ในเดือนพฤศจิกายน 2022 เรา ประกาศ ที่ลูกค้า AWS สามารถสร้างรูปภาพจากข้อความได้ การแพร่กระจายที่เสถียร แบบจำลองใน Amazon SageMaker JumpStart. วันนี้เราประกาศคุณสมบัติใหม่ที่ให้คุณขยายขนาดรูปภาพ (ปรับขนาดรูปภาพโดยไม่สูญเสียคุณภาพ) ด้วยโมเดลการกระจายแบบเสถียรใน JumpStart รูปภาพที่มีความละเอียดต่ำ เบลอ และแตกเป็นพิกเซลสามารถแปลงเป็นภาพความละเอียดสูงซึ่งดูนุ่มนวล ชัดเจน และมีรายละเอียดมากขึ้น กระบวนการนี้เรียกว่า ลดอัตราการสุ่มใช้ได้กับทั้งภาพจริงและภาพที่เกิดจาก แบบจำลองการแพร่กระจายแบบข้อความเป็นรูปภาพ. สามารถใช้เพื่อปรับปรุงคุณภาพของภาพในอุตสาหกรรมต่างๆ เช่น อีคอมเมิร์ซและอสังหาริมทรัพย์ ตลอดจนศิลปินและช่างภาพ นอกจากนี้ การลดขนาดยังสามารถปรับปรุงคุณภาพของภาพที่มีความละเอียดต่ำเมื่อแสดงบนหน้าจอความละเอียดสูง
Stable Diffusion ใช้อัลกอริธึม AI เพื่อขยายขนาดรูปภาพ ขจัดความจำเป็นในการทำงานด้วยตนเองที่อาจต้องมีการเติมช่องว่างในรูปภาพด้วยตนเอง ได้รับการฝึกอบรมเกี่ยวกับภาพหลายล้านภาพและสามารถคาดการณ์ภาพที่มีความละเอียดสูงได้อย่างแม่นยำ ทำให้มีรายละเอียดเพิ่มขึ้นอย่างมากเมื่อเทียบกับโปรแกรมขยายขนาดภาพแบบดั้งเดิม นอกจากนี้ Stable Diffusion ไม่เหมือนกับเทคนิคที่ไม่ใช่การเรียนรู้เชิงลึก เช่น เพื่อนบ้านที่ใกล้ที่สุด Stable Diffusion คำนึงถึงบริบทของภาพ โดยใช้ข้อความแจ้งเพื่อเป็นแนวทางในกระบวนการลดขนาด
ในโพสต์นี้ เราแสดงภาพรวมของวิธีการปรับใช้และเรียกใช้การอนุมานด้วยโมเดลอัปสเกลเลอร์ Stable Diffusion ในสองวิธี: ผ่านส่วนต่อประสานผู้ใช้ (UI) ของ JumpStart ใน สตูดิโอ Amazon SageMakerและโดยทางโปรแกรมผ่าน JumpStart API มีอยู่ในไฟล์ SageMaker Python SDK.
ภาพรวมโซลูชัน
รูปภาพต่อไปนี้แสดงตัวอย่างการลดขนาดที่ดำเนินการโดยโมเดล ทางด้านซ้ายคือภาพต้นฉบับที่มีความละเอียดต่ำซึ่งขยายให้ตรงกับขนาดของภาพที่นางแบบสร้างขึ้น ด้านขวาคือภาพที่นางแบบสร้างขึ้น
ภาพแรกที่สร้างขึ้นเป็นผลมาจากภาพแมวที่มีความละเอียดต่ำและข้อความแจ้งว่า "แมวขาว"
ภาพที่สองที่สร้างขึ้นเป็นผลมาจากภาพผีเสื้อความละเอียดต่ำและข้อความแจ้งว่า “ผีเสื้อบนใบไม้สีเขียว”
การเรียกใช้โมเดลขนาดใหญ่ เช่น Stable Diffusion ต้องใช้สคริปต์การอนุมานแบบกำหนดเอง คุณต้องเรียกใช้การทดสอบแบบ end-to-end เพื่อให้แน่ใจว่าสคริปต์ โมเดล และอินสแตนซ์ที่ต้องการทำงานร่วมกันได้อย่างมีประสิทธิภาพ JumpStart ทำให้กระบวนการนี้ง่ายขึ้นด้วยการจัดเตรียมสคริปต์ที่พร้อมใช้งานซึ่งได้รับการทดสอบอย่างเข้มงวด คุณสามารถเข้าถึงสคริปต์เหล่านี้ได้ด้วยคลิกเดียวผ่าน UI ของ Studio หรือใช้โค้ดเพียงไม่กี่บรรทัดผ่านทาง JumpStart API.
