Yakın zamanda yeni bir yetenek tanıttık. Amazon SageMaker Python SDK'sı veri bilimcilerinin tercih ettikleri tümleşik geliştirici ortamında (IDE) ve not defterlerinde yazılan makine öğrenimi (ML) kodlarını ve ilişkili çalışma zamanı bağımlılıklarını şu şekilde çalıştırmalarına olanak tanır: Amazon Adaçayı Yapıcı yerel olarak yapılan deneylerde minimum kod değişikliği ile eğitim işleri. Veri bilimcileri, herhangi bir makine öğrenimi sorunu üzerinde çalışırken genellikle veri işleme ve eğitim modellerinde birkaç yineleme deneyi gerçekleştirir. Bu makine öğrenimi kodunu çalıştırmak ve denemeyi kullanım kolaylığı ve minimum kod değişikliği ile gerçekleştirmek istiyorlar. Amazon SageMaker Modeli Eğitimi veri bilimcilerin AWS'nin bilgi işlem altyapısı üzerinde tam olarak yönetilen büyük ölçekli eğitim işleri yürütmesine yardımcı olur. SageMaker Eğitimi, veri bilimcilerine aşağıdakiler gibi gelişmiş araçlarla da yardımcı olur: Amazon SageMaker Hata Ayıklayıcısı ve büyük ölçekli eğitim işlerinde hata ayıklamak ve analiz etmek için Profiler.
Küçük bütçeleri, küçük ekipleri ve kısıtlı zaman çizelgeleri olan müşteriler için, SageMaker'da çalışacak şekilde yeniden yazılan her bir yeni kavram ve kod satırı, onları temel görevlerinde, yani veri işleme ve eğitim makine öğrenimi modellerinde daha az üretken hale getirir. Seçtikleri çerçevede bir kez kod yazmak ve SageMaker yeteneklerini kullanarak not defterlerinde veya diz üstü bilgisayarlarında kod çalıştırmaktan ölçekte kod çalıştırmaya sorunsuz bir şekilde geçebilmek istiyorlar.
SageMaker Python SDK'nın bu yeni özelliği ile veri bilimcileri, makine öğrenimi kodlarını birkaç dakika içinde SageMaker Training platformuna dahil edebilirler. Makine öğrenimi kodunuza tek bir kod satırı eklemeniz yeterlidir ve SageMaker, kodunuzu veri kümeleri ve çalışma alanı ortamı kurulumuyla birlikte akıllı bir şekilde kavrar ve bunu bir SageMaker Eğitim işi olarak çalıştırır. Ardından SageMaker Training platformunun işleri kolayca ölçeklendirme yeteneği gibi temel özelliklerinden ve Hata Ayıklayıcı ve Profiler gibi diğer ilişkili araçlardan yararlanabilirsiniz. Bu sürümde, yerel makine öğrenimi (ML) Python kodunuzu tek düğümlü bir Amazon SageMaker eğitim işi veya birden çok paralel iş olarak çalıştırabilirsiniz. Dağıtılmış eğitim işleri (birden çok düğümde), uzak işlevler tarafından desteklenmez.
Bu gönderide, yerel makine öğrenimi kodunu bir SageMaker Eğitim işi olarak çalıştırmak için bu yeni özelliği nasıl kullanacağınızı gösteriyoruz.
Çözüme genel bakış
Artık, kullanıcının kod tabanına giriş noktası görevi gören işlevi basit bir dekoratörle açıklayarak, IDE'nizde veya not defterinizde yazılan ML kodunuzu bir SageMaker Training işi olarak çalıştırabilirsiniz. Çağırma üzerine, bu yetenek makine öğrenimi kodunuzdan tüm ilgili değişkenlerin, işlevlerin, paketlerin, ortam değişkenlerinin ve diğer çalışma zamanı gereksinimlerinin anlık görüntüsünü otomatik olarak alır, bunları seri hale getirir ve bir SageMaker Training işi olarak gönderir. Son zamanlarda duyurulan ile bütünleşir Parametreler için varsayılan değerleri ayarlamak için SageMaker Python SDK özelliği. Bu yetenek, SageMaker Eğitimini kullanarak kod çalıştırabilmeniz için öğrenmeniz gereken SageMaker yapılarını basitleştirir. Veri bilimcileri kodlarını tercih edilen herhangi bir IDE'de yazabilir, hata ayıklayabilir ve yineleyebilir (örn. Amazon SageMaker Stüdyosu, not defterleri, VS Code veya PyCharm). Hazır olduğunuzda, Python işlevinize açıklama ekleyebilirsiniz. @remote
dekoratör ve ölçekli bir SageMaker işi olarak çalıştırın.
