ด้วยการถือกำเนิดของเครือข่ายมือถือ 5G ความเร็วสูง องค์กรต่าง ๆ อยู่ในตำแหน่งที่ง่ายกว่าที่เคยด้วยโอกาสในการใช้ประโยชน์จากการบรรจบกันของเครือข่ายโทรคมนาคมและระบบคลาวด์ ในฐานะหนึ่งในกรณีการใช้งานที่โดดเด่นที่สุดในปัจจุบัน การเรียนรู้ของเครื่อง (ML) ที่ Edge ช่วยให้องค์กรสามารถปรับใช้โมเดล ML ใกล้กับลูกค้าปลายทางมากขึ้นเพื่อลดเวลาแฝงและเพิ่มการตอบสนองของแอปพลิเคชันของตน ตัวอย่างเช่น, โซลูชันสถานที่อัจฉริยะ สามารถใช้คอมพิวเตอร์วิทัศน์แบบเกือบเรียลไทม์สำหรับการวิเคราะห์ฝูงชนผ่านเครือข่าย 5G โดยทั้งหมดนี้ลดการลงทุนในอุปกรณ์เครือข่ายฮาร์ดแวร์ในสถานที่ ผู้ค้าปลีกสามารถมอบประสบการณ์ที่ราบรื่นมากขึ้นในขณะเดินทางด้วยการประมวลผลภาษาธรรมชาติ (NLP) ระบบคำแนะนำแบบเรียลไทม์ และการตรวจจับการฉ้อโกง สม่ำเสมอ หุ่นยนต์ภาคพื้นดินและทางอากาศ สามารถใช้ ML เพื่อปลดล็อกการทำงานที่ปลอดภัยและเป็นอิสระมากขึ้น
เพื่อลดอุปสรรคในการเข้าสู่ ML ที่ Edge เราต้องการสาธิตตัวอย่างการปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าจาก อเมซอน SageMaker ไปยัง ความยาวคลื่น AWSทั้งหมดในโค้ดน้อยกว่า 100 บรรทัด ในโพสต์นี้ เราจะสาธิตวิธีปรับใช้โมเดล SageMaker กับ AWS Wavelength เพื่อลดเวลาแฝงในการอนุมานโมเดลสำหรับแอปพลิเคชันบนเครือข่าย 5G
ภาพรวมโซลูชัน
AWS Wavelength ครอบคลุมโครงสร้างพื้นฐานทั่วโลกที่ขยายตัวอย่างรวดเร็วของ AWS นำพลังของการประมวลผลบนคลาวด์และพื้นที่จัดเก็บไปยังขอบของเครือข่าย 5G ปลดล็อกประสบการณ์มือถือที่มีประสิทธิภาพมากขึ้น ด้วย AWS Wavelength คุณสามารถขยายระบบคลาวด์ส่วนตัวเสมือน (VPC) ของคุณไปยังโซนความยาวคลื่นที่สอดคล้องกับขอบเครือข่ายของผู้ให้บริการโทรคมนาคมใน เมือง 29 ทั่วโลก แผนภาพต่อไปนี้แสดงตัวอย่างของสถาปัตยกรรมนี้
คุณสามารถเลือกเข้าร่วมโซนความยาวคลื่นภายในภูมิภาคที่กำหนดผ่านทาง คอนโซลการจัดการ AWS หรือ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการปรับใช้แอปพลิเคชันที่กระจายตามพื้นที่บน AWS Wavelength โปรดดูที่ ปรับใช้คลัสเตอร์ Amazon EKS ที่กระจายตามพื้นที่ทางภูมิศาสตร์บน AWS Wavelength.
จากพื้นฐานที่กล่าวถึงในโพสต์นี้ เรามองว่า ML ที่ Edge เป็นปริมาณงานตัวอย่างที่จะนำไปใช้กับ AWS Wavelength ในฐานะที่เป็นภาระงานตัวอย่างของเรา เราปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าจาก Amazon SageMaker JumpStart.
