ในขณะที่แมชชีนเลิร์นนิง (ML) กลายเป็นกระแสหลักและมีการนำไปใช้ในวงกว้างมากขึ้น แอปพลิเคชันการอนุมานที่ขับเคลื่อนด้วย ML จึงกลายเป็นเรื่องปกติมากขึ้นในการแก้ปัญหาทางธุรกิจที่ซับซ้อน การแก้ปัญหาทางธุรกิจที่ซับซ้อนเหล่านี้มักต้องใช้โมเดลและขั้นตอน ML หลายขั้นตอน โพสต์นี้จะแสดงวิธีสร้างและโฮสต์แอปพลิเคชัน ML พร้อมคอนเทนเนอร์แบบกำหนดเอง อเมซอน SageMaker.
ข้อเสนอของ Amazon SageMaker อัลกอริทึมในตัว และ SageMaker ที่สร้างไว้ล่วงหน้า อิมเมจนักเทียบท่าสำหรับการปรับใช้โมเดล แต่หากสิ่งเหล่านี้ไม่ตรงกับความต้องการของคุณ คุณสามารถนำคอนเทนเนอร์ของคุณเอง (BYOC) มาโฮสต์บน Amazon SageMaker ได้
มีกรณีการใช้งานหลายประการที่ผู้ใช้อาจต้องใช้ BYOC สำหรับการโฮสต์บน Amazon SageMaker
- เฟรมเวิร์กหรือไลบรารี ML แบบกำหนดเอง: หากคุณวางแผนที่จะใช้เฟรมเวิร์ก ML หรือไลบรารีที่อัลกอริทึมในตัวของ Amazon SageMaker หรือคอนเทนเนอร์ที่สร้างไว้ล่วงหน้าไม่รองรับ คุณจะต้องสร้างคอนเทนเนอร์แบบกำหนดเอง
- โมเดลเฉพาะทาง: สำหรับบางโดเมนหรืออุตสาหกรรม คุณอาจต้องใช้สถาปัตยกรรมโมเดลเฉพาะหรือขั้นตอนการประมวลผลล่วงหน้าที่ได้รับการปรับแต่งซึ่งไม่มีในข้อเสนอ Amazon SageMaker ในตัว
- อัลกอริธึมที่เป็นกรรมสิทธิ์: หากคุณได้พัฒนาอัลกอริธึมที่เป็นกรรมสิทธิ์ของคุณเองภายใน คุณจะต้องมีคอนเทนเนอร์แบบกำหนดเองเพื่อปรับใช้บน Amazon SageMaker
- ไปป์ไลน์การอนุมานที่ซับซ้อน: หากเวิร์กโฟลว์การอนุมาน ML ของคุณเกี่ยวข้องกับตรรกะทางธุรกิจที่กำหนดเอง ซึ่งเป็นชุดของขั้นตอนที่ซับซ้อนซึ่งจำเป็นต้องดำเนินการในลำดับเฉพาะ BYOC สามารถช่วยคุณจัดการและประสานขั้นตอนเหล่านี้ได้อย่างมีประสิทธิภาพมากขึ้น
ภาพรวมโซลูชัน
ในโซลูชันนี้ เราจะแสดงวิธีโฮสต์แอปพลิเคชันการอนุมานอนุกรม ML บน Amazon SageMaker ด้วยตำแหน่งข้อมูลแบบเรียลไทม์โดยใช้คอนเทนเนอร์การอนุมานแบบกำหนดเองสองคอนเทนเนอร์ที่มีเวอร์ชันล่าสุด scikit-learn
และ xgboost
แพคเกจ
ภาชนะแรกใช้ scikit-learn
แบบจำลองเพื่อแปลงข้อมูลดิบให้เป็นคอลัมน์เด่น มันใช้ เครื่องชั่งน้ำหนักมาตราฐาน สำหรับคอลัมน์ตัวเลขและ OneHotEncoder ไปจนถึงประเภทเด็ดขาด
คอนเทนเนอร์ที่สองเป็นโฮสต์ของการฝึกล่วงหน้า XGboost
แบบจำลอง (เช่น ตัวทำนาย) โมเดลตัวทำนายยอมรับการทำนายอินพุตและเอาท์พุตที่โดดเด่น
สุดท้ายนี้ เราปรับใช้ไฟล์ ฟีเจอร์ และ ตัวทำนาย ในไปป์ไลน์การอนุมานอนุกรมไปยังตำแหน่งข้อมูลแบบเรียลไทม์ของ Amazon SageMaker
ต่อไปนี้คือข้อควรพิจารณาที่แตกต่างกันบางประการว่าทำไมคุณถึงต้องการแยกคอนเทนเนอร์ภายในแอปพลิเคชันการอนุมานของคุณ