Bu yetenek, tanıdık açık kaynaklı Python nesnelerini bağımsız değişkenler ve çıktılar olarak alır. Ayrıca, kapsayıcı yaşam döngüsü yönetimini anlamanız gerekmez ve iş yüklerinizi farklı bilgi işlem bağlamlarında (yerel bir IDE, Studio veya eğitim işleri gibi) minimum yapılandırma ek yüküyle kolayca çalıştırabilirsiniz. Herhangi bir yerel kodu bir SageMaker Eğitim işi olarak çalıştırmak için bu yetenek, işleri çalıştırmak için gereken yapılandırmaları belirler; AWS Kimlik ve Erişim Yönetimi Studio veya IDE ayarlarından (IAM) rolü, şifreleme anahtarı ve ağ yapılandırması (bunlar Varsayılan ayarları) ve bunları varsayılan olarak platforma iletir. Çıkarılan yapılandırmayı kullanarak SageMaker tarafından yönetilen altyapıda çalışma zamanınızı özelleştirme veya dekoratöre bağımsız değişkenler olarak ileterek SDK seviyesinde bunları geçersiz kılma esnekliğine sahipsiniz.
SageMaker Python SDK'nın bu yeni yeteneği, mevcut bir çalışma alanı ortamındaki makine öğrenimi kodunuzu ve ilişkili tüm veri işleme kodlarını ve veri kümelerini bir SageMaker Training işine dönüştürür. Bu yetenek, içine sarılmış ML kodunu arar. @remote
dekoratör ve otomatik olarak Studio'da veya PyCharm gibi yerel bir IDE'de çalışan bir işe çevirir.
Aşağıdaki bölümlerde, bu yeni yeteneğin özelliklerini ve SageMaker Eğitim işleri olarak python işlevlerinin nasıl başlatılacağını inceleyeceğiz.
Önkoşullar
Bu yeni SageMaker Python SDK özelliğini kullanmak ve bu gönderiyle ilişkili kodu çalıştırmak için aşağıdaki ön koşullara ihtiyacınız var:
- Tüm AWS kaynaklarınızı içerecek bir AWS hesabı
- SageMaker'a erişmek için bir IAM rolü
- Studio'ya veya bir SageMaker not defteri örneğine veya PyCharm gibi bir IDE'ye erişim
Studio ve SageMaker not defterlerindeki SDK'yı kullanın
Bu özelliği Studio'dan bir not defteri başlatarak ve kodunuzu bir @remote
not defterinin içindeki dekoratör. Öncelikle aşağıdaki kodu kullanarak uzak işlevi içe aktarmanız gerekir:
from sagemaker.remote_function import remote
Dekoratör işlevini kullandığınızda, bu yetenek kodunuzun işlevini otomatik olarak yorumlayacak ve bunu bir SageMaker Eğitim işi olarak çalıştıracaktır.
Bu yeteneği bir SageMaker not defteri örneğinden de kullanabilirsiniz. Önce bir not defteri örneği başlatmanız, üzerinde Jupyter veya Jupyter Lab'ı açmanız ve bir not defteri çalıştırmanız gerekir. Ardından, önceki kodda gösterildiği gibi uzak işlevi içe aktarın ve kodunuzu @remote
dekoratör. Dekoratör işlevinin ve ilgili ayarların nasıl kullanılacağına ilişkin bir örneği bu gönderide daha sonra ekleyeceğiz.
SDK'yı yerel ortamınızdan kullanın
Bu özelliği yerel IDE'nizden de kullanabilirsiniz. Önkoşul olarak, sahip olmanız gerekir. AWS Komut Satırı Arayüzü (AWS CLI), SageMaker Python SDK'sı ve Python için AWS SDK (Boto3) yerel ortamınızda yüklü. Bu kitaplıkları kodunuza aktarmanız, SageMaker oturumunu ayarlamanız, ayarları belirtmeniz ve işlevinizi @remote
dekoratör. Aşağıdaki örnek kodda, SageMaker Eğitim işi olarak basit bir bölme işlevi çalıştırıyoruz:
import boto3
import sagemaker
from sagemaker.remote_function import remote sm_session = sagemaker.Session(boto_session=boto3.session.Session(region_name="us-west-2"))
settings = dict(
sagemaker_session=sm_session,
role=<IAM_ROLE_NAME>
instance_type="ml.m5.xlarge",
)
@remote(**settings)
def divide(x, y):
return x / y
if __name__ == "__main__":
print(divide(2, 3.0))
Bir sonraki bölümde gösterildiği gibi, gelişmiş işlevleri eğitim işleri olarak çalıştırmak için benzer bir metodoloji kullanabiliriz.
