ในเดือนพฤศจิกายน 2022 เรา ประกาศ ที่ลูกค้า AWS สามารถสร้างรูปภาพจากข้อความได้ การแพร่กระจายที่เสถียร รุ่นที่ใช้ Amazon SageMaker JumpStart. วันนี้เรารู้สึกตื่นเต้นที่จะแนะนำคุณลักษณะใหม่ที่ช่วยให้ผู้ใช้สามารถวาดภาพด้วยแบบจำลองการแพร่กระจายที่เสถียร การระบายสีหมายถึงกระบวนการแทนที่ส่วนหนึ่งของภาพด้วยภาพอื่นตามข้อความ ด้วยการจัดเตรียมภาพต้นฉบับ ภาพมาสก์ที่แสดงส่วนที่จะแทนที่ และข้อความแจ้ง โมเดล Stable Diffusion สามารถสร้างภาพใหม่ที่แทนที่พื้นที่มาสก์ด้วยวัตถุ เรื่อง หรือสภาพแวดล้อมที่อธิบายไว้ในข้อความข้อความ
คุณสามารถใช้การลงสีเพื่อฟื้นฟูภาพที่เสื่อมโทรมหรือสร้างภาพใหม่ด้วยหัวเรื่องหรือรูปแบบแปลกใหม่ในบางส่วน ภายในขอบเขตของการออกแบบสถาปัตยกรรม การพ่นสีแบบ Stable Diffusion สามารถนำไปใช้ในการซ่อมแซมส่วนที่ไม่สมบูรณ์หรือเสียหายของพิมพ์เขียวอาคาร โดยให้ข้อมูลที่แม่นยำสำหรับทีมงานก่อสร้าง ในกรณีของการถ่ายภาพ MRI ทางคลินิก ศีรษะของผู้ป่วยจะต้องถูกยับยั้งไว้ ซึ่งอาจนำไปสู่ผลลัพธ์ที่ต่ำกว่ามาตรฐานเนื่องจากการครอบตัดทำให้ข้อมูลสูญหายหรือความแม่นยำในการวินิจฉัยลดลง การลงสีรูปภาพสามารถช่วยลดผลลัพธ์ที่ไม่เหมาะสมเหล่านี้ได้อย่างมีประสิทธิภาพ
ในโพสต์นี้ เรานำเสนอคำแนะนำที่ครอบคลุมเกี่ยวกับการปรับใช้และการเรียกใช้การอนุมานโดยใช้แบบจำลองการพ่นสี Stable Diffusion ในสองวิธี: ผ่านส่วนต่อประสานผู้ใช้ (UI) ของ JumpStart ใน สตูดิโอ Amazon SageMakerและโดยทางโปรแกรมผ่าน JumpStart API มีอยู่ในไฟล์ SageMaker Python SDK.
ภาพรวมโซลูชัน
ภาพต่อไปนี้เป็นตัวอย่างของการลงสี ภาพต้นฉบับอยู่ทางซ้าย ภาพมาสก์อยู่ตรงกลาง และภาพที่วาดโดยโมเดลอยู่ทางขวา สำหรับตัวอย่างแรก นางแบบได้รับภาพต้นฉบับ ภาพหน้ากาก และข้อความ "แมวขาว ตาสีฟ้า สวมเสื้อกันหนาว นอนอยู่ในสวนสาธารณะ" รวมถึงข้อความปฏิเสธ "วาดเท้าไม่ดี ” สำหรับตัวอย่างที่สอง ข้อความแจ้งคือ “นางแบบสาวโชว์ชุดเดรสยาวลำลองที่ผสมผสานระหว่างเฉดสีชมพูและน้ำเงินอย่างสง่างามอย่างสง่างาม”
การเรียกใช้โมเดลขนาดใหญ่ เช่น Stable Diffusion ต้องใช้สคริปต์การอนุมานแบบกำหนดเอง คุณต้องเรียกใช้การทดสอบแบบ end-to-end เพื่อให้แน่ใจว่าสคริปต์ โมเดล และอินสแตนซ์ที่ต้องการทำงานร่วมกันได้อย่างมีประสิทธิภาพ JumpStart ทำให้กระบวนการนี้ง่ายขึ้นด้วยการจัดเตรียมสคริปต์ที่พร้อมใช้งานซึ่งได้รับการทดสอบอย่างเข้มงวด คุณสามารถเข้าถึงสคริปต์เหล่านี้ได้ด้วยคลิกเดียวผ่าน UI ของ Studio หรือใช้โค้ดเพียงไม่กี่บรรทัดผ่านทาง JumpStart API.
