วันนี้เรามีความยินดีที่จะประกาศพรีวิวของ ตัวสร้างโปรไฟล์ Amazon SageMaker, ความสามารถของ อเมซอน SageMaker ที่ให้มุมมองโดยละเอียดเกี่ยวกับทรัพยากรการประมวลผล AWS ที่จัดเตรียมไว้ระหว่างการฝึกอบรมโมเดลการเรียนรู้เชิงลึกบน SageMaker ด้วย SageMaker Profiler คุณสามารถติดตามกิจกรรมทั้งหมดบน CPU และ GPU ได้ เช่น การใช้งาน CPU และ GPU, เคอร์เนลทำงานบน GPU, การเปิดเคอร์เนลบน CPU, การดำเนินการซิงค์, การทำงานของหน่วยความจำใน GPU, เวลาแฝงระหว่างการเปิดใช้งานเคอร์เนลและการรันที่สอดคล้องกัน และการถ่ายโอนข้อมูล ระหว่าง CPU และ GPU ในโพสต์นี้ เราจะแนะนำคุณเกี่ยวกับความสามารถของ SageMaker Profiler
SageMaker Profiler มีโมดูล Python สำหรับใส่คำอธิบายประกอบสคริปต์การฝึก PyTorch หรือ TensorFlow และเปิดใช้งาน SageMaker Profiler นอกจากนี้ยังมีส่วนติดต่อผู้ใช้ (UI) ที่แสดงภาพ โปรไฟล์สรุปทางสถิติของเหตุการณ์ที่ทำโปรไฟล์ และไทม์ไลน์ของงานฝึกอบรมสำหรับการติดตามและทำความเข้าใจความสัมพันธ์ทางเวลาของเหตุการณ์ระหว่าง GPU และ CPU
ความจำเป็นในการจัดทำโปรไฟล์งานฝึกอบรม
ด้วยการเพิ่มขึ้นของการเรียนรู้เชิงลึก (DL) การเรียนรู้ของเครื่อง (ML) ได้กลายเป็นเรื่องการประมวลผลและข้อมูลเข้มข้น โดยทั่วไปต้องใช้คลัสเตอร์แบบหลายโหนดและหลาย GPU เนื่องจากโมเดลที่ล้ำสมัยมีขนาดเพิ่มขึ้นตามลำดับพารามิเตอร์นับล้านล้าน ความซับซ้อนในการคำนวณและต้นทุนก็เพิ่มขึ้นอย่างรวดเร็วเช่นกัน ผู้ปฏิบัติงาน ML ต้องรับมือกับความท้าทายทั่วไปในการใช้ทรัพยากรอย่างมีประสิทธิภาพ เมื่อฝึกอบรมโมเดลขนาดใหญ่ดังกล่าว สิ่งนี้เห็นได้ชัดเจนโดยเฉพาะอย่างยิ่งในโมเดลภาษาขนาดใหญ่ (LLM) ซึ่งโดยปกติแล้วจะมีพารามิเตอร์นับพันล้านรายการ ดังนั้นจึงต้องใช้คลัสเตอร์ GPU แบบหลายโหนดขนาดใหญ่เพื่อฝึกฝนพวกมันอย่างมีประสิทธิภาพ
เมื่อฝึกโมเดลเหล่านี้บนคลัสเตอร์การประมวลผลขนาดใหญ่ เราอาจเผชิญกับความท้าทายในการเพิ่มประสิทธิภาพทรัพยากรการประมวลผล เช่น คอขวดของ I/O เวลาแฝงในการเปิดใช้เคอร์เนล ขีดจำกัดหน่วยความจำ และการใช้ทรัพยากรต่ำ หากการกำหนดค่างานการฝึกอบรมไม่ได้รับการปรับให้เหมาะสม ความท้าทายเหล่านี้อาจส่งผลให้การใช้ฮาร์ดแวร์ไม่มีประสิทธิภาพและเวลาการฝึกอบรมนานขึ้น หรือการดำเนินการฝึกอบรมที่ไม่สมบูรณ์ ซึ่งเพิ่มต้นทุนและกำหนดเวลาโดยรวมสำหรับโครงการ
เบื้องต้น
ต่อไปนี้เป็นข้อกำหนดเบื้องต้นในการเริ่มใช้ SageMaker Profiler:
- โดเมน SageMaker ในบัญชี AWS ของคุณ – สำหรับคำแนะนำในการตั้งค่าโดเมน โปรดดู เริ่มต้นใช้งานโดเมน Amazon SageMaker โดยใช้การตั้งค่าด่วน. คุณต้องเพิ่มโปรไฟล์ผู้ใช้โดเมนสำหรับผู้ใช้แต่ละรายเพื่อเข้าถึงแอปพลิเคชัน SageMaker Profiler UI สำหรับข้อมูลเพิ่มเติม โปรดดู เพิ่มและลบโปรไฟล์ผู้ใช้โดเมน SageMaker.