SageMaker เป็นบริการ ML ที่มีการจัดการเต็มรูปแบบซึ่งช่วยให้นักพัฒนาปรับใช้โมเดล ML ในสภาพแวดล้อม AWS ของตนได้อย่างง่ายดาย แม้ว่า AWS จะมีตัวเลือกมากมายสำหรับการฝึกโมเดล—จาก AWS Marketplace โมเดลและอัลกอริทึมในตัวของ SageMaker—มีเทคนิคมากมายในการปรับใช้โมเดล ML แบบโอเพ่นซอร์ส
JumpStart ให้การเข้าถึงอัลกอริทึมในตัวหลายร้อยรายการด้วยโมเดลที่ได้รับการฝึกอบรมล่วงหน้า ซึ่งสามารถนำไปใช้กับจุดสิ้นสุดของ SageMaker ได้อย่างราบรื่น ตั้งแต่การบำรุงรักษาเชิงคาดการณ์และการมองเห็นด้วยคอมพิวเตอร์ไปจนถึงการขับขี่อัตโนมัติและการตรวจจับการฉ้อโกง JumpStart รองรับกรณีการใช้งานยอดนิยมที่หลากหลายด้วยการปรับใช้เพียงคลิกเดียวบนคอนโซล
เนื่องจาก SageMaker ไม่ได้รับการสนับสนุนโดยกำเนิดใน Wavelength Zones เราจึงสาธิตวิธีแยกส่วนแบบจำลองออกจากภูมิภาคและปรับใช้อีกครั้งที่ Edge ในการทำเช่นนั้น คุณใช้ บริการ Amazon Elastic Kubernetes (Amazon EKS) คลัสเตอร์และกลุ่มโหนดใน Wavelength Zones ตามด้วยการสร้างรายการการปรับใช้ด้วยคอนเทนเนอร์อิมเมจที่สร้างโดย JumpStart แผนภาพต่อไปนี้แสดงสถาปัตยกรรมนี้
เบื้องต้น
เพื่อให้ง่ายที่สุด ตรวจสอบให้แน่ใจว่าบัญชี AWS ของคุณเปิดใช้งานโซนความยาวคลื่น โปรดทราบว่าการผสานรวมนี้ใช้ได้เฉพาะใน us-east-1
และ us-west-2
และคุณจะใช้ us-east-1
ในช่วงระยะเวลาของการสาธิต
หากต้องการเลือกใช้ AWS Wavelength ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon VPC ให้เลือก โซน ภายใต้ การตั้งค่า และเลือก สหรัฐอเมริกาฝั่งตะวันออก (Verizon) / us-east-1-wl1.
- Choose จัดการ.
- เลือก เลือกใช้.
- Choose อัพเดทโซน.
สร้างโครงสร้างพื้นฐาน AWS Wavelength
ก่อนที่เราจะแปลงจุดสิ้นสุดการอนุมานแบบจำลอง SageMaker ในเครื่องเป็นการปรับใช้ Kubernetes คุณสามารถสร้างคลัสเตอร์ EKS ในโซนความยาวคลื่นได้ ในการดำเนินการดังกล่าว ให้ปรับใช้คลัสเตอร์ Amazon EKS กับกลุ่มโหนด AWS Wavelength หากต้องการเรียนรู้เพิ่มเติม คุณสามารถเยี่ยมชม คู่มือนี้ในบล็อก AWS Containers or ที่เก็บ 5GEdgeTutorials ของ Verizon สำหรับตัวอย่างหนึ่ง
ต่อไป ใช้ an AWS Cloud9 สภาพแวดล้อมหรือสภาพแวดล้อมการพัฒนาแบบโต้ตอบ (IDE) ให้เลือก ดาวน์โหลดแพ็คเกจ SageMaker ที่จำเป็น และ Docker Compose, การพึ่งพาคีย์ของ JumpStart
สร้างแบบจำลองสิ่งประดิษฐ์โดยใช้ JumpStart
ก่อนอื่น ตรวจสอบให้แน่ใจว่าคุณมี AWS Identity และการจัดการการเข้าถึง (IAM) บทบาทการดำเนินการสำหรับ SageMaker หากต้องการเรียนรู้เพิ่มเติม โปรดไปที่ บทบาทของ SageMaker.