ส่วนต่อไปนี้จะแนะนำคุณตลอดการปรับใช้โมเดลและการเรียกใช้การอนุมานโดยใช้ Studio UI หรือ JumpStart API
โปรดทราบว่าการใช้โมเดลนี้แสดงว่าคุณยอมรับ ใบอนุญาต CreativeML Open RAIL++-M.
เข้าถึง JumpStart ผ่าน Studio UI
ในส่วนนี้ เราจะแสดงตัวอย่างการปรับใช้โมเดล JumpStart โดยใช้ Studio UI วิดีโอที่ให้มาแสดงตำแหน่งโมเดลการพ่นสี Stable Diffusion ที่ฝึกไว้ล่วงหน้าบน JumpStart และปรับใช้ หน้าโมเดลนำเสนอรายละเอียดที่จำเป็นเกี่ยวกับโมเดลและการใช้งาน ในการอนุมาน เราใช้ประเภทอินสแตนซ์ ml.p3.2xlarge ซึ่งให้การเร่ง GPU ที่จำเป็นสำหรับการอนุมานที่มีเวลาแฝงต่ำในราคาที่เหมาะสม หลังจากกำหนดค่าอินสแตนซ์การโฮสต์ SageMaker แล้ว ให้เลือก ปรับใช้. จุดสิ้นสุดจะทำงานและเตรียมพร้อมที่จะจัดการกับคำขอการอนุมานภายในเวลาประมาณ 10 นาที
JumpStart จัดเตรียมสมุดบันทึกตัวอย่างที่สามารถช่วยเร่งเวลาที่ใช้ในการเรียกใช้การอนุมานบนจุดสิ้นสุดที่สร้างขึ้นใหม่ หากต้องการเข้าถึงสมุดบันทึกใน Studio ให้เลือก เปิดสมุดบันทึก ใน ใช้ปลายทางจากสตูดิโอ ส่วนของหน้าจุดสิ้นสุดของโมเดล
ใช้ JumpStart โดยทางโปรแกรมกับ SageMaker SDK
การใช้ JumpStart UI ทำให้คุณสามารถปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าแบบโต้ตอบได้ด้วยการคลิกเพียงไม่กี่ครั้ง อีกทางหนึ่ง คุณสามารถใช้โมเดล JumpStart แบบเป็นโปรแกรมได้โดยใช้ API ที่รวมอยู่ภายใน SageMaker Python SDK
ในส่วนนี้ เราเลือกโมเดลที่ได้รับการฝึกอบรมล่วงหน้าที่เหมาะสมใน JumpStart ปรับใช้โมเดลนี้กับตำแหน่งข้อมูล SageMaker และทำการอนุมานบนตำแหน่งข้อมูลที่ใช้งาน ทั้งหมดนี้ใช้ SageMaker Python SDK ตัวอย่างต่อไปนี้มีข้อมูลโค้ด หากต้องการเข้าถึงรหัสที่สมบูรณ์พร้อมขั้นตอนทั้งหมดที่รวมอยู่ในการสาธิตนี้ โปรดดูที่ ข้อมูลเบื้องต้นเกี่ยวกับการแก้ไขรูปภาพ JumpStart – การพ่นสีแบบกระจายที่เสถียร ตัวอย่างโน๊ตบุ๊ค
ปรับใช้โมเดลที่ฝึกไว้ล่วงหน้า
SageMaker ใช้คอนเทนเนอร์ Docker สำหรับงานบิลด์และรันไทม์ต่างๆ JumpStart ใช้ คอนเทนเนอร์การเรียนรู้เชิงลึกของ SageMaker (DLCs) ที่เป็นกรอบเฉพาะ ขั้นแรก เราจะดึงแพ็คเกจเพิ่มเติม รวมถึงสคริปต์เพื่อจัดการการฝึกอบรมและการอนุมานสำหรับงานที่เลือก จากนั้นจะมีการดึงข้อมูลแบบจำลองที่ฝึกไว้ล่วงหน้าแยกจากกัน model_uris
ซึ่งให้ความยืดหยุ่นแก่แพลตฟอร์ม สิ่งนี้ทำให้สามารถใช้โมเดลที่ผ่านการฝึกอบรมล่วงหน้าหลายตัวกับสคริปต์การอนุมานเดียว รหัสต่อไปนี้แสดงกระบวนการนี้:
ต่อไป เราจะมอบทรัพยากรเหล่านั้นให้กับ รุ่น SageMaker อินสแตนซ์และปรับใช้ปลายทาง:
หลังจากปรับใช้โมเดลแล้ว เราสามารถรับการคาดการณ์ตามเวลาจริงได้!