- สิทธิ์ – รายการต่อไปนี้คือชุดสิทธิ์ขั้นต่ำที่ควรกำหนดให้กับบทบาทการดำเนินการสำหรับการใช้แอปพลิเคชัน SageMaker Profiler UI:
sagemaker:CreateApp
sagemaker:DeleteApp
sagemaker:DescribeTrainingJob
sagemaker:SearchTrainingJobs
s3:GetObject
s3:ListBucket
จัดเตรียมและดำเนินงานการฝึกอบรมด้วย SageMaker Profiler
หากต้องการเริ่มจับเคอร์เนลที่ทำงานบน GPU ในขณะที่งานการฝึกกำลังทำงานอยู่ ให้แก้ไขสคริปต์การฝึกของคุณโดยใช้โมดูล SageMaker Profiler Python นำเข้าไลบรารีและเพิ่มไฟล์ start_profiling()
และ stop_profiling()
วิธีการกำหนดจุดเริ่มต้นและจุดสิ้นสุดของการทำโปรไฟล์ คุณยังสามารถใช้คำอธิบายประกอบที่กำหนดเองเพิ่มเติมเพื่อเพิ่มเครื่องหมายในสคริปต์การฝึกอบรมเพื่อแสดงภาพกิจกรรมของฮาร์ดแวร์ระหว่างการดำเนินการเฉพาะในแต่ละขั้นตอน
มีสองวิธีที่คุณสามารถใช้จัดทำโปรไฟล์สคริปต์การฝึกอบรมของคุณด้วย SageMaker Profiler แนวทางแรกจะขึ้นอยู่กับการทำโปรไฟล์ฟังก์ชันเต็มรูปแบบ แนวทางที่สองขึ้นอยู่กับการสร้างโปรไฟล์บรรทัดโค้ดเฉพาะในฟังก์ชัน
หากต้องการโปรไฟล์ตามฟังก์ชัน ให้ใช้ตัวจัดการบริบท smppy.annotate
เพื่ออธิบายฟังก์ชันทั้งหมด สคริปต์ตัวอย่างต่อไปนี้แสดงวิธีการใช้ตัวจัดการบริบทเพื่อรวมลูปการฝึกอบรมและฟังก์ชันทั้งหมดในแต่ละการวนซ้ำ:
คุณยังสามารถใช้ smppy.annotation_begin()
และ smppy.annotation_end()
เพื่อใส่คำอธิบายประกอบบรรทัดโค้ดเฉพาะในฟังก์ชัน สำหรับข้อมูลเพิ่มเติม โปรดดูที่ เอกสาร.
กำหนดค่าตัวเรียกใช้งานการฝึกอบรม SageMaker
หลังจากที่คุณใส่คำอธิบายประกอบและตั้งค่าโมดูลการเริ่มต้นสร้างโปรไฟล์เสร็จแล้ว ให้บันทึกสคริปต์การฝึกและเตรียมตัวประมาณค่าเฟรมเวิร์ก SageMaker สำหรับการฝึกโดยใช้ SageMaker Python SDK
- ตั้งค่าไฟล์
profiler_config
วัตถุโดยใช้ProfilerConfig
และProfiler
โมดูลดังต่อไปนี้: - สร้างตัวประมาณค่า SageMaker ด้วย
profiler_config
วัตถุที่สร้างขึ้นในขั้นตอนก่อนหน้า รหัสต่อไปนี้แสดงตัวอย่างการสร้างตัวประมาณค่า PyTorch:
หากคุณต้องการสร้างตัวประมาณค่า TensorFlow ให้นำเข้า sagemaker.tensorflow.TensorFlow
แทน และระบุหนึ่งในเวอร์ชัน TensorFlow ที่ SageMaker Profiler รองรับ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเฟรมเวิร์กและประเภทอินสแตนซ์ที่รองรับ โปรดดูที่ กรอบการทำงานที่รองรับ.