- การใช้ ตัวอย่างนี้ให้สร้างไฟล์ชื่อ train_model.py ที่ใช้ SageMaker Software Development Kit (SDK) เพื่อดึงข้อมูลโมเดลที่สร้างไว้ล่วงหน้า (แทนที่ ด้วยชื่อทรัพยากร Amazon (ARN) ของบทบาทการดำเนินการ SageMaker ของคุณ) ในไฟล์นี้ คุณปรับใช้โมเดลในเครื่องโดยใช้ไฟล์
instance_type
คุณลักษณะในmodel.deploy()
ฟังก์ชัน ซึ่งเริ่มคอนเทนเนอร์ Docker ภายใน IDE ของคุณโดยใช้สิ่งประดิษฐ์แบบจำลองที่จำเป็นทั้งหมดที่คุณกำหนดไว้:
- ต่อไป ตั้งค่า
infer_model_id
ไปยัง ID ของโมเดล SageMaker ที่คุณต้องการใช้
สำหรับรายการทั้งหมด โปรดดูที่ อัลกอริธึมในตัวพร้อมตารางโมเดลที่ผ่านการฝึกอบรมมาแล้ว. ในตัวอย่างของเรา เราใช้แบบจำลอง Bidirectional Encoder Representations จาก Transformers (BERT) ซึ่งใช้กันทั่วไปสำหรับการประมวลผลภาษาธรรมชาติ
- เรียกใช้
train_model.py
สคริปต์เพื่อดึงข้อมูลสิ่งประดิษฐ์โมเดล JumpStart และปรับใช้โมเดลที่ผ่านการฝึกอบรมล่วงหน้ากับเครื่องโลคัลของคุณ:
หากขั้นตอนนี้สำเร็จ ผลลัพธ์ของคุณอาจมีลักษณะดังต่อไปนี้:
ในเอาต์พุต คุณจะเห็นอาร์ติแฟกต์สามรายการตามลำดับ: ภาพฐานสำหรับการอนุมานของ TensorFlow สคริปต์การอนุมานที่ให้บริการโมเดล และอาร์ติแฟกต์ที่มีโมเดลที่ฝึก แม้ว่าคุณจะสามารถสร้างอิมเมจ Docker แบบกำหนดเองด้วยอาร์ติแฟกต์เหล่านี้ได้ แต่อีกวิธีหนึ่งคือการให้โหมดท้องถิ่นของ SageMaker สร้างอิมเมจ Docker ให้กับคุณ ในขั้นตอนต่อๆ ไป เราจะแยกอิมเมจคอนเทนเนอร์ที่ทำงานในเครื่องและปรับใช้กับ การลงทะเบียน Amazon Elastic Container (Amazon ECR) รวมทั้งผลักโมเดลสิ่งประดิษฐ์แยกจากกัน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3).
แปลงสิ่งประดิษฐ์โหมดโลคัลเป็นการปรับใช้ Kubernetes ระยะไกล
ตอนนี้คุณยืนยันแล้วว่า SageMaker กำลังทำงานอยู่ในเครื่อง เรามาแยกไฟล์ Manifest การปรับใช้ออกจากคอนเทนเนอร์ที่กำลังทำงานอยู่ ทำตามขั้นตอนต่อไปนี้:
ระบุตำแหน่งของรายการการปรับใช้โหมดท้องถิ่นของ SageMaker: ในการทำเช่นนั้น ให้ค้นหาไดเร็กทอรีหลักของเราสำหรับไฟล์ใดๆ ที่มีชื่อว่า docker-compose.yaml
.