ส่วนต่อไปนี้จะแสดงภาพรวมของวิธีการปรับใช้โมเดลและเรียกใช้การอนุมานโดยใช้ Studio UI หรือ JumpStart API
โปรดทราบว่าการใช้โมเดลนี้แสดงว่าคุณยอมรับ ใบอนุญาต CreativeML Open RAIL++-M.
เข้าถึง JumpStart ผ่าน Studio UI
ในส่วนนี้ เราจะสาธิตวิธีฝึกและปรับใช้โมเดล JumpStart ผ่าน Studio UI วิดีโอต่อไปนี้แสดงวิธีค้นหาโมเดลอัปสเกลเลอร์ Stable Diffusion ที่ผ่านการฝึกอบรมล่วงหน้าบน JumpStart และปรับใช้ หน้าโมเดลมีข้อมูลที่มีค่าเกี่ยวกับโมเดลและวิธีใช้งาน สำหรับการอนุมาน เราใช้ประเภทอินสแตนซ์ ml.p3.2xlarge เนื่องจากให้การเร่ง GPU ที่จำเป็นสำหรับเวลาแฝงในการอนุมานต่ำในราคาที่ต่ำ หลังจากที่คุณกำหนดค่าอินสแตนซ์การโฮสต์ SageMaker ให้เลือก ปรับใช้. จะใช้เวลา 5-10 นาทีจนกว่าจุดสิ้นสุดจะเปิดใช้งานและพร้อมที่จะตอบสนองต่อคำขอการอนุมาน
เพื่อเร่งเวลาในการอนุมาน JumpStart จัดทำสมุดบันทึกตัวอย่างที่แสดงวิธีการเรียกใช้การอนุมานบนจุดสิ้นสุดที่สร้างขึ้นใหม่ หากต้องการเข้าถึงสมุดบันทึกใน Studio ให้เลือก เปิดสมุดบันทึก ใน ใช้ปลายทางจากสตูดิโอ ส่วนของหน้าจุดสิ้นสุดของโมเดล
ใช้ JumpStart โดยทางโปรแกรมกับ SageMaker SDK
คุณสามารถใช้ JumpStart UI เพื่อปรับใช้โมเดลที่ได้รับการฝึกอบรมล่วงหน้าแบบโต้ตอบได้ด้วยการคลิกเพียงไม่กี่ครั้ง อย่างไรก็ตาม คุณยังสามารถใช้โมเดล JumpStart แบบเป็นโปรแกรมได้โดยใช้ API ที่รวมเข้ากับ SageMaker Python SDK
ในส่วนนี้ เราเลือกโมเดลที่ได้รับการฝึกอบรมล่วงหน้าที่เหมาะสมใน JumpStart ปรับใช้โมเดลนี้กับตำแหน่งข้อมูล SageMaker และเรียกใช้การอนุมานบนตำแหน่งข้อมูลที่ใช้งาน ทั้งหมดนี้ใช้ SageMaker Python SDK ตัวอย่างต่อไปนี้มีข้อมูลโค้ด สำหรับโค้ดฉบับสมบูรณ์พร้อมขั้นตอนทั้งหมดในการสาธิตนี้ โปรดดูที่ ข้อมูลเบื้องต้นเกี่ยวกับ JumpStart – ปรับปรุงคุณภาพของภาพตามคำแนะนำ ตัวอย่างโน๊ตบุ๊ค