Python işlevlerini SageMaker işleri olarak başlatın
Yeni SageMaker Python SDK özelliği, Python işlevlerini şu şekilde çalıştırmanıza olanak tanır: SageMaker Eğitim işleri. Veri bilimciler tarafından tercih ettikleri yerel IDE'ler (PyCharm, VS Code), SageMaker not defterleri veya Studio not defterleri kullanılarak geliştirilen herhangi bir Python kodu, makine öğrenimi eğitim kodu, yönetilen bir SageMaker işi olarak başlatılabilir.
Bu yeteneği kullanan makine öğrenimi iş yüklerinde, ilişkili veri kümeleri, bağımlılıklar ve çalışma alanı ortam kurulumları, makine öğrenimi kodu kullanılarak seri hale getirilir ve eşzamanlı ve eşzamansız olarak bir SageMaker işi olarak çalıştırılır.
Ekleyebilirsiniz @remote
yönetilen bir SageMaker Training işi olarak başlatmak için yerel bir ML işleme veya eğitim işlevi dahil olmak üzere herhangi bir Python koduna dekoratör ek açıklaması, böylece SageMaker'ın ölçek, performans ve maliyet avantajlarından yararlanın. Bu, Python fonksiyon koduna bir dekoratör ekleyerek minimum kod değişikliği ile elde edilebilir. Süslenmiş işleve çağrı eşzamanlı olarak yürütülür ve işlev çalıştırma, SageMaker işi tamamlanana kadar bekler.
Aşağıdaki örnekte, @remote
dekoratör, bir ml.m5.large örneği kullanarak dekoratör modunda SageMaker işlerini başlatmak için. SageMaker, bu işlevi yönetilen bir iş olarak başlatmak için eğitim işlerini kullanır.
from sagemaker.remote_function import remote
from numpy as np @remote(instance_type="ml.m5.large")
def matrix_multiply(a, b): return np.matmul(a, b) a = np.array([[1, 0], [0, 1]])
b = np.array([1, 2]) assert matrix_multiply(a, b) == np.array([1,2])
SageMaker işlerini, Python paketlerini ve bağımlılıkları başlatmak için dekoratör modunu da kullanabilirsiniz. SageMaker eğitim işlerini başlatmak için VPC, alt ağlar ve güvenlik grupları gibi ortam değişkenlerini dahil edebilirsiniz. environment.yml
dosya. Bu, makine öğrenimi mühendislerinin ve yöneticilerinin bu ortam değişkenlerini yapılandırmasına olanak tanır, böylece veri bilimcileri makine öğrenimi modeli oluşturmaya odaklanabilir ve daha hızlı yinelenebilir. Aşağıdaki koda bakın:
from sagemaker.remote_function import remote @remote(instance_type="ml.g4dn.xlarge",dependencies = "./environment.yml")
def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
... <TRUCNATED>
return os.path.join(s3_output_path, model_dir), eval_result
Sen kullanabilirsiniz RemoteExecutor
Python işlevlerini eşzamansız olarak SageMaker işleri olarak başlatmak için. Yürütücü, işin durumunu güncellemek için SageMaker Training işlerini eşzamansız olarak yoklar. bu RemoteExecutor
sınıfın bir uygulamasıdır concurrent.futures.Yürütücü, SageMaker Training işlerini eşzamansız olarak göndermek için kullanılır. Aşağıdaki koda bakın:
from sagemaker.remote_function import RemoteExecutor def train_hf_model(
train_input_path,test_input_path,s3_output_path = None,
*,epochs = 1, train_batch_size = 32, eval_batch_size = 64,
warmup_steps = 500,learning_rate = 5e-5
):
model_name = "distilbert-base-uncased"
model = AutoModelForSequenceClassification.from_pretrained(model_name)
...<TRUNCATED>
return os.path.join(s3_output_path, model_dir), eval_result with RemoteExecutor(instance_type="ml.g4dn.xlarge", dependencies = './requirements.txt') as e:
future = e.submit(train_hf_model, train_input_path,test_input_path,s3_output_path,
epochs, train_batch_size, eval_batch_size,warmup_steps,learning_rate)
Çalışma zamanı ortamını özelleştirin
Dekoratör modu ve RemoteExecutor
SageMaker işi için çalışma zamanı ortamlarını tanımlamanıza ve özelleştirmenize izin verir. SageMaker işleri için Python paketleri ve ortam değişkenleri dahil çalışma zamanı bağımlılıkları, çalışma zamanını özelleştirmek için belirtilebilir. Yerel Python kodunu SageMaker tarafından yönetilen işler olarak çalıştırmak için Python paketi ve bağımlılıklarının SageMaker'a sunulması gerekir. Makine öğrenimi mühendisleri veya veri bilimi yöneticileri, SageMaker işleri için VPC, alt ağlar ve güvenlik grupları gibi ağ ve güvenlik yapılandırmalarını yapılandırabilir; böylece veri bilimcileri, SageMaker işlerini başlatırken bu merkezi olarak yönetilen yapılandırmaları kullanabilir. birini kullanabilirsiniz requirements.txt
dosya veya bir Conda environment.yaml
dosyası.