- เริ่มต้นงานการฝึกโดยการรันวิธี fit:
เปิด UI ตัวสร้างโปรไฟล์ของ SageMaker
เมื่องานการฝึกเสร็จสมบูรณ์ คุณสามารถเปิด SageMaker Profiler UI เพื่อแสดงภาพและสำรวจโปรไฟล์ของงานการฝึกได้ คุณสามารถเข้าถึงแอปพลิเคชัน SageMaker Profiler UI ผ่านทางหน้า Landing Page ของ SageMaker Profiler บนคอนโซล SageMaker หรือผ่านโดเมน SageMaker
หากต้องการเปิดแอปพลิเคชัน SageMaker Profiler UI บนคอนโซล SageMaker ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล SageMaker ให้เลือก Profiler ในบานหน้าต่างนำทาง
- ภายใต้ สมัครที่นี่เลือกโดเมนที่คุณต้องการเปิดใช้แอปพลิเคชัน SageMaker Profiler UI
หากโปรไฟล์ผู้ใช้ของคุณเป็นของโดเมนเดียว คุณจะไม่เห็นตัวเลือกในการเลือกโดเมน
- เลือกโปรไฟล์ผู้ใช้ที่คุณต้องการเปิดแอปพลิเคชัน SageMaker Profiler UI
หากไม่มีโปรไฟล์ผู้ใช้ในโดเมน ให้เลือก สร้างโปรไฟล์ผู้ใช้. สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการสร้างโปรไฟล์ผู้ใช้ใหม่ โปรดดูที่ เพิ่มและลบโปรไฟล์ผู้ใช้.
- Choose เปิดตัวสร้างโปรไฟล์.
คุณยังสามารถ เปิด SageMaker Profiler UI จากหน้ารายละเอียดโดเมน.
รับข้อมูลเชิงลึกจาก SageMaker Profiler
เมื่อคุณเปิด SageMaker Profiler UI ไฟล์ เลือกและโหลดโปรไฟล์ เพจจะเปิดขึ้น ดังที่แสดงในภาพหน้าจอต่อไปนี้
คุณสามารถดูรายการงานการฝึกอบรมทั้งหมดที่ถูกส่งไปยัง SageMaker Profiler และค้นหางานการฝึกอบรมเฉพาะตามชื่อ เวลาที่สร้าง และสถานะการดำเนินการ (กำลังดำเนินการ เสร็จสมบูรณ์ ล้มเหลว หยุด หรือหยุด) หากต้องการโหลดโปรไฟล์ ให้เลือกงานฝึกอบรมที่คุณต้องการดูและเลือก โหลด. ชื่องานควรปรากฏใน โหลดโปรไฟล์แล้ว ส่วนที่ด้านบน
เลือกชื่องานเพื่อสร้างแดชบอร์ดและไทม์ไลน์ โปรดทราบว่าเมื่อคุณเลือกงาน UI จะเปิดแดชบอร์ดโดยอัตโนมัติ คุณสามารถโหลดและแสดงภาพโปรไฟล์ได้ครั้งละหนึ่งโปรไฟล์ หากต้องการโหลดโปรไฟล์อื่น คุณต้องยกเลิกการโหลดโปรไฟล์ที่โหลดไว้ก่อนหน้านี้ก่อน หากต้องการยกเลิกการโหลดโปรไฟล์ ให้เลือกไอคอนถังขยะใน โหลดโปรไฟล์แล้ว มาตรา.