ปรับใช้โมเดลที่ฝึกไว้ล่วงหน้า
SageMaker ใช้คอนเทนเนอร์ Docker สำหรับงานบิลด์และรันไทม์ต่างๆ JumpStart ใช้ คอนเทนเนอร์การเรียนรู้เชิงลึกของ SageMaker (DLCs) ที่เป็นกรอบเฉพาะ ขั้นแรก เราจะดึงแพ็คเกจเพิ่มเติม รวมถึงสคริปต์เพื่อจัดการการฝึกอบรมและการอนุมานสำหรับงานที่เลือก จากนั้นจะมีการดึงข้อมูลแบบจำลองที่ฝึกไว้ล่วงหน้าแยกจากกัน model_uris
ซึ่งให้ความยืดหยุ่นแก่แพลตฟอร์ม สิ่งนี้ทำให้สามารถใช้โมเดลที่ผ่านการฝึกอบรมล่วงหน้าหลายตัวกับสคริปต์การอนุมานเดียว รหัสต่อไปนี้แสดงกระบวนการนี้:
ต่อไป เราจัดเตรียมทรัพยากรเหล่านั้นไว้ใน รุ่น SageMaker อินสแตนซ์และปรับใช้ปลายทาง:
หลังจากปรับใช้แบบจำลองของเราแล้ว เราสามารถรับการคาดการณ์จากแบบจำลองได้แบบเรียลไทม์!
รูปแบบการป้อนข้อมูล
จุดสิ้นสุดจะยอมรับรูปภาพที่มีความละเอียดต่ำเป็นค่า Raw RGB หรือรูปภาพที่เข้ารหัส Base64 ตัวจัดการการอนุมานถอดรหัสภาพตาม content_type
:
- สำหรับ
content_type = “application/json”
เพย์โหลดอินพุตต้องเป็นพจนานุกรม JSON ที่มีค่า Raw RGB ข้อความแจ้ง และพารามิเตอร์ทางเลือกอื่นๆ - สำหรับ
content_type = “application/json;jpeg”
เพย์โหลดอินพุตต้องเป็นพจนานุกรม JSON ที่มีรูปภาพเข้ารหัส base64 พร้อมท์ข้อความ และพารามิเตอร์ทางเลือกอื่นๆ
รูปแบบเอาต์พุต
ตัวอย่างโค้ดต่อไปนี้ทำให้คุณเห็นภาพคร่าวๆ ว่าผลลัพธ์ออกมาเป็นอย่างไร เช่นเดียวกับรูปแบบอินพุต จุดสิ้นสุดสามารถตอบสนองด้วยค่า Raw RGB ของรูปภาพหรือรูปภาพที่เข้ารหัส Base64 สามารถระบุได้โดยการตั้งค่า accept
หนึ่งในสองค่า:
- 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”
และ accept = “application/json;jpeg”
.