อินพุต
อินพุตคือภาพฐาน ภาพมาสก์ และพรอมต์ที่อธิบายหัวเรื่อง วัตถุ หรือสภาพแวดล้อมที่จะแทนที่ในส่วนที่ปิดบัง การสร้างภาพมาสก์ที่สมบูรณ์แบบสำหรับเอฟเฟ็กต์ในการวาดภาพนั้นเกี่ยวข้องกับแนวทางปฏิบัติที่ดีที่สุดหลายประการ เริ่มต้นด้วยข้อความแจ้งที่เฉพาะเจาะจง และอย่าลังเลที่จะทดลองกับการตั้งค่าการแพร่กระจายแบบเสถียรต่างๆ เพื่อให้ได้ผลลัพธ์ที่ต้องการ ใช้ภาพมาสก์ที่ใกล้เคียงกับภาพที่คุณต้องการวาด วิธีการนี้ช่วยอัลกอริธึมการลงสีในการเติมส่วนที่ขาดหายไปของภาพ ทำให้ดูเป็นธรรมชาติมากขึ้น โดยทั่วไปรูปภาพคุณภาพสูงจะให้ผลลัพธ์ที่ดีกว่า ดังนั้นตรวจสอบให้แน่ใจว่ารูปภาพฐานและรูปภาพมาสก์ของคุณมีคุณภาพดีและคล้ายคลึงกัน นอกจากนี้ เลือกใช้ภาพมาสก์ขนาดใหญ่และเรียบเนียนเพื่อรักษารายละเอียดและลดส่วนผิดเพี้ยน
จุดสิ้นสุดจะยอมรับอิมเมจฐานและมาสก์เป็นค่าดิบ RGB หรืออิมเมจที่เข้ารหัส base64 ตัวจัดการการอนุมานถอดรหัสภาพตาม content_type
:
- สำหรับ
content_type = “application/json”
เพย์โหลดอินพุตต้องเป็นพจนานุกรม JSON ที่มีค่า Raw RGB พร้อมท์ข้อความ และพารามิเตอร์ทางเลือกอื่นๆ - สำหรับ
content_type = “application/json;jpeg”
เพย์โหลดอินพุตต้องเป็นพจนานุกรม JSON ที่มีรูปภาพเข้ารหัส base64 พร้อมท์ข้อความ และพารามิเตอร์ทางเลือกอื่นๆ
เอาท์พุต
จุดสิ้นสุดสามารถสร้างเอาต์พุตได้สองประเภท: อิมเมจ RGB ที่เข้ารหัส Base64 หรือพจนานุกรม JSON ของอิมเมจที่สร้างขึ้น คุณสามารถระบุรูปแบบผลลัพธ์ที่คุณต้องการได้โดยการตั้งค่า accept
ส่วนหัวถึง "application/json"
or "application/json;jpeg"
สำหรับภาพ JPEG หรือ base64 ตามลำดับ
- สำหรับ
accept = “application/json”
จุดสิ้นสุดจะส่งคืนพจนานุกรม JSON ที่มีค่า RGB สำหรับรูปภาพ - สำหรับ
accept = “application/json;jpeg”
จุดสิ้นสุดส่งคืนพจนานุกรม JSON พร้อมภาพ JPEG เป็นไบต์ที่เข้ารหัสด้วยการเข้ารหัส base64.b64