- decoupling – ขั้นตอนต่างๆ ของไปป์ไลน์มีวัตถุประสงค์ที่กำหนดไว้อย่างชัดเจนและจำเป็นต้องรันบนคอนเทนเนอร์ที่แยกจากกันเนื่องจากการพึ่งพาที่เกี่ยวข้อง สิ่งนี้ยังช่วยให้ไปป์ไลน์มีโครงสร้างที่ดี
- กรอบ – ขั้นตอนต่างๆ ของไปป์ไลน์ใช้เฟรมเวิร์กที่เหมาะสมกับวัตถุประสงค์เฉพาะ (เช่น scikit หรือ Spark ML) ดังนั้นจึงจำเป็นต้องรันบนคอนเทนเนอร์แยกต่างหาก
- การแยกทรัพยากร – ขั้นตอนต่างๆ ของไปป์ไลน์มีความต้องการการใช้ทรัพยากรที่แตกต่างกัน ดังนั้นจึงจำเป็นต้องรันบนคอนเทนเนอร์แยกต่างหากเพื่อความยืดหยุ่นและการควบคุมที่มากขึ้น
- การบำรุงรักษาและการอัพเกรด – จากมุมมองด้านการปฏิบัติงาน สิ่งนี้ส่งเสริมการแยกฟังก์ชัน และคุณสามารถอัปเกรดหรือแก้ไขแต่ละขั้นตอนต่อไปได้ง่ายขึ้นมาก โดยไม่ส่งผลกระทบต่อรุ่นอื่นๆ
นอกจากนี้ การสร้างคอนเทนเนอร์แต่ละคอนเทนเนอร์ภายในเครื่องยังช่วยในกระบวนการทำซ้ำของการพัฒนาและการทดสอบด้วยเครื่องมือที่ชื่นชอบและสภาพแวดล้อมการพัฒนาแบบรวม (IDE) เมื่อคอนเทนเนอร์พร้อมแล้ว คุณสามารถใช้ปรับใช้กับ AWS Cloud เพื่อการอนุมานโดยใช้ตำแหน่งข้อมูล Amazon SageMaker ได้
การใช้งานเต็มรูปแบบ รวมถึงข้อมูลโค้ด มีอยู่ในพื้นที่เก็บข้อมูล Github นี้ โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม.
เบื้องต้น
ในขณะที่เราทดสอบคอนเทนเนอร์แบบกำหนดเองเหล่านี้ในเครื่องก่อน เราจะต้องติดตั้งเดสก์ท็อปนักเทียบท่าบนคอมพิวเตอร์ของคุณ คุณควรคุ้นเคยกับการสร้างคอนเทนเนอร์นักเทียบท่า
คุณจะต้องมีบัญชี AWS ที่สามารถเข้าถึง Amazon SageMaker, Amazon ECR และ Amazon S3 เพื่อทดสอบแอปพลิเคชันนี้ตั้งแต่ต้นทางถึงปลายทาง
ตรวจสอบให้แน่ใจว่าคุณมีเวอร์ชันล่าสุดของ Boto3
และแพ็คเกจ Amazon SageMaker Python ที่ติดตั้ง:
แนวทางการแก้ปัญหา
สร้างคอนเทนเนอร์ฟีเจอร์เสริมที่กำหนดเอง
ในการสร้างคอนเทนเนอร์แรก ซึ่งเป็นคอนเทนเนอร์ฟีเจอร์ เราฝึกอบรมก scikit-learn
แบบจำลองเพื่อประมวลผลคุณสมบัติดิบใน หอยเป๋าฮื้อ ชุดข้อมูล สคริปต์การประมวลผลล่วงหน้าใช้ ง่าย Imputer สำหรับการจัดการค่าที่หายไป เครื่องชั่งน้ำหนักมาตราฐาน สำหรับการทำให้คอลัมน์ตัวเลขเป็นมาตรฐาน และ OneHotEncoder สำหรับการแปลงคอลัมน์หมวดหมู่ หลังจากติดตั้งหม้อแปลงแล้ว เราจะบันทึกโมเดลไว้ จ็อบลิบ รูปแบบ. จากนั้นเราบีบอัดและอัปโหลดอาร์ติแฟกต์ของโมเดลที่บันทึกไว้นี้ไปยัง Amazon Simple Storage Service (Amazon S3) ถัง
นี่คือตัวอย่างโค้ดที่สาธิตสิ่งนี้ อ้างถึง Featureizer.ipynb เพื่อการใช้งานเต็มรูปแบบ:
ถัดไป เพื่อสร้างคอนเทนเนอร์การอนุมานแบบกำหนดเองสำหรับโมเดลฟีเจอร์ไลเซอร์ เราจะสร้างอิมเมจ Docker ด้วยแพ็กเกจ nginx, gunicorn, flask พร้อมด้วยการขึ้นต่อกันอื่นๆ ที่จำเป็นสำหรับโมเดลฟีเจอร์เสริม