รหัสต่อไปนี้เป็นคำขออนุมานตัวอย่าง:
การตอบสนองปลายทางเป็นวัตถุ JSON ที่มีภาพที่สร้างขึ้นและพรอมต์:
พารามิเตอร์ที่รองรับ
โมเดลการลดอัตราการสุ่มสัญญาณแบบกระจายที่เสถียรรองรับพารามิเตอร์มากมายสำหรับการสร้างภาพ:
- ภาพ - ภาพความละเอียดต่ำ
- 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 ยิ่งไปกว่านั้น หากพรอมต์เป็นรายการของสตริง ดังนั้น Negative_prompt จะต้องเป็นรายการของสตริงด้วย - เมล็ดพันธุ์ (ไม่จำเป็น) – สิ่งนี้แก้ไขสถานะสุ่มสำหรับการทำซ้ำ หากระบุจะต้องเป็นจำนวนเต็ม เมื่อใดก็ตามที่คุณใช้พรอมต์เดียวกันกับเมล็ดเดียวกัน ภาพที่ได้จะเหมือนกันเสมอ
- noise_level (ไม่บังคับ) – สิ่งนี้จะเพิ่มสัญญาณรบกวนให้กับเวกเตอร์แฝงก่อนที่จะทำการอัปสเกล หากระบุจะต้องเป็นจำนวนเต็ม
คุณสามารถขยายภาพแบบวนซ้ำได้โดยการเรียกใช้จุดสิ้นสุดซ้ำๆ เพื่อให้ได้ภาพที่มีคุณภาพสูงขึ้น
ขนาดภาพและประเภทอินสแตนซ์
รูปภาพที่สร้างโดยโมเดลอาจมีขนาดใหญ่ถึงสี่เท่าของรูปภาพต้นฉบับที่มีความละเอียดต่ำ นอกจากนี้ ความต้องการหน่วยความจำของโมเดล (หน่วยความจำ GPU) จะเพิ่มขึ้นตามขนาดของภาพที่สร้างขึ้น ดังนั้น หากคุณกำลังอัปสเกลรูปภาพที่มีความละเอียดสูงอยู่แล้ว หรือกำลังอัปสเกลรูปภาพแบบวนซ้ำ ให้เลือกประเภทอินสแตนซ์ที่มีหน่วยความจำ GPU ขนาดใหญ่ ตัวอย่างเช่น ml.g5.2xlarge มีหน่วยความจำ GPU มากกว่าประเภทอินสแตนซ์ ml.p3.2xlarge ที่เราใช้ก่อนหน้านี้ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับอินสแตนซ์ประเภทต่างๆ โปรดดูที่ ประเภทอินสแตนซ์ Amazon EC2.
การอัพสเกลภาพทีละส่วน
หากต้องการลดความต้องการหน่วยความจำเมื่อขยายขนาดรูปภาพขนาดใหญ่ คุณสามารถแบ่งรูปภาพออกเป็นส่วนเล็กๆ ได้ ซึ่งเรียกว่า กระเบื้องและเพิ่มสเกลแต่ละไทล์ทีละรายการ หลังจากไทล์ได้รับการลดขนาดแล้ว พวกมันสามารถผสมเข้าด้วยกันเพื่อสร้างภาพสุดท้าย วิธีนี้จำเป็นต้องปรับพรอมต์สำหรับแต่ละไทล์ เพื่อให้โมเดลสามารถเข้าใจเนื้อหาของไทล์และหลีกเลี่ยงการสร้างภาพแปลกๆ ส่วนสไตล์ของพรอมต์ควรคงไว้ซึ่งไทล์ทั้งหมดเพื่อให้การผสมง่ายขึ้น เมื่อใช้การตั้งค่า denoising ที่สูงขึ้น สิ่งสำคัญคือต้องเจาะจงมากขึ้นในพรอมต์ เนื่องจากตัวแบบมีอิสระมากขึ้นในการปรับภาพ สิ่งนี้อาจเป็นเรื่องที่ท้าทายเมื่อไทล์มีเฉพาะพื้นหลังหรือไม่เกี่ยวข้องโดยตรงกับเนื้อหาหลักของรูปภาพ
ข้อจำกัดและความลำเอียง
แม้ว่า Stable Diffusion จะมีประสิทธิภาพที่น่าประทับใจในการลดขนาด แต่ก็มีข้อ จำกัด และอคติหลายประการ ซึ่งรวมถึงแต่ไม่จำกัดเพียง:
- โมเดลอาจสร้างใบหน้าหรือแขนขาได้ไม่แม่นยำ เนื่องจากข้อมูลการฝึกมีรูปภาพที่มีคุณสมบัติเหล่านี้ไม่เพียงพอ
- แบบจำลองได้รับการฝึกอบรมเกี่ยวกับ ชุดข้อมูล LAION-5Bซึ่งมีเนื้อหาสำหรับผู้ใหญ่และอาจไม่เหมาะสำหรับการใช้ผลิตภัณฑ์โดยไม่ต้องพิจารณาเพิ่มเติม
- โมเดลอาจทำงานได้ไม่ดีกับภาษาที่ไม่ใช่ภาษาอังกฤษ เนื่องจากโมเดลได้รับการฝึกอบรมเกี่ยวกับข้อความภาษาอังกฤษ
- โมเดลไม่สามารถสร้างข้อความที่ดีภายในรูปภาพได้
สำหรับข้อมูลเพิ่มเติมเกี่ยวกับข้อจำกัดและอคติ โปรดดูที่ การ์ดโมเดลอัปสเกลเลอร์การแพร่กระจายที่เสถียร.