docker_manifest=$( find /tmp/tmp* -name "docker-compose.yaml" -printf '%T+ %pn' | sort | tail -n 1 | cut -d' ' -f2-)
echo $docker_manifest
ระบุตำแหน่งของอาร์ติแฟกต์โมเดลโหมดโลคัลของ SageMaker: ถัดไป ค้นหาโวลุ่มพื้นฐานที่ติดตั้งกับคอนเทนเนอร์การอนุมานของ SageMaker ในโลคัล ซึ่งจะใช้ในโหนดผู้ปฏิบัติงาน EKS แต่ละโหนดหลังจากที่เราอัปโหลดอาร์ติแฟกต์ไปยัง Amazon s3
model_local_volume = $(grep -A1 -w "volumes:" $docker_manifest | tail -n 1 | tr -d ' ' | awk -F: '{print $1}' | cut -c 2-) # Returns something like: /tmp/tmpcr4bu_a7</p>
สร้างสำเนาในเครื่องของคอนเทนเนอร์การอนุมานของ SageMaker ที่รันอยู่: ต่อไป เราจะค้นหาอิมเมจคอนเทนเนอร์ที่กำลังรันอยู่ซึ่งรันโมเดลการอนุมานของแมชชีนเลิร์นนิงของเรา และสร้างสำเนาของคอนเทนเนอร์ในเครื่อง วิธีนี้จะช่วยให้มั่นใจได้ว่าเรามีสำเนาอิมเมจคอนเทนเนอร์ที่จะดึงจาก Amazon ECR
# Find container ID of running SageMaker Local container
mkdir sagemaker-container
container_id=$(docker ps --format "{{.ID}} {{.Image}}" | grep "tensorflow" | awk '{print $1}')
# Retrieve the files of the container locally
docker cp $my_container_id:/ sagemaker-container/
ก่อนลงมือทำ. model_local_volume
ซึ่งเราจะพุชไปที่ Amazon S3 พุชสำเนาของอิมเมจ Docker ที่กำลังทำงานอยู่ ซึ่งขณะนี้อยู่ในไฟล์ sagemaker-container
ไดเร็กทอรีไปยัง Amazon Elastic Container Registry อย่าลืมเปลี่ยน region
, aws_account_id
, docker_image_id
และ my-repository:tag
หรือทำตาม คู่มือผู้ใช้ Amazon ECR. นอกจากนี้ อย่าลืมจด URL อิมเมจ ECR สุดท้าย (aws_account_id.dkr.ecr.region.amazonaws.com/my-repository:tag
) ซึ่งเราจะใช้ในการปรับใช้ EKS ของเรา
ตอนนี้เรามีอิมเมจ ECR ที่สอดคล้องกับจุดสิ้นสุดการอนุมานแล้ว ให้สร้างบัคเก็ต Amazon S3 ใหม่และคัดลอก SageMaker Local artifacts (model_local_volume
) ไปยังที่เก็บข้อมูลนี้ ในขณะเดียวกัน ให้สร้าง Identity Access Management (IAM) ที่ให้อินสแตนซ์ Amazon EC2 เข้าถึงเพื่ออ่านอ็อบเจ็กต์ภายในบัคเก็ต อย่าลืมเปลี่ยน ด้วยชื่อเฉพาะสากลสำหรับบัคเก็ต Amazon S3 ของคุณ
ถัดไป เพื่อให้แน่ใจว่าแต่ละอินสแตนซ์ EC2 ดึงสำเนาของสิ่งประดิษฐ์แบบจำลองเมื่อเปิดใช้งาน ให้แก้ไขข้อมูลผู้ใช้สำหรับโหนดผู้ปฏิบัติงาน EKS ของคุณ ในสคริปต์ข้อมูลผู้ใช้ของคุณ ตรวจสอบให้แน่ใจว่าแต่ละโหนดดึงข้อมูลโมเดลอาร์ติแฟกต์โดยใช้ S3 API เมื่อเปิดใช้งาน อย่าลืมเปลี่ยน ด้วยชื่อเฉพาะสากลสำหรับบัคเก็ต Amazon S3 ของคุณ เนื่องจากข้อมูลผู้ใช้ของโหนดจะรวมสคริปต์บูตสแตรป EKS ด้วย ข้อมูลผู้ใช้ที่สมบูรณ์อาจมีลักษณะดังนี้
ตอนนี้ คุณสามารถตรวจสอบรายการนักเทียบท่าที่มีอยู่และแปลเป็นไฟล์รายการที่เป็นมิตรกับ Kubernetes โดยใช้ คอมโปเสะเครื่องมือการแปลงที่รู้จักกันดี หมายเหตุ: หากคุณได้รับข้อผิดพลาดเกี่ยวกับความเข้ากันได้ของเวอร์ชัน ให้เปลี่ยน version
แอตทริบิวต์ในบรรทัดที่ 27 ของ docker-compose.yml ถึง “2”
.
หลังจากเรียกใช้ Kompose คุณจะเห็นไฟล์ใหม่สี่ไฟล์: Deployment
วัตถุ, Service
วัตถุ, PersistentVolumeClaim
วัตถุและ NetworkPolicy
วัตถุ. ตอนนี้คุณมีทุกสิ่งที่คุณต้องการเพื่อเริ่มเข้าสู่ Kubernetes ที่ Edge!