Bağımlılıklar ile tanımlandığında requirements.txt
, paketler iş çalışma zamanında pip kullanılarak kurulacaktır. İşi çalıştırmak için kullanılan imaj Conda ortamlarıyla birlikte gelirse, işler için kullanılacağı beyan edilen Conda ortamına paketler kurulacaktır. Aşağıdaki kod bir örnek gösterir requirements.txt
Dosya:
datasets
transformers
torch
scikit-learn
s3fs==0.4.2
sagemaker>=2.148.0
seninkini geçebilirsin Conda environment.yaml
Eğitim işi sırasında kodunuzun çalışmasını istediğiniz Conda ortamını oluşturmak için dosya. İşi çalıştırmak için kullanılan görüntü, kodu çalıştırmak için bir Conda ortamı bildiriyorsa, bildirilen Conda ortamını verilen spesifikasyonla güncelleyeceğiz. Aşağıdaki kod bir örnektir Conda environment.yaml
Dosya:
name: sagemaker_example
channels: - conda-forge
dependencies: - python=3.10 - pandas - pip: - sagemaker
Alternatif olarak, ayarlayabilirsiniz dependencies=”auto_capture”
SageMaker Python SDK'nın etkin Conda ortamında kurulu bağımlılıkları yakalamasına izin vermek için. Şunlar için etkin bir Conda ortamınız olmalıdır: auto_capture
çalışmak. için önkoşullar olduğunu unutmayın. auto_capture
çalışmak; olarak bağımlılıklarınızı iletmenizi öneririz. requirement.txt
or Conda environment.yml
önceki bölümde açıklandığı gibi dosya.
Daha fazla ayrıntı için bkz. Yerel kodunuzu bir SageMaker Training işi olarak çalıştırın.
SageMaker işleri için yapılandırmalar
Altyapıyla ilgili ayarlar, yönetici kullanıcıların kurulmasına yardımcı olabileceği bir yapılandırma dosyasına yüklenebilir. Yalnızca bir kez ayarlamanız gerekir. Altyapı ayarları; ağ yapılandırmasını, IAM rollerini, Amazon Basit Depolama Hizmeti Giriş, çıkış verileri ve etiketler için (Amazon S3) klasörü. bakın SageMaker Python SDK ile varsayılanları yapılandırma ve kullanma daha fazla ayrıntı için.
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
Dependencies: path/to/requirements.txt
EnvironmentVariables: {"EnvVarKey": "EnvVarValue"}
ImageUri: 366666666666.dkr.ecr.us-west-2.amazonaws.com/my-image:latest
InstanceType: ml.m5.large
RoleArn: arn:aws:iam::366666666666:role/MyRole
S3KmsKeyId: somekmskeyid
S3RootUri: s3://my-bucket/my-project
SecurityGroupIds:
- sg123
Subnets:
- subnet-1234
Tags:
- {"Key": "someTagKey", "Value": "someTagValue"}
VolumeKmsKeyId: somekmskeyid
Uygulama
PyTorch veya TensorFlow gibi derin öğrenme modelleri, kodu not defteri içinde bir eğitim işi olarak çalıştırarak Studio içinde de çalıştırılabilir. Bu yeteneği Studio'da sergilemek için, bu depoyu Studio'nuza klonlayabilir ve içinde bulunan not defterini çalıştırabilirsiniz. GitHub deposu.