สำหรับโพสต์นี้ เราจะดูรายละเอียดของ อัลเบฟ งานฝึกอบรมบนอินสแตนซ์ ml.p4d.24xlarge สองอินสแตนซ์
หลังจากที่คุณโหลดและเลือกงานการฝึกเสร็จแล้ว UI จะเปิดขึ้น Dashboard หน้าดังที่แสดงในภาพหน้าจอต่อไปนี้
คุณสามารถดูแผนสำหรับตัวชี้วัดหลัก ได้แก่ เวลาใช้งาน GPU, การใช้งาน GPU ในช่วงเวลาหนึ่ง, เวลาใช้งาน CPU และการใช้งาน CPU ในช่วงเวลาหนึ่ง แผนภูมิวงกลมเวลาที่ใช้งาน GPU แสดงเปอร์เซ็นต์ของเวลาใช้งาน GPU เทียบกับเวลาว่างของ GPU ซึ่งช่วยให้เราสามารถตรวจสอบว่า GPU มีการใช้งานมากกว่าไม่ได้ใช้งานตลอดงานการฝึกอบรมทั้งหมดหรือไม่. กราฟไทม์ไลน์การใช้งาน GPU ในช่วงเวลาแสดงอัตราการใช้งาน GPU โดยเฉลี่ยในช่วงเวลาต่อโหนด โดยรวบรวมโหนดทั้งหมดในแผนภูมิเดียว คุณสามารถตรวจสอบว่า GPU มีปริมาณงานไม่สมดุล ปัญหาการใช้งานน้อย ปัญหาคอขวด หรือปัญหาการไม่ได้ใช้งานในช่วงเวลาที่กำหนดหรือไม่. สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับการตีความเมตริกเหล่านี้ โปรดดูที่ เอกสาร.
แดชบอร์ดจะให้ข้อมูลแผนการเพิ่มเติมแก่คุณ รวมถึงเวลาที่ใช้โดยเคอร์เนล GPU ทั้งหมด เวลาที่ใช้โดยเคอร์เนล GPU 15 อันดับแรก จำนวนการเปิดตัวของเคอร์เนล GPU ทั้งหมด และจำนวนการเปิดตัวเคอร์เนล GPU 15 อันดับแรก ดังที่แสดงในภาพหน้าจอต่อไปนี้
สุดท้ายนี้ แดชบอร์ดช่วยให้คุณเห็นภาพตัวชี้วัดเพิ่มเติม เช่น การกระจายเวลาของขั้นตอน ซึ่งเป็นฮิสโตแกรมที่แสดงการกระจายของระยะเวลาของขั้นตอนบน GPU และแผนภูมิวงกลมการกระจายความแม่นยำของเคอร์เนล ซึ่งแสดงเปอร์เซ็นต์ของเวลาที่ใช้ในการรันเคอร์เนล ในข้อมูลประเภทต่างๆ เช่น FP32, FP16, INT32 และ INT8
คุณยังสามารถรับแผนภูมิวงกลมในการแจกแจงกิจกรรม GPU ที่แสดงเปอร์เซ็นต์ของเวลาที่ใช้ในกิจกรรม GPU เช่น การรันเคอร์เนล หน่วยความจำ (memcpy
และ memset
) และการซิงโครไนซ์ (sync
). คุณสามารถเห็นภาพเปอร์เซ็นต์ของเวลาที่ใช้ในการทำงานของหน่วยความจำ GPU ได้จากแผนภูมิวงกลมการกระจายการทำงานของหน่วยความจำ GPU
คุณยังสามารถสร้างฮิสโตแกรมของคุณเองตามเมตริกที่กำหนดเองที่คุณใส่คำอธิบายประกอบด้วยตนเองตามที่อธิบายไว้ก่อนหน้าในโพสต์นี้ เมื่อเพิ่มคำอธิบายประกอบแบบกำหนดเองให้กับฮิสโตแกรมใหม่ ให้เลือกหรือป้อนชื่อของคำอธิบายประกอบที่คุณเพิ่มในสคริปต์การฝึกอบรม
อินเทอร์เฟซไทม์ไลน์
SageMaker Profiler UI ยังมีอินเทอร์เฟซไทม์ไลน์ ซึ่งช่วยให้คุณมีมุมมองโดยละเอียดเกี่ยวกับทรัพยากรการประมวลผลในระดับการทำงานและเคอร์เนลที่กำหนดเวลาไว้บน CPU และทำงานบน GPU ไทม์ไลน์ได้รับการจัดระเบียบในโครงสร้างแบบต้นไม้ โดยให้ข้อมูลจากระดับโฮสต์ถึงระดับอุปกรณ์ ดังที่แสดงในภาพหน้าจอต่อไปนี้
สำหรับ CPU แต่ละตัว คุณสามารถติดตามตัวนับประสิทธิภาพของ CPU ได้ เช่น clk_unhalted_ref.tsc
และ itlb_misses.miss_causes_a_walk
. สำหรับ GPU แต่ละตัวบนอินสแตนซ์ 2x p4d.24xlarge คุณสามารถดูไทม์ไลน์ของโฮสต์และไทม์ไลน์ของอุปกรณ์ได้ การเปิดตัวเคอร์เนลจะอยู่บนไทม์ไลน์ของโฮสต์ และการรันเคอร์เนลจะอยู่บนไทม์ไลน์ของอุปกรณ์