ปรับใช้สิ่งประดิษฐ์โมเดล SageMaker
ตรวจสอบให้แน่ใจว่าคุณได้ดาวน์โหลด kubectl และ aws-iam-authenticator ไปยัง AWS Cloud9 IDE ของคุณแล้ว ถ้าไม่ ให้ทำตามคำแนะนำในการติดตั้ง:
ตอนนี้ทำตามขั้นตอนต่อไปนี้:
ปรับเปลี่ยน service/algo-1-ow3nv
คัดค้านการเปลี่ยนประเภทบริการจาก ClusterIP
ไปยัง NodePort
. ในตัวอย่างของเรา เราได้เลือกพอร์ต 30,007 เป็นของเรา NodePort
:
ถัดไป คุณต้องอนุญาต NodePort ในกลุ่มความปลอดภัยสำหรับโหนดของคุณ ในการทำเช่นนั้น ให้เรียกข้อมูล groupID ความปลอดภัยและรายการที่อนุญาตของ NodePort:
ถัดไป แก้ไข algo-1-ow3nv-deployment.yaml
รายการที่จะเมานต์ /tmp/model hostPath
ไดเร็กทอรีไปยังคอนเทนเนอร์ แทนที่ ด้วยอิมเมจ ECR ที่คุณสร้างไว้ก่อนหน้านี้:
ด้วยไฟล์รายการที่คุณสร้างจาก Kompose ให้ใช้ kubectl เพื่อใช้การกำหนดค่ากับคลัสเตอร์ของคุณ:
เชื่อมต่อกับรุ่น 5G edge
ในการเชื่อมต่อกับโมเดลของคุณ ให้ทำตามขั้นตอนต่อไปนี้:
บนคอนโซล Amazon EC2 ให้ดึง IP ผู้ให้บริการของโหนดผู้ปฏิบัติงาน EKS หรือใช้ AWS CLI เพื่อค้นหาที่อยู่ IP ของผู้ให้บริการโดยตรง:
ตอนนี้ เมื่อแยกที่อยู่ IP ของผู้ให้บริการแล้ว คุณสามารถเชื่อมต่อกับโมเดลได้โดยตรงโดยใช้ NodePort สร้างไฟล์ชื่อ invoke.py
เพื่อเรียกใช้โมเดล BERT โดยตรงโดยให้อินพุตแบบข้อความที่จะรันกับเครื่องวิเคราะห์อารมณ์เพื่อระบุว่าโทนเสียงเป็นบวกหรือลบ:
ผลลัพธ์ของคุณควรมีลักษณะดังต่อไปนี้:
ทำความสะอาด
หากต้องการทำลายทรัพยากรแอปพลิเคชันทั้งหมดที่สร้างขึ้น ให้ลบโหนดผู้ปฏิบัติงาน AWS Wavelength, ระนาบควบคุม EKS และทรัพยากรทั้งหมดที่สร้างขึ้นภายใน VPC นอกจากนี้ ให้ลบที่เก็บ ECR ที่ใช้โฮสต์อิมเมจคอนเทนเนอร์ บัคเก็ต S3 ที่ใช้โฮสต์อาร์ติแฟกต์โมเดล SageMaker และ sagemaker-demo-app-s3 IAM
นโยบาย.
สรุป
ในโพสต์นี้ เราได้สาธิตวิธีการใหม่ในการปรับใช้โมเดล SageMaker กับขอบเครือข่ายโดยใช้ Amazon EKS และ AWS Wavelength หากต้องการเรียนรู้เกี่ยวกับแนวทางปฏิบัติที่ดีที่สุดของ Amazon EKS เกี่ยวกับ AWS Wavelength โปรดดูที่ ปรับใช้คลัสเตอร์ Amazon EKS ที่กระจายตามพื้นที่ทางภูมิศาสตร์บน AWS Wavelength. นอกจากนี้ หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ Jumpstart โปรดไปที่ คู่มือนักพัฒนา Amazon SageMaker JumpStart หรือ ตารางรุ่นที่มีจำหน่ายของ JumpStart.