โปรดทราบว่าการส่งหรือรับเพย์โหลดด้วยค่า Raw RGB อาจถึงขีดจำกัดเริ่มต้นสำหรับเพย์โหลดอินพุตและขนาดการตอบสนอง ดังนั้น เราขอแนะนำให้ใช้ภาพที่เข้ารหัส base64 โดยการตั้งค่า content_type = “application/json;jpeg”
และยอมรับ = “application/json;jpeg”
รหัสต่อไปนี้เป็นคำขออนุมานตัวอย่าง:
พารามิเตอร์ที่รองรับ
แบบจำลองการพ่นสีแบบกระจายเสถียรรองรับพารามิเตอร์มากมายสำหรับการสร้างภาพ:
- ภาพ - ภาพต้นฉบับ
- หน้ากาก – ภาพที่ส่วนที่เป็นสีดำจะไม่เปลี่ยนแปลงในระหว่างการสร้างภาพ และส่วนที่เป็นสีขาวจะถูกแทนที่
- รวดเร็ว – พรอมต์เพื่อเป็นแนวทางในการสร้างภาพ อาจเป็นสตริงหรือรายการสตริงก็ได้
- num_inference_steps (ไม่บังคับ) – จำนวนขั้น denoising ระหว่างการสร้างภาพ ขั้นตอนมากขึ้นนำไปสู่ภาพที่มีคุณภาพสูงขึ้น หากระบุ จะต้องเป็นจำนวนเต็มบวก โปรดทราบว่าขั้นตอนการอนุมานเพิ่มเติมจะทำให้เวลาตอบสนองนานขึ้น
- Guidance_scale (ไม่บังคับ) – ระดับคำแนะนำที่สูงขึ้นส่งผลให้ภาพมีความเกี่ยวข้องอย่างใกล้ชิดกับข้อความแจ้งมากขึ้น โดยที่คุณภาพของภาพจะเสียไป หากระบุจะต้องเป็นแบบลอยตัว
guidance_scale<=1
ถูกละเว้น - Negative_prompt (ไม่บังคับ) – สิ่งนี้แนะนำการสร้างภาพเทียบกับพรอมต์นี้ หากระบุ จะต้องเป็นสตริงหรือรายการสตริงและใช้กับ
guidance_scale
. ถ้าguidance_scale
ถูกปิดใช้งาน สิ่งนี้ก็ถูกปิดใช้งานเช่นกัน นอกจากนี้ หากพรอมต์เป็นรายการของสตริง แสดงว่าnegative_prompt
ต้องเป็นรายการของสตริงด้วย - เมล็ดพันธุ์ (ไม่จำเป็น) – สิ่งนี้แก้ไขสถานะสุ่มสำหรับการทำซ้ำ หากระบุจะต้องเป็นจำนวนเต็ม เมื่อใดก็ตามที่คุณใช้พรอมต์เดียวกันกับเมล็ดเดียวกัน ภาพที่ได้จะเหมือนกันเสมอ
- batch_size (ไม่บังคับ) – จำนวนภาพที่จะสร้างขึ้นในการส่งต่อครั้งเดียว หากใช้อินสแตนซ์ขนาดเล็กหรือสร้างอิมเมจจำนวนมาก ให้ลดขนาดลง
batch_size
เป็นจำนวนน้อย (1–2) จำนวนภาพ = จำนวนพรอมต์*num_images_per_prompt
.