Nginx, gunicorn และแอป Flask จะทำหน้าที่เป็นโมเดลการให้บริการสแต็ก บนตำแหน่งข้อมูลแบบเรียลไทม์ของ Amazon SageMaker
เมื่อนำคอนเทนเนอร์แบบกำหนดเองมาโฮสต์บน Amazon SageMaker เราจำเป็นต้องตรวจสอบให้แน่ใจว่าสคริปต์การอนุมานทำงานต่อไปนี้หลังจากเปิดใช้งานภายในคอนเทนเนอร์:
- กำลังโหลดโมเดล: สคริปต์อนุมาน (
preprocessing.py
) ควรอ้างอิงถึง/opt/ml/model
ไดเร็กทอรีเพื่อโหลดโมเดลในคอนเทนเนอร์ อาร์ติแฟกต์โมเดลใน Amazon S3 จะถูกดาวน์โหลดและติดตั้งบนคอนเทนเนอร์ที่เส้นทาง/opt/ml/model
. - ตัวแปรสภาพแวดล้อม: หากต้องการส่งตัวแปรสภาพแวดล้อมที่กำหนดเองไปยังคอนเทนเนอร์ คุณต้องระบุตัวแปรเหล่านี้ในระหว่าง รุ่น ขั้นตอนการสร้างหรือระหว่าง ปลายทาง สร้างสรรค์จากงานฝึกอบรม
- ข้อกำหนดของ API: สคริปต์การอนุมานต้องใช้ทั้งสองอย่าง
/ping
และ/invocations
เส้นทางเป็นแอปพลิเคชัน Flask ที่/ping
API ใช้สำหรับการตรวจสุขภาพ ในขณะที่/invocations
API จัดการคำขออนุมาน - การบันทึก: บันทึกเอาต์พุตในสคริปต์การอนุมานจะต้องเขียนลงในเอาต์พุตมาตรฐาน (แย่) และข้อผิดพลาดมาตรฐาน (สตเดอร์) สตรีม บันทึกเหล่านี้จะถูกสตรีมไปที่ อเมซอน คลาวด์วอตช์ โดย Amazon SageMaker
นี่คือตัวอย่างจาก preprocessing.py
ที่แสดงถึงการดำเนินการของ /ping
และ /invocations
.
เอ่ยถึง การประมวลผลล่วงหน้า.py ใต้โฟลเดอร์ฟีเจอร์เซอร์เพื่อการใช้งานเต็มรูปแบบ
สร้างอิมเมจ Docker ด้วยฟีเจอร์และสแต็กการให้บริการโมเดล
ตอนนี้เรามาสร้าง Dockerfile โดยใช้อิมเมจพื้นฐานที่กำหนดเองและติดตั้งการอ้างอิงที่จำเป็น
สำหรับสิ่งนี้เราใช้ python:3.9-slim-buster
เป็นภาพฐาน คุณสามารถเปลี่ยนอิมเมจพื้นฐานอื่นๆ ที่เกี่ยวข้องกับกรณีการใช้งานของคุณได้
จากนั้นเราจะคัดลอกการกำหนดค่า nginx ไฟล์เกตเวย์เว็บเซิร์ฟเวอร์ของ gunicorn และสคริปต์การอนุมานไปยังคอนเทนเนอร์ นอกจากนี้เรายังสร้างสคริปต์หลามชื่อเสิร์ฟที่เรียกใช้กระบวนการ nginx และ gunicorn ในเบื้องหลัง และตั้งค่าสคริปต์การอนุมาน (เช่น แอปพลิเคชัน preprocessing.py Flask) เป็นจุดเริ่มต้นสำหรับคอนเทนเนอร์
นี่คือตัวอย่างข้อมูลของ Dockerfile สำหรับการโฮสต์โมเดลฟีเจอร์เซอร์ สำหรับการใช้งานเต็มรูปแบบ โปรดดูที่ ไฟล์นักเทียบท่า ภายใต้ ฟีเจอร์ โฟลเดอร์
ทดสอบรูปภาพอนุมานที่กำหนดเองด้วยฟีเจอร์เสริมในเครื่อง