Bu örnek, uçtan uca bir ikili metin sınıflandırması kullanım durumunu göstermektedir. İkili metin sınıflandırmasında önceden eğitilmiş bir dönüştürücüye ince ayar yapmak için Hugging Face dönüştürücüleri ve veri kümeleri kitaplığını kullanıyoruz. Özellikle, önceden eğitilmiş model, IMDb veri kümesi.
Depoyu klonladığınızda, aşağıdaki dosyaları bulmanız gerekir:
- yapılandırma.yaml – Dekoratör bağımsız değişkenlerinin çoğu, altyapıyla ilgili ayarları kod tabanından ayırmak için yapılandırma dosyasına yüklenebilir.
- sarılma yüzü.ipynb – Bu, IMDB veri kümesi kullanılarak ince ayarı yapılacak olan önceden eğitilmiş bir HuggingFace modelini eğitmek için gereken kodu içerir.
- gereksinimler.txt – Bu dosya, kodu çalıştırmak ve eğitimi bir eğitim işi olarak bir GPU örneğinde uzaktan çalıştırmak için bu not defterinde kullanılacak işlevi çalıştırmak için tüm bağımlılıkları içerir.
Not defterini açtığınızda, not defteri ortamını kurmanız istenecektir. Not defteri kodunu çalıştırmak için hızlı başlatma bulut sunucusu türü olarak Python 3.0 çekirdeği ve ml.m3.large ile Data Science 5 görüntüsünü seçebilirsiniz. Bu örnek türü, bir ortamı döndürmede önemli ölçüde daha hızlıdır.
Eğitim işi, içinde tanımlandığı gibi bir ml.g4dn.xlarge örneğinde çalıştırılacaktır. config.yaml
Dosya:
SchemaVersion: '1.0'
SageMaker:
PythonSDK:
Modules:
RemoteFunction:
# role arn is not required if in SageMaker Notebook instance or SageMaker Studio
# Uncomment the following line and replace with the right execution role if in a local IDE
# RoleArn: <IAM_ROLE_ARN>
InstanceType: ml.g4dn.xlarge
Dependencies: ./requirements.txt
The requirements.txt
Hugging Face modelini eğitme işlevini çalıştırmak için dosya bağımlılıkları aşağıdakileri içerir:
datasets
transformers
torch
scikit-learn
# lock s3fs to this specific version as more recent ones introduce dependency on aiobotocore, which is not compatible with botocore
s3fs==0.4.2
sagemaker>=2.148.0,<3
Hugging Face not defteri, eğitimin uzaktan nasıl yürütüleceğini gösterir. @remote
eşzamanlı olarak çalışan işlev. Bu nedenle, modeli eğitmek için çalıştırılan işlev, SageMaker Eğitimi işi tamamlanana kadar bekleyecektir. Eğitim, örnek tipinin önceki yapılandırma dosyasında tanımlandığı bir GPU örneğiyle uzaktan çalıştırılacaktır.
Eğitim işini çalıştırdıktan sonra, not defterindeki geri kalan hücreleri çalıştırarak değerlendirme ölçümlerini inceleyebilir ve metni eğitilmiş modelimize göre sınıflandırabilirsiniz.
SageMaker konsoluna geri dönerek SageMaker panosundaki GPU örneğinde uzaktan tetiklenen eğitim işi durumunu da görüntüleyebilirsiniz.
Eğitim işi biter bitmez not defterindeki yönergeleri değerlendirme ve sınıflandırma için çalıştırmaya devam eder. Benzer işler, çalıştırmaları eşzamansız olarak gerçekleştirmek için Studio not defterlerine gömülü uzak yürütücü işlevi aracılığıyla eğitilebilir ve çalıştırılabilir.
Bir @remote işlevi içinde SageMaker deneyleriyle entegrasyon
Bir SageMaker deneme çalışması oluşturmak için deney adınızı, çalışma adınızı ve diğer parametreleri uzak işlevinize iletebilirsiniz. Aşağıdaki kod örneği, deneme adını, çalıştırmanın adını ve her çalıştırma için günlüğe kaydedilecek parametreleri içe aktarır:
from sagemaker.remote_function import remote
from sagemaker.experiments.run import Run
# Define your remote function
@remote
def train(value_1, value_2, exp_name, run_name):
...
...
#Creates the experiment
with Run( experiment_name=exp_name, run_name=run_name, sagemaker_session=sagemaker_session
) as run:
...
...
#Define values for the parameters to log
run.log_parameter("param_1", value_1)
run.log_parameter("param_2", value_2)
...
...