ข้อจำกัดและความลำเอียง
แม้ว่า Stable Diffusion จะมีประสิทธิภาพที่น่าประทับใจในการพ่นสี แต่ก็มีข้อจำกัดและอคติหลายประการ ซึ่งรวมถึงแต่ไม่จำกัดเพียง:
- โมเดลอาจสร้างใบหน้าหรือแขนขาได้ไม่แม่นยำ เนื่องจากข้อมูลการฝึกมีรูปภาพที่มีคุณสมบัติเหล่านี้ไม่เพียงพอ
- แบบจำลองได้รับการฝึกอบรมเกี่ยวกับ ชุดข้อมูล LAION-5Bซึ่งมีเนื้อหาสำหรับผู้ใหญ่และอาจไม่เหมาะสำหรับการใช้ผลิตภัณฑ์โดยไม่ต้องพิจารณาเพิ่มเติม
- โมเดลอาจทำงานได้ไม่ดีกับภาษาที่ไม่ใช่ภาษาอังกฤษ เนื่องจากโมเดลได้รับการฝึกอบรมเกี่ยวกับข้อความภาษาอังกฤษ
- โมเดลไม่สามารถสร้างข้อความที่ดีภายในรูปภาพได้
- โดยทั่วไปการพ่นสีแบบกระจายที่เสถียรจะทำงานได้ดีที่สุดกับภาพที่มีความละเอียดต่ำ เช่น 256×256 หรือ 512×512 พิกเซล เมื่อทำงานกับภาพความละเอียดสูง (768×768 หรือสูงกว่า) วิธีการนี้อาจมีปัญหาในการรักษาระดับคุณภาพและรายละเอียดที่ต้องการ
- แม้ว่าการใช้เมล็ดพันธุ์จะช่วยควบคุมความสามารถในการทำซ้ำได้ แต่การพ่นสีแบบกระจายที่เสถียรอาจยังคงให้ผลลัพธ์ที่หลากหลายโดยมีการปรับเปลี่ยนอินพุตหรือพารามิเตอร์เล็กน้อย สิ่งนี้อาจทำให้ยากต่อการปรับแต่งผลลัพธ์อย่างละเอียดสำหรับข้อกำหนดเฉพาะ
- วิธีการนี้อาจมีปัญหากับการสร้างพื้นผิวและลวดลายที่ซับซ้อน โดยเฉพาะอย่างยิ่งเมื่อมันครอบคลุมพื้นที่ขนาดใหญ่ภายในภาพ หรือจำเป็นต่อการรักษาความสอดคล้องกันโดยรวมและคุณภาพของพื้นที่ที่ทาสี
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับข้อจำกัดและอคติ โปรดดูที่ การ์ดโมเดล Inpainting Diffusion ที่เสถียร.
โซลูชันการพ่นสีด้วยหน้ากากที่สร้างขึ้นผ่านข้อความแจ้ง
CLIPSeq เป็นเทคนิคการเรียนรู้เชิงลึกขั้นสูงที่ใช้พลังของโมเดล CLIP (Contrastive Language-Image Pretraining) ที่ฝึกไว้ล่วงหน้าเพื่อสร้างมาสก์จากภาพที่ป้อนเข้า วิธีนี้เป็นวิธีที่มีประสิทธิภาพในการสร้างมาสก์สำหรับงานต่างๆ เช่น การแบ่งส่วนภาพ การลงสี และการจัดการ CLIPSeq ใช้ CLIP เพื่อสร้างคำอธิบายข้อความของรูปภาพอินพุต คำอธิบายข้อความจะใช้เพื่อสร้างมาสก์ที่ระบุพิกเซลในภาพที่เกี่ยวข้องกับคำอธิบายข้อความ จากนั้นสามารถใช้มาสก์เพื่อแยกส่วนที่เกี่ยวข้องของภาพสำหรับการประมวลผลเพิ่มเติม
CLIPSeq มีข้อดีหลายประการเหนือวิธีอื่นๆ ในการสร้างมาสก์จากภาพอินพุต ประการแรก วิธีนี้เป็นวิธีที่มีประสิทธิภาพมากกว่า เนื่องจากไม่จำเป็นต้องประมวลผลรูปภาพด้วยอัลกอริทึมการแบ่งส่วนรูปภาพที่แยกต่างหาก ประการที่สอง มีความแม่นยำมากขึ้น เนื่องจากสามารถสร้างมาสก์ที่ใกล้เคียงกับคำอธิบายข้อความของรูปภาพมากขึ้น ประการที่สาม มีความหลากหลายมากกว่า เพราะคุณสามารถใช้สร้างมาสก์จากภาพที่หลากหลายได้
อย่างไรก็ตาม CLIPSeq ก็มีข้อเสียเช่นกัน ประการแรก เทคนิคอาจมีข้อจำกัดในแง่ของหัวข้อ เนื่องจากอาศัยโมเดล CLIP ที่ผ่านการฝึกอบรมมาล่วงหน้าซึ่งอาจไม่ครอบคลุมขอบเขตหรือพื้นที่ความเชี่ยวชาญเฉพาะด้าน ประการที่สอง อาจเป็นวิธีที่ละเอียดอ่อน เนื่องจากอาจมีข้อผิดพลาดในคำอธิบายข้อความของรูปภาพ
สำหรับข้อมูลเพิ่มเติมโปรดดูที่ จัดแต่งทรงผมเสมือนจริงด้วย AI กำเนิดโดยใช้ Amazon SageMaker.