ตอนนี้ สร้างและทดสอบคอนเทนเนอร์การอนุมานแบบกำหนดเองด้วยฟีเจอร์ภายในเครื่อง โดยใช้ Amazon โหมดท้องถิ่นของ SageMaker. โหมดภายในเครื่องเหมาะอย่างยิ่งสำหรับการทดสอบการประมวลผล การฝึกอบรม และการอนุมานสคริปต์โดยไม่ต้องเริ่มงานใดๆ บน Amazon SageMaker หลังจากยืนยันผลการทดสอบในพื้นที่ของคุณแล้ว คุณสามารถปรับสคริปต์การฝึกอบรมและการอนุมานเพื่อปรับใช้บน Amazon SageMaker ได้อย่างง่ายดายโดยมีการเปลี่ยนแปลงเพียงเล็กน้อย
หากต้องการทดสอบอิมเมจที่กำหนดเองของฟีเจอร์เสริมในเครื่อง ขั้นแรกให้สร้างอิมเมจโดยใช้อิมเมจที่กำหนดไว้ก่อนหน้านี้ ไฟล์นักเทียบท่า. จากนั้น เปิดใช้งานคอนเทนเนอร์โดยการติดตั้งไดเร็กทอรีที่มีโมเดลฟีเจอร์เซอร์ (preprocess.joblib
) ถึง /opt/ml/model
ไดเร็กทอรีภายในคอนเทนเนอร์ นอกจากนี้ แมปพอร์ต 8080 จากคอนเทนเนอร์ไปยังโฮสต์
เมื่อเปิดตัวแล้ว คุณสามารถส่งคำขอการอนุมานไปที่ http://localhost:8080/invocations.
หากต้องการสร้างและเปิดใช้คอนเทนเนอร์ ให้เปิดเทอร์มินัลแล้วรันคำสั่งต่อไปนี้
โปรดทราบว่าคุณควรแทนที่ไฟล์ <IMAGE_NAME>
ดังที่แสดงในโค้ดต่อไปนี้ พร้อมด้วยชื่อรูปภาพของคอนเทนเนอร์ของคุณ
คำสั่งต่อไปนี้ยังถือว่าได้รับการฝึกอบรมแล้ว scikit-learn
แบบจำลอง (preprocess.joblib
) อยู่ภายใต้ไดเร็กทอรีชื่อ models
.
หลังจากที่คอนเทนเนอร์เริ่มทำงานแล้ว เราก็สามารถทดสอบทั้งสองได้ /ปิง และ /คำขอร้อง เส้นทางโดยใช้คำสั่ง curl
รันคำสั่งด้านล่างจากเทอร์มินัล
เมื่อมีการส่งข้อมูลดิบ (ไม่แปลง) ไปให้ http://localhost:8080/invocationsจุดสิ้นสุดจะตอบสนองด้วยข้อมูลที่แปลงแล้ว
คุณควรเห็นการตอบสนองที่คล้ายกับข้อความต่อไปนี้:
ตอนนี้เรายุติคอนเทนเนอร์ที่ทำงานอยู่ จากนั้นแท็กและพุชอิมเมจที่กำหนดเองในเครื่องไปยัง Amazon Elastic Container Registry ส่วนตัว (อเมซอน ECR) พื้นที่เก็บข้อมูล
ดูคำสั่งต่อไปนี้เพื่อเข้าสู่ระบบ Amazon ECR ซึ่งจะแท็กรูปภาพในเครื่องด้วยเส้นทางรูปภาพ Amazon ECR แบบเต็ม จากนั้นส่งรูปภาพไปที่ Amazon ECR ให้แน่ใจว่าคุณเปลี่ยน region
และ account
ตัวแปรเพื่อให้ตรงกับสภาพแวดล้อมของคุณ
เอ่ยถึง สร้างพื้นที่เก็บข้อมูล และ พุชรูปภาพไปที่ Amazon ECR อินเทอร์เฟซบรรทัดคำสั่ง AWS (AWS CLI) คำสั่งสำหรับข้อมูลเพิ่มเติม
ขั้นตอนเพิ่มเติม
คุณสามารถเลือกทำการทดสอบแบบเรียลไทม์ได้โดยการปรับใช้โมเดลฟีเจอร์เซอร์กับตำแหน่งข้อมูลแบบเรียลไทม์ด้วยอิมเมจ Docker แบบกำหนดเองใน Amazon ECR อ้างถึง Featureizer.ipynb สมุดบันทึกสำหรับการใช้งานการสร้าง การทดสอบ และการพุชอิมเมจที่กำหนดเองไปยัง Amazon ECR อย่างเต็มรูปแบบ
Amazon SageMaker เริ่มต้นตำแหน่งข้อมูลการอนุมานและคัดลอกอาร์ติแฟกต์ของโมเดลไปยัง /opt/ml/model
ไดเร็กทอรีภายในคอนเทนเนอร์ ดู SageMaker โหลดอาร์ติแฟกต์ของโมเดลของคุณอย่างไร.