คุณยังสามารถซูมเข้าไปยังแต่ละขั้นตอนได้ ในภาพหน้าจอต่อไปนี้ เราได้ขยายไปที่ step_41 แถบไทม์ไลน์ที่เลือกในภาพหน้าจอต่อไปนี้คือ AllReduce
ซึ่งเป็นขั้นตอนการสื่อสารและการซิงโครไนซ์ที่สำคัญในการฝึกอบรมแบบกระจาย ทำงานบน GPU-0 ในภาพหน้าจอ โปรดทราบว่าการเปิดเคอร์เนลในโฮสต์ GPU-0 เชื่อมต่อกับเคอร์เนลที่ทำงานในสตรีมอุปกรณ์ GPU-0 1 ซึ่งระบุด้วยลูกศรเป็นสีฟ้า
ความพร้อมใช้งานและข้อควรพิจารณา
SageMaker Profiler พร้อมใช้งานใน PyTorch (เวอร์ชัน 2.0.0 และ 1.13.1) และ TensorFlow (เวอร์ชัน 2.12.0 และ 2.11.1) ตารางต่อไปนี้แสดงลิงก์ไปยังอุปกรณ์ที่รองรับ คอนเทนเนอร์การเรียนรู้เชิงลึกของ AWS สำหรับ SageMaker.
กรอบ | เวอร์ชั่น | URI อิมเมจ AWS DLC |
ไพทอร์ช | 2.0.0 | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:2.0.0-gpu-py310-cu118-ubuntu20.04-sagemaker |
ไพทอร์ช | 1.13.1 | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:1.13.1-gpu-py39-cu117-ubuntu20.04-sagemaker |
TensorFlow | 2.12.0 | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.12.0-gpu-py310-cu118-ubuntu20.04-sagemaker |
TensorFlow | 2.11.1 | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.11.1-gpu-py39-cu112-ubuntu20.04-sagemaker |
ขณะนี้ SageMaker Profiler มีให้บริการในภูมิภาคต่อไปนี้: สหรัฐอเมริกาฝั่งตะวันออก (โอไฮโอ เวอร์จิเนียเหนือ) สหรัฐอเมริกาฝั่งตะวันตก (ออริกอน) และยุโรป (แฟรงก์เฟิร์ต ไอร์แลนด์)
SageMaker Profiler มีอยู่ในอินสแตนซ์การฝึกอบรมประเภท ml.p4d.24xlarge, ml.p3dn.24xlarge และ ml.g4dn.12xlarge
สำหรับรายการเฟรมเวิร์กและเวอร์ชันที่รองรับทั้งหมด โปรดดูที่ เอกสาร.
SageMaker Profiler จะถูกเรียกเก็บเงินหลังจาก SageMaker Free Tier หรือช่วงทดลองใช้ฟรีของคุณสมบัติสิ้นสุดลง สำหรับข้อมูลเพิ่มเติม โปรดดู ราคา Amazon SageMaker.
ประสิทธิภาพของ SageMaker Profiler
เราเปรียบเทียบค่าใช้จ่ายของ SageMaker Profiler กับผู้สร้างโปรไฟล์โอเพ่นซอร์สต่างๆ ข้อมูลพื้นฐานที่ใช้สำหรับการเปรียบเทียบได้มาจากการรันงานการฝึกอบรมโดยไม่มีผู้สร้างโปรไฟล์
การค้นพบที่สำคัญของเราเปิดเผยว่า โดยทั่วไป SageMaker Profiler ส่งผลให้ระยะเวลาการฝึกอบรมที่เรียกเก็บเงินได้สั้นลง เนื่องจากมีเวลาในการดำเนินการฝึกอบรมตั้งแต่ต้นจนจบน้อยกว่า นอกจากนี้ยังสร้างข้อมูลโปรไฟล์น้อยลง (น้อยกว่าถึง 10 เท่า) เมื่อเปรียบเทียบกับทางเลือกโอเพ่นซอร์ส อาร์ติแฟกต์การทำโปรไฟล์ขนาดเล็กที่สร้างโดย SageMaker Profiler ต้องการพื้นที่จัดเก็บน้อยกว่า จึงช่วยประหยัดต้นทุนด้วย
สรุป
SageMaker Profiler ช่วยให้คุณได้รับข้อมูลเชิงลึกโดยละเอียดเกี่ยวกับการใช้ทรัพยากรการประมวลผลเมื่อฝึกฝนโมเดลการเรียนรู้เชิงลึกของคุณ วิธีนี้ช่วยให้คุณสามารถแก้ไขจุดสำคัญด้านประสิทธิภาพและปัญหาคอขวดเพื่อให้แน่ใจว่ามีการใช้ทรัพยากรอย่างมีประสิทธิภาพ ซึ่งจะลดต้นทุนการฝึกอบรมและลดระยะเวลาการฝึกอบรมโดยรวมในท้ายที่สุด
หากต้องการเริ่มต้นใช้งาน SageMaker Profiler โปรดดูที่ เอกสาร.