ทำความสะอาด
หลังจากที่คุณเรียกใช้สมุดบันทึกเสร็จแล้ว ตรวจสอบให้แน่ใจว่าได้ลบทรัพยากรทั้งหมดที่สร้างขึ้นในกระบวนการเพื่อให้แน่ใจว่าการเรียกเก็บเงินจะหยุดลง รหัสสำหรับล้างข้อมูลปลายทางมีอยู่ในส่วนที่เกี่ยวข้อง สมุดบันทึก.
สรุป
ในโพสต์นี้ เราได้แสดงวิธีการปรับใช้โมเดลการพ่นสี Stable Diffusion ที่ฝึกไว้ล่วงหน้าโดยใช้ JumpStart เราได้แสดงตัวอย่างโค้ดในโพสต์นี้—โค้ดฉบับสมบูรณ์พร้อมขั้นตอนทั้งหมดในการสาธิตนี้มีอยู่ใน ข้อมูลเบื้องต้นเกี่ยวกับ JumpStart – ปรับปรุงคุณภาพของภาพตามคำแนะนำ ตัวอย่างโน๊ตบุ๊ค. ลองใช้วิธีแก้ปัญหาด้วยตัวคุณเองและส่งความคิดเห็นของคุณถึงเรา
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับโมเดลและวิธีการทำงาน โปรดดูแหล่งข้อมูลต่อไปนี้:
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ JumpStart โปรดดูโพสต์ต่อไปนี้:
เกี่ยวกับผู้เขียน
ดร.วิเวก มะดัน เป็นนักวิทยาศาสตร์ประยุกต์กับทีม Amazon SageMaker JumpStart เขาสำเร็จการศึกษาระดับปริญญาเอกจากมหาวิทยาลัยอิลลินอยส์ Urbana-Champaign และเป็นนักวิจัยหลังปริญญาเอกที่ Georgia Tech เขาเป็นนักวิจัยเชิงรุกด้านการเรียนรู้ของเครื่องและการออกแบบอัลกอริธึม และได้ตีพิมพ์เอกสารในการประชุม EMNLP, ICLR, COLT, FOCS และ SODA
อัลเฟรด เชน เป็นผู้เชี่ยวชาญด้าน AI/ML อาวุโสที่ AWS เขาทำงานในซิลิคอน แวลลีย์ โดยดำรงตำแหน่งด้านเทคนิคและการจัดการในภาคส่วนต่าง ๆ รวมถึงการดูแลสุขภาพ การเงิน และเทคโนโลยีขั้นสูง เขาเป็นนักวิจัยประยุกต์ AI/ML โดยเฉพาะ โดยมุ่งเน้นที่ CV, NLP และการทำงานหลายรูปแบบ ผลงานของเขาได้รับการจัดแสดงในสื่อสิ่งพิมพ์ เช่น EMNLP, ICLR และ Public Health
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/inpaint-images-with-stable-diffusion-using-amazon-sagemaker-jumpstart/
- :เป็น
- $ ขึ้น
- 10
- 100
- 2022
- 7
- a
- เกี่ยวกับเรา
- เร่งความเร็ว
- ยอมรับ
- ยอมรับ
- เข้า
- ความถูกต้อง
- ถูกต้อง
- บรรลุ
- คล่องแคล่ว
- เพิ่มเติม
- นอกจากนี้
- ผู้ใหญ่
- สูง
- ข้อได้เปรียบ
- ราคาไม่แพง
- หลังจาก
- กับ
- AI
- AI / ML
- เอดส์
- ขั้นตอนวิธี
- ชิด
- ทั้งหมด
- ช่วยให้
- เสมอ
- อเมซอน
- อเมซอน SageMaker
- Amazon SageMaker JumpStart
- และ
- อื่น
- API
- APIs
- ประยุกต์
- เข้าใกล้
- เหมาะสม
- ประมาณ
- ในเชิงสถาปัตยกรรม
- เป็น
- AREA
- พื้นที่
- AS
- At
- อัตโนมัติ
- ใช้ได้