#Define metrics to log
run.log_metric("metric_a", 0.5)
run.log_metric("metric_b", 0.1) # Invoke your remote function
train(1.0, 2.0, "my-exp-name", "my-run-name")
Önceki örnekte, parametreler p1
ve p2
zaman içinde bir eğitim döngüsü içinde günlüğe kaydedilir. Ortak parametreler parti boyutunu veya çağları içerebilir. Örnekte, metrikler A
ve B
bir eğitim döngüsü içinde bir çalışma süresi için günlüğe kaydedilir. Ortak ölçümler doğruluk veya kayıp içerebilir. Daha fazla bilgi için bakınız Bir Amazon SageMaker Deneyi Oluşturun.
Sonuç
Bu gönderide, veri bilimcilerin kendi ML kodlarını SageMaker Training işleri olarak tercih ettikleri IDE'de çalıştırmalarına olanak tanıyan yeni bir SageMaker Python SDK özelliğini tanıttık. Bu yeteneği kullanmak için gereken ön koşulları özellikleriyle birlikte tartıştık. Ayrıca bu yeteneğin Studio'da, SageMaker not defteri örneklerinde ve yerel IDE'nizde nasıl kullanılacağını gösterdik. Ayrıca, bu yeteneğin nasıl kullanılacağını göstermek için örnek kod örnekleri sağladık. Bir sonraki adım olarak, aşağıdakileri izleyerek bu yeteneği IDE veya SageMaker'ınızda denemenizi öneririz. kod örnekleri bu yazıda atıfta bulunulmuştur.
Yazarlar Hakkında
Dipankar Patro AWS SageMaker'da, müşterilerin AI/ML çözümlerini uygun ölçekte benimsemesine yardımcı olmak için MLOps çözümleri geliştiren ve geliştiren bir Yazılım Geliştirme Mühendisidir. Bilgisayar Bilimleri alanında yüksek lisans derecesine sahiptir ve ilgi alanları Bilgisayar Güvenliği, Dağıtık Sistemler ve AI/ML'dir.
Faruk Sabir AWS'de Kıdemli Yapay Zeka ve Makine Öğrenimi Uzmanı Çözüm Mimarıdır. Austin'deki Texas Üniversitesi'nden Elektrik Mühendisliği alanında doktora ve yüksek lisans derecelerine ve Georgia Institute of Technology'den Bilgisayar Bilimleri alanında yüksek lisans derecesine sahiptir. 15 yılı aşkın iş tecrübesine sahiptir ve ayrıca üniversite öğrencilerine ders vermeyi ve rehberlik etmeyi sever. AWS'de müşterilerin veri bilimi, makine öğrenimi, bilgisayar görüşü, yapay zeka, sayısal optimizasyon ve ilgili alanlarda iş sorunlarını formüle etmelerine ve çözmelerine yardımcı olur. Dallas, Teksas'ta yaşayan o ve ailesi seyahat etmeyi ve uzun yolculuklara çıkmayı seviyor.
Manoj Ravi Amazon SageMaker Kıdemli Ürün Müdürüdür. Yeni nesil yapay zeka ürünleri oluşturma konusunda tutkulu ve müşteriler için büyük ölçekli makine öğrenimini kolaylaştıracak yazılımlar ve araçlar üzerinde çalışıyor. Haas İşletme Okulu'ndan MBA derecesine ve Carnegie Mellon Üniversitesi'nden Bilgi Sistemleri Yönetimi alanında yüksek lisans derecesine sahiptir. Manoj boş zamanlarında tenis oynamaktan ve manzara fotoğrafçılığı yapmaktan hoşlanıyor.
Şihar Kwatra Amazon Web Services'ta önde gelen bir Küresel Sistem Entegratörü ile çalışan bir AI/ML Uzman Çözüm Mimarıdır. AI/ML ve IoT alanlarında 500'den fazla patentle Hindistan'ın En Genç Usta Mucitlerinden biri unvanını kazandı. Shikhar, kuruluş için uygun maliyetli, ölçeklenebilir bulut ortamlarının mimarisine, oluşturulmasına ve sürdürülmesine yardımcı olur ve AWS'de stratejik endüstri çözümleri oluşturma konusunda GSI iş ortağını destekler. Shikhar, boş zamanlarında gitar çalmaktan, müzik bestelemekten ve farkındalık egzersizlerinden hoşlanıyor.
vikram elango Virginia, ABD merkezli AWS'de Kıdemli Yapay Zeka/ML Çözümleri Mimarıdır. Şu anda üretken yapay zeka, LLM'ler, hızlı mühendislik, büyük model çıkarım optimizasyonu ve işletmeler genelinde makine öğrenimini ölçeklendirmeye odaklanmıştır. Vikram, finans ve sigorta sektörü müşterilerine, makine öğrenimi uygulamalarını geniş ölçekte oluşturmak ve dağıtmak için tasarım ve düşünce liderliği konusunda yardımcı olur. Boş zamanlarında seyahat etmeyi, yürüyüş yapmayı, yemek yapmayı ve kamp yapmayı sever.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoAiStream. Web3 Veri Zekası. Bilgi Genişletildi. Buradan Erişin.