เกี่ยวกับผู้เขียน
โรเบิร์ต เบลสัน เป็นผู้สนับสนุนนักพัฒนาในหน่วยธุรกิจโทรคมนาคมทั่วโลกของ AWS ซึ่งเชี่ยวชาญด้าน AWS Edge Computing เขามุ่งเน้นไปที่การทำงานร่วมกับชุมชนนักพัฒนาและลูกค้าองค์กรขนาดใหญ่เพื่อแก้ปัญหาความท้าทายทางธุรกิจโดยใช้ระบบอัตโนมัติ เครือข่ายแบบไฮบริด และเอดจ์คลาวด์
โมฮัมเหม็ด อัล เมห์ดาร์ เป็นสถาปนิกโซลูชันอาวุโสในหน่วยธุรกิจโทรคมนาคมทั่วโลกที่ AWS เป้าหมายหลักของเขาคือการช่วยให้ลูกค้าสามารถสร้างและปรับใช้ปริมาณงาน Telco และ Enterprise IT บน AWS ก่อนเข้าร่วม AWS โมฮัมเหม็ดทำงานในอุตสาหกรรมโทรคมนาคมมากว่า 13 ปี และนำประสบการณ์มากมายในด้าน LTE Packet Core, 5G, IMS และ WebRTC โมฮัมเหม็ดสำเร็จการศึกษาระดับปริญญาตรีสาขาวิศวกรรมโทรคมนาคมจากมหาวิทยาลัยคอนคอร์เดีย
อีวาน คราวิตซ์ เป็นวิศวกรซอฟต์แวร์ที่ Amazon Web Services ทำงานบน SageMaker JumpStart เขาชอบทำอาหารและออกไปวิ่งในนิวยอร์กซิตี้
จัสติน เซนต์ อาร์โนลด์ เป็นรองผู้อำนวยการ – สถาปนิกโซลูชันที่ Verizon สำหรับภาครัฐที่มีประสบการณ์มากกว่า 15 ปีในอุตสาหกรรมไอที เขาเป็นผู้สนับสนุนที่หลงใหลในพลังของการประมวลผลแบบเอดจ์และเครือข่าย 5G และเป็นผู้เชี่ยวชาญในการพัฒนาโซลูชันเทคโนโลยีที่เป็นนวัตกรรมใหม่ซึ่งใช้ประโยชน์จากเทคโนโลยีเหล่านี้ จัสตินมีความกระตือรือร้นเป็นพิเศษเกี่ยวกับความสามารถของ Amazon Web Services (AWS) ในการนำเสนอโซลูชันที่ล้ำสมัยสำหรับลูกค้าของเขา ในเวลาว่าง จัสตินชอบติดตามเทรนด์เทคโนโลยีล่าสุดและแบ่งปันความรู้และข้อมูลเชิงลึกกับคนอื่นๆ ในอุตสาหกรรม
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/deploy-pre-trained-models-on-aws-wavelength-with-5g-edge-using-amazon-sagemaker-jumpstart/
- :เป็น
- 1
- 10
- 100
- 11
- 5G
- 7
- 8
- 9
- a
- เกี่ยวกับเรา
- ยอมรับ
- เข้า
- ลงชื่อเข้าใช้
- ข้าม
- การกระทำ
- นอกจากนี้
- ที่อยู่
- การกำเนิด
- ผู้สนับสนุน
- หลังจาก
- กับ
- อัลกอริทึม
- ทั้งหมด
- ช่วยให้
- แม้ว่า
- เสมอ
- อเมซอน
- Amazon EC2
- อเมซอน SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- Amazon Web Services (AWS)
- การวิเคราะห์
- และ
- อื่น
- API
- การใช้งาน
- การใช้งาน
- ใช้
- เข้าใกล้
- สถาปัตยกรรม
- เป็น
- พื้นที่
- AS
- ภาคี
- สมาคม
- At
- อัตโนมัติ
- อิสระ
- ใช้ได้
- AWS
- AWS Cloud9
- อุปสรรค
- ฐาน
- BE
- เริ่ม
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- บูต
- นำ
- สร้าง
- built-in
- ธุรกิจ
- by
- ที่เรียกว่า
- CAN
- ความสามารถในการ
- กรณี
- แมว
- CD
- ความท้าทาย