- AWS
- ฐาน
- ตาม
- BE
- เพราะ
- ที่ดีที่สุด
- ปฏิบัติที่ดีที่สุด
- ดีกว่า
- อคติ
- การเรียกเก็บเงิน
- การผสมผสาน
- สีน้ำเงิน
- สร้าง
- การก่อสร้าง
- by
- CAN
- กรณี
- ไม่เป็นทางการ
- แมว
- การก่อให้เกิด
- ศูนย์
- บาง
- ท้าทาย
- ตรวจสอบ
- Choose
- ชั้น
- คลิก
- คลินิก
- อย่างใกล้ชิด
- รหัส
- ความคิดเห็น
- สมบูรณ์
- เสร็จสิ้น
- ครอบคลุม
- การประชุม
- การพิจารณา
- การก่อสร้าง
- บรรจุ
- ภาชนะ
- ภาชนะบรรจุ
- เนื้อหา
- ควบคุม
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- ประเพณี
- ลูกค้า
- ข้อมูล
- ข้อมูลสูญหาย
- ทุ่มเท
- ลึก
- การเรียนรู้ลึก ๆ
- ค่าเริ่มต้น
- มอบ
- แสดงให้เห็นถึง
- ปรับใช้
- นำไปใช้
- ปรับใช้
- การใช้งาน
- อธิบาย
- ลักษณะ
- ออกแบบ
- ที่ต้องการ
- รายละเอียด
- รายละเอียด
- การจัดจำหน่าย
- พิการ
- หลาย
- นักเทียบท่า
- ไม่
- โดเมน
- Dont
- ในระหว่าง
- แต่ละ
- มีประสิทธิภาพ
- ผลกระทบ
- ที่มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ทั้ง
- ช่วยให้
- จบสิ้น
- ปลายทาง
- ภาษาอังกฤษ
- ทำให้มั่นใจ
- การเข้า
- สิ่งแวดล้อม
- ข้อผิดพลาด
- โดยเฉพาะอย่างยิ่ง
- จำเป็น
- ตัวอย่าง
- ตัวอย่าง
- ตื่นเต้น
- การทดลอง
- ความชำนาญ
- Eyes
- ใบหน้า
- แฟชั่น
- ลักษณะ
- คุณสมบัติ
- ที่มีคุณสมบัติ
- ฟุต
- หญิง
- ดึงข้อมูลแล้ว
- สองสาม
- เนื้อไม่มีมัน
- เงินทุน
- ชื่อจริง
- พอดี
- ความยืดหยุ่น
- ลอย
- ดังต่อไปนี้
- สำหรับ
- รูป
- ข้างหน้า
- ราคาเริ่มต้นที่
- เต็ม
- ต่อไป
- โดยทั่วไป
- สร้าง
- สร้าง
- การสร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- จอร์เจีย
- ดี
- GPU
- คำแนะนำ
- ให้คำแนะนำ
- คู่มือ
- จัดการ
- มี
- หัว
- สุขภาพ
- การดูแลสุขภาพ
- ช่วย
- ที่มีคุณภาพสูง
- ความละเอียดสูง
- สูงกว่า
- ตี
- โฮลดิ้ง
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- HTTPS
- ระบุ
- อิลลินอยส์
- ภาพ
- ภาพ
- การถ่ายภาพ
- ประทับใจ
- in
- ประกอบด้วย
- รวม
- รวมทั้ง
- ข้อมูล
- อินพุต
- ตัวอย่าง
- แบบบูรณาการ
- อินเตอร์เฟซ
- แนะนำ
- IT
- ITS
- jpg
- JSON
- ภาษา
- ภาษา
- ใหญ่
- นำ
- เรียนรู้
- การเรียนรู้
- ชั้น
- กดไลก์
- ข้อ จำกัด
- ถูก จำกัด
- ขีด จำกัด
- เส้น
- รายการ
- นาน
- อีกต่อไป
- ปิด
- เครื่อง
- เรียนรู้เครื่อง
- เก็บรักษา
- การบำรุงรักษา
- ทำ
- การบริหารจัดการ
- การจัดการ
- หลาย
- หน้ากาก
- มาสก์
- เรื่อง
- อาจ..