ทำความสะอาด
หลังจากที่คุณเรียกใช้สมุดบันทึกเสร็จแล้ว ตรวจสอบให้แน่ใจว่าได้ลบทรัพยากรทั้งหมดที่สร้างขึ้นในกระบวนการเพื่อให้แน่ใจว่าการเรียกเก็บเงินจะหยุดลง รหัสสำหรับล้างข้อมูลปลายทางมีอยู่ในส่วนที่เกี่ยวข้อง สมุดบันทึก.
สรุป
ในโพสต์นี้ เราได้แสดงวิธีการปรับใช้โมเดลอัพสเกลเลอร์ Stable Diffusion ที่ผ่านการฝึกอบรมล่วงหน้าโดยใช้ JumpStart เราได้แสดงตัวอย่างโค้ดในโพสต์นี้—โค้ดฉบับสมบูรณ์พร้อมขั้นตอนทั้งหมดในการสาธิตนี้มีอยู่ใน ข้อมูลเบื้องต้นเกี่ยวกับ JumpStart – ปรับปรุงคุณภาพของภาพตามคำแนะนำ ตัวอย่างโน๊ตบุ๊ค. ลองใช้วิธีแก้ปัญหาด้วยตัวคุณเองและส่งความคิดเห็นของคุณถึงเรา
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับโมเดลและวิธีการทำงาน โปรดดูแหล่งข้อมูลต่อไปนี้:
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ JumpStart โปรดดูบล็อกโพสต์ต่อไปนี้:
เกี่ยวกับผู้เขียน
ดร.วิเวก มะดัน เป็นนักวิทยาศาสตร์ประยุกต์กับทีม Amazon SageMaker JumpStart เขาสำเร็จการศึกษาระดับปริญญาเอกจากมหาวิทยาลัยอิลลินอยส์ Urbana-Champaign และเป็นนักวิจัยหลังปริญญาเอกที่ Georgia Tech เขาเป็นนักวิจัยเชิงรุกด้านการเรียนรู้ของเครื่องและการออกแบบอัลกอริธึม และได้ตีพิมพ์เอกสารในการประชุม EMNLP, ICLR, COLT, FOCS และ SODA
ไฮโกะ ฮ็อตซ์ เป็นสถาปนิกโซลูชันอาวุโสสำหรับ AI และการเรียนรู้ของเครื่องโดยเน้นเป็นพิเศษในการประมวลผลภาษาธรรมชาติ (NLP), โมเดลภาษาขนาดใหญ่ (LLM) และ AI เจเนอเรชัน ก่อนหน้านี้เขาเคยเป็นหัวหน้าฝ่ายวิทยาศาสตร์ข้อมูลสำหรับฝ่ายบริการลูกค้าในสหภาพยุโรปของ Amazon Heiko ช่วยให้ลูกค้าของเราประสบความสำเร็จในการเดินทางด้วย AI/ML บน AWS และได้ทำงานร่วมกับองค์กรในหลายๆ อุตสาหกรรม ซึ่งรวมถึงการประกันภัย บริการทางการเงิน สื่อและความบันเทิง การดูแลสุขภาพ สาธารณูปโภค และการผลิต ในเวลาว่าง Heiko จะเดินทางให้มากที่สุด
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/upscale-images-with-stable-diffusion-in-amazon-sagemaker-jumpstart/
- 100
- 2022
- 7
- a
- เกี่ยวกับเรา
- เร่งความเร็ว
- ยอมรับ
- ยอมรับ
- เข้า
- ลงชื่อเข้าใช้
- ถูกต้อง
- แม่นยำ
- ประสบความสำเร็จ
- คล่องแคล่ว
- ปรับ
- เพิ่มเติม
- นอกจากนี้
- เพิ่ม
- ผู้ใหญ่
- หลังจาก
- กับ
- AI
- AI และการเรียนรู้ของเครื่อง
- AI / ML
- ขั้นตอนวิธี