เกี่ยวกับผู้เขียน
รอย อัลเลล่า เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญด้าน AI/ML อาวุโสที่ AWS ในเมืองมิวนิก ประเทศเยอรมนี Roy ช่วยให้ลูกค้า AWS ตั้งแต่สตาร์ทอัพขนาดเล็กไปจนถึงองค์กรขนาดใหญ่ ฝึกอบรมและปรับใช้โมเดลภาษาขนาดใหญ่บน AWS ได้อย่างมีประสิทธิภาพ Roy มีความหลงใหลเกี่ยวกับปัญหาการเพิ่มประสิทธิภาพการคำนวณและปรับปรุงประสิทธิภาพของปริมาณงาน AI
สุสันต์ จันทร์ เป็นนักวิทยาศาสตร์ข้อมูลที่ AWS ประเทศอินเดีย ซึ่งเชี่ยวชาญในการชี้แนะลูกค้าผ่านความพยายามด้าน AI/ML ด้วยภูมิหลังที่หลากหลายซึ่งครอบคลุมขอบเขตการค้าปลีก การเงิน และการประกันภัย เขานำเสนอโซลูชั่นที่เป็นนวัตกรรมและปรับให้เหมาะสมโดยเฉพาะ นอกเหนือจากชีวิตการทำงานของเขา Sushant ค้นพบความกระปรี้กระเปร่าจากการว่ายน้ำและแสวงหาแรงบันดาลใจจากการเดินทางไปยังสถานที่ที่หลากหลาย
ดิกชา ชาร์มา เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญ AI/ML ในองค์กรผู้เชี่ยวชาญทั่วโลก เธอทำงานร่วมกับลูกค้าภาครัฐเพื่อช่วยพวกเขาออกแบบแอปพลิเคชันแมชชีนเลิร์นนิงที่มีประสิทธิภาพ ปลอดภัย และปรับขนาดได้ รวมถึงโซลูชัน AI เชิงสร้างสรรค์บน AWS ในเวลาว่าง Diksha ชอบอ่านหนังสือ วาดภาพ และใช้เวลาอยู่กับครอบครัว
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ChartPrime. ยกระดับเกมการซื้อขายของคุณด้วย ChartPrime เข้าถึงได้ที่นี่.
- BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/announcing-the-preview-of-amazon-sagemaker-profiler-track-and-visualize-detailed-hardware-performance-data-for-your-model-training-workloads/
- :มี
- :เป็น
- :ไม่
- $ ขึ้น
- 1
- 10
- 100
- 11
- 12
- 125
- 13
- 15%
- 17
- 20
- 7
- 9
- a
- เกี่ยวกับเรา
- เข้า
- ข้าม
- การเปิดใช้งาน
- คล่องแคล่ว
- กิจกรรม
- อยากทำกิจกรรม
- เพิ่ม
- ที่เพิ่ม
- เพิ่ม
- เพิ่มเติม
- หลังจาก
- กับ
- การรวม
- AI
- AI / ML
- ทั้งหมด
- ด้วย
- ทางเลือก
- อเมซอน
- อเมซอน SageMaker
- Amazon Web Services
- an
- และ
- ประกาศ
- ประกาศ
- อื่น
- ใด
- ปรากฏ
- การใช้งาน
- การใช้งาน
- เข้าใกล้
- วิธีการ
- เป็น
- AS
- ที่ได้รับมอบหมาย
- At
- อัตโนมัติ
- ใช้ได้
- เฉลี่ย
- AWS
- พื้นหลัง
- ตาม
- baseline
- BE
- เพราะ
- กลายเป็น
- รับ
- การเริ่มต้น
- เป็น
- ระหว่าง
- เกิน
- พันล้าน
- BIN
- by
- CAN
- ความสามารถในการ
- ความสามารถ
- จับ
- บาง
- ความท้าทาย
- โหลด
- แผนภูมิ
- ตรวจสอบ
- Choose
- รหัส
- ร่วมกัน
- การสื่อสาร
- เมื่อเทียบกับ
- การเปรียบเทียบ
- สมบูรณ์
- เสร็จ
- ความซับซ้อน
- คำนวณ
- องค์ประกอบ
- เชื่อมต่อ
- ปลอบใจ
- ภาชนะบรรจุ
- สิ่งแวดล้อม
- ตรงกัน
- ราคา
- ค่าใช้จ่าย
- เคาน์เตอร์
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- การสร้าง
- ขณะนี้
- ประเพณี
- ลูกค้า
- ฟ้า
- หน้าปัด
- ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ลึก
- การเรียนรู้ลึก ๆ
- กำหนด
- มอบ
- ปรับใช้
- อธิบาย
- รายละเอียด
- รายละเอียด
- เครื่อง
- ต่าง
- กระจาย
- กระจายการฝึกอบรม
- การกระจาย
- หลาย
- โดเมน
- โดเมน
- ทำ
- ลง
- ขับรถ
- ระยะเวลา
- ในระหว่าง
- แต่ละ
- ก่อน
- ตะวันออก
- ที่มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ทำให้สามารถ
- ช่วยให้
- ปลาย
- จบสิ้น
- ความพยายาม
- สิ้นสุด
- ทำให้มั่นใจ
- เข้าสู่
- ทั้งหมด
- การเข้า
- ยุค
- ยุค
- จำเป็น
- ยุโรป
- เหตุการณ์
- ชัดเจน
- ตัวอย่าง
- การปฏิบัติ
- สำรวจ
- ล้มเหลว
- ครอบครัว
- ลักษณะ
- เงินทุน
- หา
- พบ
- เสร็จสิ้น
- ชื่อจริง
- พอดี
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- ข้างหน้า
- กรอบ
- กรอบ
- ฟรี
- ทดลองฟรี
- ราคาเริ่มต้นที่
- เต็ม
- ฟังก์ชั่น
- โดยทั่วไป
- สร้าง
- สร้าง
- กำเนิด
- กำเนิด AI
- ประเทศเยอรมัน
- ได้รับ
- ให้
- GPU
- GPUs
- กราฟ
- ขึ้น
- มี
- ฮาร์ดแวร์
- มี
- he
- ช่วย
- จะช่วยให้
- เธอ
- ของเขา
- เจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- i
- ICON
- Idle
- if
- ภาพ
- การดำเนินการ
- นำเข้า
- การปรับปรุง
- in
- รวมถึง
- รวมทั้ง
- เพิ่ม
- อินเดีย
- แสดงว่า
- เป็นรายบุคคล
- ไม่มีประสิทธิภาพ
- ข้อมูล
- นวัตกรรม
- ปัจจัยการผลิต
- ข้อมูลเชิงลึก
- แรงบันดาลใจ
- ตัวอย่าง
- แทน
- คำแนะนำการใช้
- ประกัน
- อินเตอร์เฟซ
- เข้าไป
- ไอร์แลนด์
- ปัญหา
- IT
- การย้ำ
- ITS
- การสัมภาษณ์
- งาน
- jpg
- คีย์
- ป้ายกำกับ