- Adryenn Ashley ile Geleceği Basmak. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/run-your-local-machine-learning-code-as-amazon-sagemaker-training-jobs-with-minimal-code-changes/
- :vardır
- :dır-dir
- :olumsuzluk
- $UP
- 1
- 10
- 100
- 15 yıl
- 500
- 7
- a
- kabiliyet
- Yapabilmek
- Hakkımızda
- erişim
- Hesap
- doğruluk
- elde
- karşısında
- aktif
- eylemler
- eklemek
- ekleme
- ilave
- Gizem
- yöneticiler
- benimsemek
- ileri
- avantaj
- AI
- AI / ML
- AİDS
- Türkiye
- veriyor
- boyunca
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- an
- çözümlemek
- ve
- açıkladı
- herhangi
- uygulamaları
- ARE
- alanlar
- argümanlar
- yapay
- yapay zeka
- Yapay Zeka ve Makine Öğrenimi
- AS
- ilişkili
- At
- austin
- otomatik olarak
- mevcut
- AWS
- Arka
- baz
- merkezli
- BE
- faydaları
- Bütçeler
- inşa etmek
- bina
- iş
- by
- CAN
- yetenekleri
- ele geçirmek
- Carnegie Mellon
- taşımak
- dava
- Hücreler
- değişiklik
- değişiklikler
- kanallar
- seçim
- sınıf
- sınıflandırma
- sınıflandırmak
- bulut
- kod
- kod tabanı
- Kolej
- geliyor
- ortak
- uyumlu
- tamamlamak
- hesaplamak
- bilgisayar
- Bilgisayar Bilimleri
- Bilgisayar Güvenliği
- Bilgisayar görüşü
- kavram
- yapılandırma
- konsolos
- içermek
- Konteyner
- içeren
- bağlamlar
- devam ediyor
- çekirdek
- Ücret
- olabilir
- kapak
- yaratmak
- Şu anda
- Müşteriler
- özelleştirmek
- Dallas
- gösterge paneli
- veri
- veri işleme
- veri bilimi
- veri kümeleri
- beyan
- Varsayılan
- varsayılan
- tanımlı
- göstermek
- gösteriyor
- Bağımlılık
- dağıtmak
- tarif edilen
- Dizayn
- ayrıntılar
- gelişmiş
- Geliştirici
- gelişme
- farklı
- tartışılan
- dağıtıldı
- dağıtılmış sistemler
- dağıtılmış eğitim
- etki
- yapılmış
- Dont
- sırasında
- e
- her
- Kazanılan
- kullanım kolaylığı
- kolay
- kolayca
- ya
- gömülü
- sağlar
- şifreleme
- son uca
- mühendis
- Mühendislik
- Mühendisler
- işletmelerin
- giriş
- çevre
- ortamları
- çağ
- devirler
- değerlendirme
- Her
- örnek
- örnekler
- infaz
- mevcut
- deneyim
- deneme
- Yüz
- tanıdık
- aile
- HIZLI
- Daha hızlı
- Özellikler(Hazırlık aşamasında)
- Özellikler
- az
- fileto
- dosyalar
- mali
- Ad
- Esneklik
- odak
- odaklanmış
- takip etme
- İçin
- iskelet
- itibaren
- tamamen
- işlev
- fonksiyonlar
- Ayrıca
- gelecek
- Vadeli
- üretken
- üretken yapay zeka
- verilmiş
- Küresel
- Go
- GPU
- Grubun
- Var
- he
- yardım et
- yardımcı olur
- onun
- tutar
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- SarılmaYüz
- Kimlik
- if
- görüntü
- uygulama
- ithalat
- ithalat
- in
- dahil
- Dahil olmak üzere
- Hintli
- sanayi
- bilgi
- Bilgi sistemi
- Altyapı
- yenilik
- giriş
- yüklü
- örnek
- Enstitü
- talimatlar
- sigorta
- entegre
- Entegre
- İstihbarat
- faiz
- içine
- tanıtmak
- tanıttı
- Mucitler
- IOT
- IT
- yineleme
- ONUN
- İş
- Mesleki Öğretiler
- jpg
- sadece
- anahtar
- laboratuvar
- manzara
- dizüstü bilgisayarlar
- büyük
- büyük ölçekli
- son
- başlatmak
- başlattı
- fırlatma
- Liderlik
- önemli
- ÖĞRENİN
- öğrenme
- izin
- Lets
- kütüphaneler
- Kütüphane
- yaşam döngüsü
- sevmek
- seviyor
- çizgi
- yerel
- lokal olarak
- bulunan
- log
- giriş
- Uzun
- GÖRÜNÜYOR
- kayıp
- Aşk
- makine
- makine öğrenme
- yapılmış
- Bakımı
- yapmak
- YAPAR
- yönetilen
- yönetim
- müdür
- usta
- Mayıs..