- ทั้งหมด
- ช่วยให้
- แล้ว
- เสมอ
- อเมซอน
- อเมซอน SageMaker
- Amazon SageMaker JumpStart
- และ
- ประกาศ
- API
- APIs
- ประยุกต์
- เหมาะสม
- ศิลปิน
- ที่เกี่ยวข้อง
- อัตโนมัติ
- ใช้ได้
- AWS
- พื้นหลัง
- ตาม
- เพราะ
- ก่อน
- กำลัง
- อคติ
- การเรียกเก็บเงิน
- การผสม
- บล็อก
- บล็อกโพสต์
- ทำลาย
- สร้าง
- ที่เรียกว่า
- สามารถรับ
- แมว
- ท้าทาย
- ตรวจสอบ
- Choose
- ชั้น
- ชัดเจนขึ้น
- อย่างใกล้ชิด
- รหัส
- ความคิดเห็น
- เมื่อเทียบกับ
- การประชุม
- คงเส้นคงวา
- ภาชนะ
- ภาชนะบรรจุ
- มี
- เนื้อหา
- สิ่งแวดล้อม
- แปลง
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- ประเพณี
- ลูกค้า
- บริการลูกค้า
- ลูกค้า
- ข้อมูล
- วิทยาศาสตร์ข้อมูล
- ลดลง
- ลึก
- การเรียนรู้ลึก ๆ
- ค่าเริ่มต้น
- สาธิต
- ปรับใช้
- นำไปใช้
- ออกแบบ
- รายละเอียด
- รายละเอียด
- ต่าง
- การจัดจำหน่าย
- โดยตรง
- พิการ
- นักเทียบท่า
- ไม่
- ในระหว่าง
- แต่ละ
- ก่อน
- ง่ายดาย
- อีคอมเมิร์ซ
- อย่างมีประสิทธิภาพ
- ทั้ง
- การกำจัด
- จบสิ้น
- ปลายทาง
- ภาษาอังกฤษ
- ทำให้มั่นใจ
- ความบันเทิง
- การเข้า
- ที่ดิน
- EU
- ตัวอย่าง
- ตัวอย่าง
- ใบหน้า
- ลักษณะ
- ดึงข้อมูลแล้ว
- สองสาม
- เนื้อไม่มีมัน
- สุดท้าย
- ทางการเงิน
- บริการทางการเงิน
- หา
- ชื่อจริง
- พอดี
- ความยืดหยุ่น
- ลอย
- โฟกัส
- ดังต่อไปนี้
- รูป
- เสรีภาพ
- ราคาเริ่มต้นที่
- เต็ม
- ต่อไป
- นอกจากนี้
- สร้าง
- สร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- จอร์เจีย
- ได้รับ
- ให้
- เหลือบ
- ดี
- GPU
- สีเขียว
- เติบโต
- ให้คำแนะนำ
- คู่มือ
- จัดการ
- หัว
- การดูแลสุขภาพ
- ความสูง
- จะช่วยให้
- ความละเอียดสูง
- สูงกว่า
- ตี
- โฮสติ้ง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- HTTPS
- อิลลินอยส์
- ภาพ
- ภาพ
- สำคัญ
- ประทับใจ
- ปรับปรุง
- in
- ประกอบด้วย
- รวมทั้ง
- เพิ่ม
- เป็นรายบุคคล
- อุตสาหกรรม
- ข้อมูล
- อินพุต
- ตัวอย่าง
- ประกัน
- แบบบูรณาการ
- อินเตอร์เฟซ
- IT
- การเดินทาง
- JSON
- ที่รู้จักกัน
- ภาษา
- ภาษา
- ใหญ่
- ความแอบแฝง
- นำ
- เรียนรู้
- การเรียนรู้
- ช่วยให้
- ข้อ จำกัด
- ถูก จำกัด
- ขีด จำกัด
- เส้น
- รายการ
- อีกต่อไป
- ดู
- ดูเหมือน
- แพ้
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- หลัก
- ทำ