สร้างคอนเทนเนอร์ตัวทำนาย XGBoost แบบกำหนดเอง
สำหรับการสร้างคอนเทนเนอร์การอนุมาน XGBoost เราทำตามขั้นตอนที่คล้ายกันเหมือนกับที่เราทำในขณะที่สร้างอิมเมจสำหรับคอนเทนเนอร์ฟีเจอร์:
- ดาวน์โหลดก่อนการฝึกอบรม
XGBoost
โมเดลจาก Amazon S3 - สร้าง
inference.py
สคริปต์ที่โหลดการฝึกล่วงหน้าXGBoost
model แปลงข้อมูลอินพุตที่ถูกแปลงที่ได้รับจากฟีเจอร์เซอร์และแปลงเป็นXGBoost.DMatrix
รูปแบบการรันpredict
บนบูสเตอร์ และส่งคืนการคาดการณ์ในรูปแบบ json - สคริปต์และไฟล์การกำหนดค่าที่สร้างโมเดลการให้บริการสแต็ก (เช่น
nginx.conf
,wsgi.py
และserve
ยังคงเหมือนเดิมและไม่จำเป็นต้องแก้ไข - เราใช้
Ubuntu:18.04
เป็นอิมเมจพื้นฐานสำหรับ Dockerfile นี่ไม่ใช่ข้อกำหนดเบื้องต้น เราใช้อิมเมจฐานของ Ubuntu เพื่อแสดงให้เห็นว่าสามารถสร้างคอนเทนเนอร์ด้วยอิมเมจฐานใดก็ได้ - ขั้นตอนในการสร้างอิมเมจ Docker ของลูกค้า การทดสอบอิมเมจในเครื่อง และการพุชอิมเมจที่ทดสอบไปยัง Amazon ECR ยังคงเหมือนเดิม
เพื่อความกระชับ ดังขั้นตอนจะคล้ายคลึงดังที่แสดงไว้ก่อนหน้านี้ อย่างไรก็ตาม เราจะแสดงเฉพาะรหัสที่เปลี่ยนแปลงดังต่อไปนี้
ครั้งแรกที่ inference.py
สคริปต์ นี่เป็นตัวอย่างที่แสดงการใช้งานของ /ping
และ /invocations
. เอ่ยถึง การอนุมาน.py ภายใต้ ตัวทำนาย โฟลเดอร์สำหรับการนำไฟล์นี้ไปใช้อย่างเต็มรูปแบบ
นี่คือตัวอย่างไฟล์ Dockerfile สำหรับการโฮสต์โมเดลตัวทำนาย สำหรับการใช้งานเต็มรูปแบบ โปรดดูที่ ไฟล์นักเทียบท่า ใต้โฟลเดอร์ทำนาย
จากนั้นเราจะสร้าง ทดสอบ และพุชอิมเมจตัวทำนายแบบกำหนดเองนี้ไปยังพื้นที่เก็บข้อมูลส่วนตัวใน Amazon ECR ต่อไป อ้างถึง Predictor.ipynb สมุดบันทึกสำหรับการใช้งานการสร้าง การทดสอบ และการพุชอิมเมจที่กำหนดเองไปยัง Amazon ECR อย่างเต็มรูปแบบ
ปรับใช้ไปป์ไลน์การอนุมานแบบอนุกรม
หลังจากที่เราได้ทดสอบทั้งอิมเมจเสริมและอิมเมจตัวทำนายและผลักพวกมันไปที่ Amazon ECR แล้ว ตอนนี้เราจะอัปโหลดอาร์ติแฟกต์โมเดลของเราไปยังบัคเก็ต Amazon S3
จากนั้น เราสร้างออบเจ็กต์โมเดลสองรายการ: หนึ่งรายการสำหรับ featurizer
(เช่น preprocess.joblib
) และอื่นๆ สำหรับ predictor
(เช่น xgboost-model
) โดยระบุรูปภาพที่กำหนดเอง uri ที่เราสร้างไว้ก่อนหน้านี้
นี่เป็นตัวอย่างที่แสดงให้เห็นว่า อ้างถึง อนุกรมอนุมาน-pipeline.ipynb เพื่อนำไปปฏิบัติอย่างเต็มที่
ตอนนี้ เพื่อปรับใช้คอนเทนเนอร์เหล่านี้แบบอนุกรม ขั้นแรกเราสร้าง a ท่อส่งแบบจำลอง วัตถุและผ่าน featurizer
รุ่นและ predictor
สร้างโมเดลให้กับวัตถุรายการหลามในลำดับเดียวกัน
จากนั้นเราก็โทร .deploy()
วิธีการบน ท่อส่งแบบจำลอง การระบุประเภทอินสแตนซ์และจำนวนอินสแตนซ์
ในขั้นตอนนี้ Amazon SageMaker จะปรับใช้ไปป์ไลน์การอนุมานอนุกรมกับตำแหน่งข้อมูลแบบเรียลไทม์ เรารอให้ถึงจุดสิ้นสุด InService
.