- Mellon
- metodoloji
- Metrikleri
- Farkındalık
- en az
- dakika
- ML
- MLO'lar
- Moda
- model
- modelleri
- Modüller
- Daha
- çoğu
- hareket
- MS
- çoklu
- Music
- isim
- yani
- gezinme
- gerek
- gerekli
- ağ
- ağ
- yeni
- sonraki
- düğümler
- defter
- şimdi
- dizi
- nesneler
- of
- on
- Teknede
- bir Zamanlar
- ONE
- bir tek
- açık
- açık kaynak
- optimizasyon
- or
- sipariş
- kuruluşlar
- OS
- Diğer
- bizim
- dışarı
- çıktı
- tekrar
- geçersiz kılma
- paket
- paketler
- pandalar
- Paralel
- parametreler
- belirli
- Partner
- geçmek
- geçer
- Geçen
- tutkulu
- Patentler
- yol
- performans
- fotoğrafçılık
- platform
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- Nokta
- Çivi
- tercihli
- önkoşullar
- önceki
- Sorun
- sorunlar
- işleme
- PLATFORM
- ürün müdürü
- üretken
- Ürünler
- sağlanan
- Python
- pytorch
- hazır
- son
- geçenlerde
- tavsiye etmek
- ilgili
- serbest
- uzak
- değiştirmek
- Depo
- gereklidir
- Yer Alan Kurallar
- DİNLENME
- dönüş
- yol
- Rol
- rolleri
- koşmak
- koşu
- sagemaker
- ölçeklenebilir
- ölçek
- ölçekleme
- Okul
- Bilim
- bilim adamları
- scikit-öğrenme
- sdk
- sorunsuz
- Bölüm
- bölümler
- güvenlik
- görmek
- kıdemli
- ayrı
- Hizmetler
- Oturum
- set
- ayar
- ayarlar
- kurulum
- birkaç
- meli
- şov
- vitrin
- gösterilen
- Gösteriler
- önemli ölçüde
- benzer
- Basit
- sadece
- tek
- beden
- küçük
- Enstantane fotoğraf
- So
- Yazılım
- yazılım geliştirme
- Çözümler
- ÇÖZMEK
- uzman
- özel
- şartname
- Belirtilen
- başlama
- XNUMX dakika içinde!
- Durum
- adım
- hafızası
- Stratejik
- Öğrenciler
- stüdyo
- sunmak
- altağlar
- böyle
- destekli
- Destekler
- sistem
- Sistemler
- Bizi daha iyi tanımak için
- alır
- alma
- görevleri
- takım
- Teknoloji
- tensorflow
- Teksas
- Metin Sınıflandırması
- o
- The
- ve bazı Asya
- Onları
- sonra
- Orada.
- böylece
- bu nedenle
- Bunlar
- onlar
- Re-Tweet
- düşünce
- düşünce liderliği
- İçinden
- zaman
- Başlık
- için
- araçlar
- meşale
- karşı
- Tren
- eğitilmiş
- Eğitim
- transformatörler
- seyahat
- Seyahat
- tetiklenir
- tip
- tipik
- altında
- anlamak
- üniversite
- Güncelleme
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcılar
- kullanma
- değer
- Değerler
- versiyon
- üzerinden
- Görüntüle
- Virjinya
- vizyonumuz
- vs
- vs kod
- beklemek
- istemek
- we
- ağ
- web hizmetleri
- ne zaman
- hangi
- süre
- irade
- ile
- içinde
- İş
- çalışma
- çalışır
- olur
- sarın
- Örtülü
- yazmak
- kod yaz
- yazılı
- X
- yıl
- Sen
- genç
- zefirnet