Наши ценности
- версия
- с помощью
- Вид
- Виргиния
- видение
- vs
- против кода
- ждать
- хотеть
- we
- Web
- веб-сервисы
- когда
- , которые
- в то время как
- будете
- в
- Работа
- работает
- работает
- бы
- заворачивать
- Завернутый
- записывать
- написать код
- письменный
- X
- лет
- Ты
- Самый молодой
- ВАШЕ
- зефирнет