- เชื่อมโยงไปถึง
- ภาษา
- ใหญ่
- เปิดตัว
- การเปิดตัว
- การเรียนรู้
- น้อยลง
- ชั้น
- ห้องสมุด
- ชีวิต
- ขีด จำกัด
- เส้น
- การเชื่อมโยง
- รายการ
- โหลด
- โหลด
- อีกต่อไป
- ปิด
- รัก
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- ผู้จัดการ
- ด้วยมือ
- หน่วยความจำ
- วิธี
- วิธีการ
- เมตริก
- ตัวชี้วัด
- ขั้นต่ำ
- ML
- แบบ
- โมเดล
- แก้ไข
- โมดูล
- ข้อมูลเพิ่มเติม
- ต้อง
- ชื่อ
- คือ
- การเดินเรือ
- จำเป็นต้อง
- ใหม่
- ไม่
- ปม
- โหนด
- วัตถุ
- ได้รับ
- ที่ได้รับ
- of
- เสนอ
- โอไฮโอ
- on
- ONE
- เพียง
- เปิด
- โอเพนซอร์ส
- เปิด
- การดำเนินการ
- การดำเนินการ
- การเพิ่มประสิทธิภาพ
- การปรับให้เหมาะสม
- ตัวเลือกเสริม (Option)
- or
- ใบสั่ง
- ออริกอน
- organizacja
- Organized
- เกิน
- ทั้งหมด
- ของตนเอง
- หน้า
- บานหน้าต่าง
- พารามิเตอร์
- ในสิ่งที่สนใจ
- โดยเฉพาะ
- หลงใหล
- ต่อ
- เปอร์เซ็นต์
- การปฏิบัติ
- ระยะเวลา
- สิทธิ์
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- ยินดี
- จุด
- โพสต์
- ความแม่นยำ
- เตรียมการ
- ข้อกำหนดเบื้องต้น
- ดูตัวอย่าง
- ก่อน
- ก่อนหน้านี้
- ปัญหาที่เกิดขึ้น
- มืออาชีพ
- โปรไฟล์
- ดูรายละเอียด
- โปรไฟล์
- ความคืบหน้า
- โครงการ
- ให้
- สาธารณะ
- หลาม
- ไฟฉาย
- รวดเร็ว
- อย่างรวดเร็ว
- คะแนน
- อ่าน
- ลด
- ภูมิภาค
- ฟื้นฟู
- ความสัมพันธ์
- เอาออก
- ต้องการ
- ทรัพยากร
- แหล่งข้อมูล
- ผล
- ค้าปลีก
- เปิดเผย
- ขึ้น
- บทบาท
- รอย
- วิ่ง
- วิ่ง
- ทำงาน
- sagemaker
- ลด
- ประหยัด
- ที่ปรับขนาดได้
- ที่กำหนดไว้
- นักวิทยาศาสตร์
- สคริปต์
- SDK
- ค้นหา
- ที่สอง
- Section
- ภาค
- ปลอดภัย
- เห็น
- แสวงหา
- เลือก
- การเลือก
- ระดับอาวุโส
- บริการ
- ชุด
- การตั้งค่า
- เธอ
- น่า
- แสดง
- แสดงให้เห็นว่า
- เดียว
- ขนาด
- เล็ก
- มีขนาดเล็กกว่า
- โซลูชัน
- แหล่ง
- ความตึงเครียด
- ผู้เชี่ยวชาญ
- ความเชี่ยวชาญ
- โดยเฉพาะ
- ใช้จ่าย
- การใช้จ่าย
- เริ่มต้น
- ข้อความที่เริ่ม
- startups
- รัฐของศิลปะ
- ทางสถิติ
- Status
- ขั้นตอน
- ขั้นตอน
- หยุด
- การหยุด
- การเก็บรักษา
- กระแส
- โครงสร้าง
- ส่ง
- อย่างเช่น
- สรุป
- ที่สนับสนุน
- การประสาน
- ตาราง
- ปรับปรุง
- เอา
- tensorflow
- กว่า
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- ที่นั่น
- ดังนั้น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- นี้
- ตลอด
- ตลอด
- ชั้น
- เวลา
- ไทม์ไลน์
- ระยะเวลา
- ครั้ง
- ไปยัง
- ด้านบน
- ลู่
- การติดตาม
- รถไฟ
- การฝึกอบรม
- โอน
- เดินทาง
- ต้นไม้
- การทดลอง
- ล้านล้าน
- สอง
- ชนิด
- เป็นปกติ
- ui
- ในที่สุด
- ความเข้าใจ
- us
- ใช้
- มือสอง
- ผู้ใช้งาน
- ส่วนติดต่อผู้ใช้
- ผู้ใช้
- การใช้
- ต่างๆ
- รุ่น
- รุ่น
- รายละเอียด
- virginia
- vs
- ต้องการ
- คือ
- we
- เว็บ
- บริการเว็บ
- ตะวันตก
- เมื่อ
- ที่
- ในขณะที่
- จะ
- กับ
- ไม่มี
- โรงงาน
- ทั่วโลก
- จะ
- ห่อ
- คุณ
- ของคุณ
- ลมทะเล
- ซูมเข้า