- วิธี
- วิธีการ
- อาจ
- นาที
- หายไป
- บรรเทา
- ML
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- มีประสิทธิภาพมากขึ้น
- ยิ่งไปกว่านั้น
- MRI
- หลาย
- โดยธรรมชาติ
- จำเป็นต้อง
- เชิงลบ
- ใหม่
- NLP
- สมุดบันทึก
- นวนิยาย
- พฤศจิกายน
- จำนวน
- วัตถุ
- ได้รับ
- of
- เสนอ
- on
- ONE
- เปิด
- การดำเนินงาน
- ใบสั่ง
- เป็นต้นฉบับ
- อื่นๆ
- โครงร่าง
- เอาท์พุต
- ทั้งหมด
- ของตนเอง
- แพคเกจ
- หน้า
- เอกสาร
- พารามิเตอร์
- สวนสาธารณะ
- ส่วน
- ส่ง
- รูปแบบ
- สมบูรณ์
- ดำเนินการ
- การปฏิบัติ
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- ตำแหน่ง
- บวก
- โพสต์
- โพสต์
- อำนาจ
- การปฏิบัติ
- จำเป็นต้อง
- การคาดการณ์
- Predictor
- เตรียม
- นำเสนอ
- ราคา
- กระบวนการ
- แปรรูปแล้ว
- การประมวลผล
- ก่อ
- ผลิตภัณฑ์
- ให้
- ให้
- ให้
- การให้
- สาธารณะ
- สาธารณสุข
- สิ่งพิมพ์
- การตีพิมพ์
- หลาม
- คุณภาพ
- สุ่ม
- ดิบ
- เรียลไทม์
- ดินแดน
- การได้รับ
- แนะนำ
- ลด
- ลดลง
- หมายถึง
- ภูมิภาค
- ที่เกี่ยวข้อง
- ตรงประเด็น
- ซากศพ
- ซ่อมแซม
- แทนที่
- ขอ
- การร้องขอ
- ต้องการ
- จำเป็นต้องใช้
- ความต้องการ
- ต้อง
- นักวิจัย
- คล้าย
- แหล่งข้อมูล
- คำตอบ
- การฟื้นฟู
- ส่งผลให้
- ผลสอบ
- กลับ
- รับคืน
- RGB
- วิ่ง
- วิ่ง
- sagemaker
- เดียวกัน
- ขนาด
- นักวิทยาศาสตร์
- สคริปต์
- SDK
- ที่สอง
- Section
- ส่วน
- ภาค
- เมล็ดพันธุ์
- การแบ่งส่วน
- เลือก
- การส่ง
- ระดับอาวุโส
- มีความละเอียดอ่อน
- แยก
- การตั้งค่า
- การตั้งค่า
- หลาย
- ซิลิคอน
- หุบเขาซิลิคอน
- เดียว
- ขนาด
- เล็ก
- มีขนาดเล็กกว่า
- So
- ทางออก
- บาง
- ระยะ
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- ที่ระบุไว้
- มั่นคง
- เริ่มต้น
- สถานะ
- ขั้นตอน
- ยังคง
- หยุด
- เชือก
- การต่อสู้
- สตูดิโอ
- หรือ
- อย่างเช่น
- ทนทุกข์ทรมาน
- เพียงพอ
- สนับสนุน
- ฉลาด
- ใช้เวลา
- งาน
- งาน
- ทีม
- เทคโนโลยี
- วิชาการ
- เงื่อนไขการใช้บริการ
- การทดสอบ
- ที่
- พื้นที่
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- ที่สาม
- ตลอด
- เวลา
- ไปยัง
- ในวันนี้
- ร่วมกัน
- ผ่านการฝึกอบรม
- การฝึกอบรม
- ชนิด
- เป็นปกติ
- ui
- มหาวิทยาลัย
- us
- การใช้
- ใช้
- ผู้ใช้งาน
- ส่วนติดต่อผู้ใช้
- ผู้ใช้
- นำไปใช้
- ใช้ประโยชน์
- หุบเขา
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- อเนกประสงค์
- ผ่านทาง
- วีดีโอ
- ทาง..
- ดี
- ที่
- ขาว
- กว้าง
- จะ
- กับ
- ภายใน
- ไม่มี
- งาน
- ทำงานด้วยกัน
- การทำงาน
- โรงงาน
- ผล
- คุณ
- ของคุณ
- ลมทะเล