- เปลี่ยนแปลง
- ทางเลือก
- Choose
- เมือง
- ลูกค้า
- ใกล้ชิด
- เมฆ
- Cloud9
- Cluster
- รหัส
- COM
- อย่างธรรมดา
- ชุมชน
- ความเข้ากันได้
- สมบูรณ์
- คำนวณ
- คอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- การคำนวณ
- ยืนยัน
- เชื่อมต่อ
- ปลอบใจ
- ภาชนะ
- ภาชนะบรรจุ
- ควบคุม
- การลู่เข้า
- การแปลง
- แปลง
- แกน
- ตรงกัน
- ได้
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- ฝูงชน
- ขณะนี้
- ประเพณี
- ลูกค้า
- ตัด
- ตัดขอบ
- ข้อมูล
- วันที่
- กำหนด
- องศา
- ส่งมอบ
- การส่งมอบ
- สาธิต
- แสดงให้เห็นถึง
- การอยู่ที่
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- ทำลาย
- การตรวจพบ
- กำหนด
- ผู้พัฒนา
- นักพัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- โดยตรง
- ผู้อำนวยการ
- กล่าวถึง
- นักเทียบท่า
- ดาวน์โหลด
- การขับขี่
- แต่ละ
- ก่อน
- อย่างง่ายดาย
- ตะวันออก
- เสียงสะท้อน
- ขอบ
- การคำนวณที่ทันสมัย
- ผล
- ทำให้สามารถ
- เปิดการใช้งาน
- ปลายทาง
- วิศวกร
- ชั้นเยี่ยม
- ทำให้มั่นใจ
- Enterprise
- ผู้ประกอบการ
- กระตือรือร้น
- การเข้า
- สิ่งแวดล้อม
- สภาพแวดล้อม
- อุปกรณ์
- ความผิดพลาด
- แม้
- เคย
- ทุกอย่าง
- ตัวอย่าง
- การปฏิบัติ
- ที่มีอยู่
- ที่ขยาย
- ประสบการณ์
- ประสบการณ์
- ชำนาญ
- ขยายออก
- สารสกัด
- เนื้อไม่มีมัน
- ไฟล์
- สุดท้าย
- หา
- โฟกัส
- มุ่งเน้นไปที่
- ปฏิบัติตาม
- ตาม
- ดังต่อไปนี้
- สำหรับ
- โจมตี
- การหลอกลวง
- การตรวจจับการฉ้อโกง
- ฟรี
- ไม่มีแรงเสียดทาน
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- ฟังก์ชัน
- ความรู้พื้นฐาน
- สร้าง
- ได้รับ
- กำหนด
- เหตุการณ์ที่
- ทั่วโลก
- โลก
- Go
- ไป
- บัญชีกลุ่ม
- กลุ่ม
- ให้คำแนะนำ
- คู่มือ
- ฮาร์ดแวร์
- เทียม
- มี
- ช่วย
- ถือ
- เจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- ที่ http
- HTTPS
- ร้อย
- เป็นลูกผสม
- ID
- เอกลักษณ์
- ภาพ
- นำเข้า
- in
- ประกอบด้วย
- เพิ่ม
- อุตสาหกรรม
- โครงสร้างพื้นฐาน
- นวัตกรรม
- เทคโนโลยีที่ทันสมัย
- อินพุต
- ข้อมูลเชิงลึก
- ติดตั้ง
- ตัวอย่าง
- บูรณาการ
- การโต้ตอบ
- การลงทุน
- IP
- ที่อยู่ IP
- IT
- อุตสาหกรรมไอที
- การร่วม
- jpg
- JSON
- จัสติน
- การเก็บรักษา
- คีย์
- ชนิด
- ชุด (SDK)
- ความรู้
- ป้ายกำกับ
- ภาษา
- ใหญ่
- ความแอบแฝง
- ล่าสุด
- เปิดตัว
- เรียนรู้
- การเรียนรู้
- เลฟเวอเรจ
- กดไลก์
- Line
- เส้น
- รายการ
- ในประเทศ
- ในท้องถิ่น
- ที่ตั้ง
- ดู
- เครื่อง
- เรียนรู้เครื่อง
- หลัก
- การบำรุงรักษา
- ทำ
- การจัดการ