ขณะนี้เราสามารถทดสอบจุดสิ้นสุดได้โดยการส่งคำขอการอนุมานไปยังจุดสิ้นสุดที่ใช้งานอยู่นี้
เอ่ยถึง อนุกรมอนุมาน-pipeline.ipynb เพื่อนำไปปฏิบัติอย่างเต็มที่
ทำความสะอาด
หลังจากคุณทดสอบเสร็จแล้ว โปรดปฏิบัติตามคำแนะนำในส่วนการล้างข้อมูลของโน้ตบุ๊กเพื่อลบทรัพยากรที่จัดเตรียมไว้ในโพสต์นี้ เพื่อหลีกเลี่ยงค่าใช้จ่ายที่ไม่จำเป็น อ้างถึง ราคา Amazon SageMaker สำหรับรายละเอียดเกี่ยวกับค่าใช้จ่ายของอินสแตนซ์การอนุมาน
สรุป
ในโพสต์นี้ ฉันแสดงให้เห็นวิธีที่เราสามารถสร้างและปรับใช้แอปพลิเคชันการอนุมาน ML แบบอนุกรมโดยใช้คอนเทนเนอร์การอนุมานแบบกำหนดเองกับตำแหน่งข้อมูลแบบเรียลไทม์บน Amazon SageMaker
โซลูชันนี้สาธิตวิธีที่ลูกค้าสามารถนำคอนเทนเนอร์แบบกำหนดเองของตนเองมาโฮสต์บน Amazon SageMaker ได้อย่างคุ้มค่า ด้วยตัวเลือก BYOC ลูกค้าสามารถสร้างและปรับใช้แอปพลิเคชัน ML ของตนเพื่อนำไปใช้กับ Amazon SageMaker ได้อย่างรวดเร็ว
เราขอแนะนำให้คุณลองใช้โซลูชันนี้กับชุดข้อมูลที่เกี่ยวข้องกับตัวบ่งชี้ประสิทธิภาพหลัก (KPI) ของธุรกิจของคุณ คุณสามารถดูโซลูชันทั้งหมดได้ในสิ่งนี้ พื้นที่เก็บข้อมูล GitHub.
อ้างอิง
เกี่ยวกับผู้เขียน
ประวีณ จามรธี เป็นผู้เชี่ยวชาญด้าน AI/ML อาวุโสของ Amazon Web Services เขาหลงใหลเกี่ยวกับ AI/ML และทุกสิ่งของ AWS เขาช่วยลูกค้าทั่วอเมริกาในการปรับขนาด สร้างสรรค์ และดำเนินการกับปริมาณงาน ML อย่างมีประสิทธิภาพบน AWS เวลาว่างประวีณชอบอ่านหนังสือและชอบดูหนังไซไฟ
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/build-and-deploy-ml-inference-applications-from-scratch-using-amazon-sagemaker/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 08
- 09
- 1
- 10
- 100
- 11
- 13
- 14
- 150
- 16
- 17
- 20
- 200
- 2023
- 25
- 28
- 30
- 500
- 7
- 8
- 87
- 9
- a
- เกี่ยวกับเรา
- ยอมรับ
- ยอมรับ
- เข้า
- ตาม
- ลงชื่อเข้าใช้
- ข้าม
- ปรับ
- นอกจากนี้
- การนำมาใช้
- น่าสงสาร
- หลังจาก
- AI / ML
- อัลกอริทึม
- ทั้งหมด
- ตาม
- ด้วย
- อเมซอน
- อเมซอน SageMaker
- Amazon Web Services
- อเมริกา
- an
- และ
- ใด
- API
- app
- การใช้งาน
- การใช้งาน
- มีผลบังคับใช้
- เมษายน
- เป็น
- แถว
- AS
- ถือว่า
- At
- ใช้ได้
- หลีกเลี่ยง
- AWS
- พื้นหลัง
- ฐาน
- ตาม
- BE
- สมควร
- ก่อน
- กำลัง
- ด้านล่าง
- ร่างกาย
- ผู้สนับสนุน
- ทั้งสอง
- นำมาซึ่ง
- การนำ
- สร้าง
- การก่อสร้าง
- สร้าง
- built-in
- กำ
- ธุรกิจ