- คู่มือ
- งานด้วยตนเอง
- ด้วยมือ
- การผลิต
- หลาย
- การจับคู่
- ภาพบรรยากาศ
- หน่วยความจำ
- วิธี
- ล้าน
- นาที
- ML
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- หลาย
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- จำเป็นต้อง
- ใหม่
- NLP
- สัญญาณรบกวน
- สมุดบันทึก
- พฤศจิกายน
- จำนวน
- วัตถุ
- ONE
- เปิด
- ใบสั่ง
- องค์กร
- เป็นต้นฉบับ
- อื่นๆ
- ภาพรวม
- ของตนเอง
- แพคเกจ
- เอกสาร
- พารามิเตอร์
- ส่วนหนึ่ง
- การปฏิบัติ
- ภาพ
- ชิ้น
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- บวก
- เป็นไปได้
- โพสต์
- โพสต์
- อำนาจ
- คาดการณ์
- การคาดการณ์
- Predictor
- นำเสนอ
- ราคา
- ก่อน
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- ให้
- ให้
- การให้
- การตีพิมพ์
- หลาม
- คุณภาพ
- สุ่ม
- ดิบ
- พร้อม
- จริง
- อสังหาริมทรัพย์
- การได้รับ
- แนะนำ
- ที่เกี่ยวข้อง
- ยังคง
- ซ้ำแล้วซ้ำเล่า
- ขอ
- การร้องขอ
- ต้องการ
- ความต้องการ
- ความต้องการ
- ต้อง
- นักวิจัย
- ความละเอียด
- แหล่งข้อมูล
- ตอบสนอง
- คำตอบ
- ผล
- ส่งผลให้
- ผลสอบ
- กลับ
- รับคืน
- RGB
- บทบาท
- วิ่ง
- วิ่ง
- sagemaker
- เดียวกัน
- ขนาด
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- หน้าจอ
- สคริปต์
- SDK
- ที่สอง
- Section
- ส่วน
- เมล็ดพันธุ์
- เลือก
- การส่ง
- ระดับอาวุโส
- บริการ
- บริการ
- การตั้งค่า
- การตั้งค่า
- หลาย
- น่า
- โชว์
- แสดงให้เห็นว่า
- สำคัญ
- เหมือนกับ
- เดียว
- ขนาด
- มีขนาดเล็กกว่า
- เรียบเนียน
- So
- ทางออก
- โซลูชัน
- พิเศษ
- โดยเฉพาะ
- ที่ระบุไว้
- มั่นคง
- สถานะ
- ขั้นตอน
- หยุด
- สตูดิโอ
- สไตล์
- ที่ประสบความสำเร็จ
- อย่างเช่น
- ทนทุกข์ทรมาน
- เพียงพอ
- สนับสนุน
- เอา
- ใช้เวลา
- งาน
- งาน
- ทีม
- เทคโนโลยี
- เทคนิค
- การทดสอบ
- พื้นที่
- ของพวกเขา
- ดังนั้น
- ตลอด
- เวลา
- ครั้ง
- ไปยัง
- ในวันนี้
- ร่วมกัน
- แบบดั้งเดิม
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- เดินทาง
- ชนิด
- ui
- เข้าใจ
- มหาวิทยาลัย
- us
- ใช้
- ผู้ใช้งาน
- ส่วนติดต่อผู้ใช้
- ยูทิลิตี้
- ใช้ประโยชน์
- มีคุณค่า
- ความคุ้มค่า
- ต่างๆ
- ผ่านทาง
- วีดีโอ
- วิธี
- อะไร
- ที่
- ขาว
- จะ
- ภายใน
- ไม่มี
- งาน
- ทำงานด้วยกัน
- ทำงาน
- โรงงาน
- คุณ
- ของคุณ
- ลมทะเล