- การจัดการ
- เมตาดาต้า
- การลด
- ML
- โทรศัพท์มือถือ
- เครือข่ายมือถือ
- โหมด
- แบบ
- โมเดล
- แก้ไข
- ข้อมูลเพิ่มเติม
- มากที่สุด
- MOUNT
- ชื่อ
- ที่มีชื่อ
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- จำเป็นต้อง
- เชิงลบ
- เครือข่าย
- ตามเครือข่าย
- เครือข่าย
- เครือข่าย
- ใหม่
- นิวยอร์ก
- เมืองนิวยอร์ก
- ถัดไป
- NLP
- ปม
- โหนด
- นวนิยาย
- จำนวน
- วัตถุ
- วัตถุ
- of
- เสนอ
- เสนอ
- on
- ONE
- โอเพนซอร์ส
- การดำเนินการ
- โอกาส
- Options
- ใบสั่ง
- ผลิตภัณฑ์อื่นๆ
- เอาท์พุต
- ของตนเอง
- แพคเกจ
- Parallel
- โดยเฉพาะ
- หลงใหล
- เส้นทาง
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- นโยบาย
- ยอดนิยม
- ตำแหน่ง
- บวก
- เป็นไปได้
- โพสต์
- อำนาจ
- การปฏิบัติ
- Predictor
- ก่อน
- ส่วนตัว
- การประมวลผล
- โดดเด่น
- ให้
- การให้
- สาธารณะ
- ดึง
- ผลัก
- อย่างรวดเร็ว
- อ่าน
- เรียลไทม์
- แนะนำ
- ลด
- ภูมิภาค
- รีจิสทรี
- รีโมท
- แทนที่
- การร้องขอ
- จำเป็น
- ทรัพยากร
- แหล่งข้อมูล
- ร้านค้าปลีก
- รับคืน
- บทบาท
- ราก
- วิ่ง
- วิ่ง
- ปลอดภัยมากขึ้น
- sagemaker
- การอนุมาน SageMaker
- SDK
- ได้อย่างลงตัว
- ค้นหา
- ภาค
- ความปลอดภัย
- เลือก
- ระดับอาวุโส
- ให้บริการ
- ให้บริการอาหาร
- บริการ
- บริการ
- ชุด
- ใช้งานร่วมกัน
- น่า
- แสดงให้เห็นว่า
- ง่าย
- ง่ายดาย
- So
- ซอฟต์แวร์
- การพัฒนาซอฟต์แวร์
- วิศวกรซอฟต์แวร์
- ทางออก
- โซลูชัน
- แก้
- บางสิ่งบางอย่าง
- ความเชี่ยวชาญ
- เริ่มต้น
- คำแถลง
- Status
- ขั้นตอน
- ขั้นตอน
- การเก็บรักษา
- กลยุทธ์
- ภายหลัง
- ประสบความสำเร็จ
- อย่างเช่น
- ที่สนับสนุน
- รองรับ
- สวิตซ์
- ระบบ
- TAG
- เอา
- เทคนิค
- เทคโนโลยี
- เทคโนโลยี
- Telco
- โทรคมนาคม
- โทรคมนาคม
- วิศวกรรมโทรคมนาคม
- เทมเพลต
- tensorflow
- ที่
- พื้นที่
- ของพวกเขา
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- สาม
- เวลา
- ไปยัง
- TONE
- เครื่องมือ
- ผ่านการฝึกอบรม
- หม้อแปลง
- แปลความ
- แนวโน้ม
- จริง
- ภายใต้
- พื้นฐาน
- เป็นเอกลักษณ์
- หน่วย
- มหาวิทยาลัย
- ปลดล็อก
- ปลดล็อค
- ทันเหตุการณ์
- URL
- ใช้
- ผู้ใช้งาน
- v1
- ความคุ้มค่า
- ความหลากหลาย
- สถานที่จัดงาน
- Verizon
- รุ่น
- ผ่านทาง
- เสมือน
- วิสัยทัศน์
- เยี่ยมชมร้านค้า
- ปริมาณ
- ไดรฟ์
- อยาก
- ความมั่งคั่ง
- เว็บ
- บริการเว็บ
- ดี
- โด่งดัง
- ว่า
- ที่
- ในขณะที่
- จะ
- กับ
- ภายใน
- ผู้ปฏิบัติงาน
- การทำงาน
- ทั่วโลก
- จะ
- มันแกว
- ปี
- คุณ
- ของคุณ
- YouTube
- ลมทะเล
- โซน