- แต่
- by
- โทรศัพท์
- ที่เรียกว่า
- CAN
- กรณี
- กรณี
- แมว
- บาง
- เปลี่ยนแปลง
- การเปลี่ยนแปลง
- การเปลี่ยนแปลง
- โหลด
- ตรวจสอบ
- การตรวจสอบ
- อย่างเห็นได้ชัด
- เมฆ
- รหัส
- การเข้ารหัส
- คอลัมน์
- คอลัมน์
- COM
- ร่วมกัน
- ซับซ้อน
- คอมพิวเตอร์
- องค์ประกอบ
- งานที่เชื่อมต่อ
- การเชื่อมต่อ
- การพิจารณา
- คงที่
- สร้าง
- การบริโภค
- ภาชนะ
- ภาชนะบรรจุ
- เนื้อหา
- เนื้อหา
- ต่อ
- ควบคุม
- แปลง
- ราคา
- ได้
- สร้าง
- การสร้าง
- การสร้าง
- หนังสือรับรอง
- ประเพณี
- ลูกค้า
- ลูกค้า
- ข้อมูล
- วันที่
- กำหนด
- กำหนด
- สาธิต
- แสดงให้เห็นถึง
- การอ้างอิง
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- Deploys
- เดสก์ท็อป
- รายละเอียด
- แน่นอน
- พัฒนา
- พัฒนาการ
- Dict
- DID
- ต่าง
- นักเทียบท่า
- โดเมน
- ทำ
- Dont
- สอง
- ในระหว่าง
- e
- ก่อน
- อย่างง่ายดาย
- อย่างมีประสิทธิภาพ
- อื่น
- ส่งเสริม
- จบสิ้น
- ปลายทาง
- ทำให้มั่นใจ
- ทั้งหมด
- การเข้า
- สิ่งแวดล้อม
- สภาพแวดล้อม
- ความผิดพลาด
- ฯลฯ
- ตัวอย่าง
- ยกเว้น
- ข้อยกเว้น
- ดำเนินการ
- คุ้นเคย
- แฟชั่น
- ที่ชื่นชอบ
- คุณสมบัติ
- สองสาม
- เนื้อไม่มีมัน
- ไฟล์
- ชื่อจริง
- พอดี
- เหมาะสม
- ความยืดหยุ่น
- ปฏิบัติตาม
- ดังต่อไปนี้
- สำหรับ
- ฟอร์ม
- รูป
- พบ
- กรอบ
- กรอบ
- ราคาเริ่มต้นที่
- เต็ม
- ฟังก์ชัน
- การทำงาน
- กําไร
- เกตเวย์
- ได้รับ
- GitHub
- GMT
- ไป
- จัดการ
- จัดการ
- การจัดการ
- มี
- he
- สุขภาพ
- ความสูง
- ช่วย
- จะช่วยให้
- ของเขา
- เจ้าภาพ
- โฮสติ้ง
- เจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- ที่ http
- HTTPS
- i
- if
- ภาพ
- ภาพ
- การดำเนินการ
- การดำเนินงาน
- นำเข้า
- in
- รวมถึง
- รวมทั้ง
- ขึ้น
- ตัวชี้วัด
- เป็นรายบุคคล
- อุตสาหกรรม
- ข้อมูล
- ชมในห้องพัก
- เราสร้างสรรค์สิ่งใหม่ ๆ
- อินพุต
- ภายใน
- ติดตั้ง
- การติดตั้ง
- ตัวอย่าง
- คำแนะนำการใช้
- แบบบูรณาการ
- อินเตอร์เฟซ
- เข้าไป
- ร่วมมือ
- ความเหงา
- IT
- การสัมภาษณ์
- งาน
- jpg
- JSON
- เก็บ
- คีย์
- ฉลาก
- ล่าสุด
- เปิดตัว
- เปิดตัว
- การเปิดตัว
- การเปิดตัว
- การเรียนรู้
- ซ้าย
- ความยาว
- ห้องสมุด
- Line
- รายการ
- จดทะเบียน
- สด
- โหลด
- โหลด
- โหลด
- ในประเทศ
- ในท้องถิ่น
- ตรรกะ
- เข้าสู่ระบบ
- รัก
- เครื่อง
- เรียนรู้เครื่อง
- หลัก
- ทำให้
- การทำ
- จัดการ
- ลักษณะ
- แผนที่
- เครื่องหมาย
- การจับคู่
- อาจ..
- วิธี
- อาจ
- ต่ำสุด
- หายไป
- ML
- โหมด
- แบบ
- โมเดล
- แก้ไข
- ข้อมูลเพิ่มเติม
- Movies
- มาก
- หลาย
- ต้อง
- ชื่อ
- ชื่อ
- จำเป็นต้อง
- ความต้องการ
- ไม่
- ไม่มี
- สมุดบันทึก
- ตอนนี้
- จำนวน
- มึน
- วัตถุ
- วัตถุ
- of
- การเสนอขาย
- เสนอ
- มักจะ
- on
- ครั้งเดียว
- ONE
- คน
- เพียง
- ไปยัง
- เปิด
- ทำงาน
- การดำเนินงาน
- ตัวเลือกเสริม (Option)
- or
- ใบสั่ง
- OS
- อื่นๆ
- ของเรา
- เอาท์พุต
- ของตนเอง
- แพคเกจ
- หมีแพนด้า
- พารามิเตอร์
- ในสิ่งที่สนใจ
- ส่ง
- หลงใหล
- เส้นทาง
- สมบูรณ์
- ดำเนินการ
- การปฏิบัติ
- ดำเนินการ
- ท่อ
- แผนการ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- กรุณา
- จุด
- โพสต์
- คำทำนาย
- การคาดการณ์
- Predictor
- นำเสนอ
- ก่อนหน้านี้
- ส่วนตัว
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- กระบวนการ
- การประมวลผล
- หน่วยประมวลผล
- ส่งเสริม
- เป็นเจ้าของ
- วัตถุประสงค์
- ผลัก
- ผลักดัน
- ใจเร่งเร้า
- หลาม
- อย่างรวดเร็ว
- ยก
- พิสัย
- ดิบ
- อ่าน
- พร้อม
- เรียลไทม์
- ที่ได้รับ
- อ้างอิง
- รีจิสทรี
- ตรงประเด็น
- ยังคง
- แทนที่
- กรุ
- ขอ
- การร้องขอ
- ต้องการ
- จำเป็นต้องใช้
- ความต้องการ
- ต้อง
- ทรัพยากร
- แหล่งข้อมูล
- คำตอบ
- ผล
- ผลสอบ
- กลับ
- การคืน
- รับคืน
- แหวน
- เส้นทาง
- เส้นทาง
- แถว
- วิ่ง
- วิ่ง
- ทำงาน
- sagemaker
- เดียวกัน
- ลด
- ที่บันทึกไว้
- ขนาด
- Sci-Fi
- รอยขีดข่วน
- ต้นฉบับ
- สคริปต์
- ที่สอง
- Section
- เห็น
- ส่ง
- การส่ง
- ระดับอาวุโส
- ส่ง
- แยก
- อนุกรม
- ชุด
- ให้บริการ
- เซิร์ฟเวอร์
- บริการ
- บริการ
- การให้บริการ
- เซสชั่น
- ชุด
- ชุดอุปกรณ์
- หลาย
- เพศ
- น่า
- โชว์
- แสดงให้เห็นว่า
- แสดง
- แสดงให้เห็นว่า
- คล้ายคลึงกัน
- ง่าย
- เศษเล็กเศษน้อย
- So
- ทางออก
- แก้
- บาง
- บางสิ่งบางอย่าง
- จุดประกาย
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- กอง
- ระยะ
- มาตรฐาน
- จุดยืน
- Status
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- สตรีม
- ลำธาร
- เชือก
- โครงสร้าง
- ประสบความสำเร็จ
- อย่างเช่น
- ดวงอาทิตย์
- ที่สนับสนุน
- ที่สนับสนุน
- รองรับ
- TAG
- ปรับปรุง
- ใช้เวลา
- งาน
- สถานีปลายทาง
- ทดสอบ
- การทดสอบ
- การทดสอบ
- การทดสอบ
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- สิ่ง
- นี้
- เวลา
- ไปยัง
- เครื่องมือ
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- แปลง
- เปลี่ยน
- หม้อแปลงไฟฟ้า
- หม้อแปลง
- การเปลี่ยนแปลง
- ลอง
- พยายาม
- สอง
- ชนิด
- อูบุนตู
- ภายใต้
- พื้นฐาน
- ไม่จำเป็น
- อัพเกรด
- ใช้ได้
- ใช้
- ใช้กรณี
- มือสอง
- ผู้ใช้
- ใช้
- การใช้
- ความคุ้มค่า
- ต่างๆ
- แตกต่างกัน
- การตรวจสอบ
- รุ่น
- รอ
- ต้องการ
- คือ
- we
- เว็บ
- เว็บเซิร์ฟเวอร์
- บริการเว็บ
- ดี
- ที่
- ในขณะที่
- ทำไม
- กว้าง
- จะ
- กับ
- ภายใน
- ไม่มี
- เวิร์กโฟลว์
- การทำงาน
- เขียน
- X
- XGBoost
- คุณ
- ของคุณ
- ลมทะเล