Yazının yükselişi ve anlamsal arama motorları, e-ticaret ve perakende işletmelerinin tüketicileri için daha kolay arama yapmasını sağladı. Birleştirilmiş metin ve görselle desteklenen arama motorları, arama çözümlerinde ekstra esneklik sağlayabilir. Hem metin hem de resimleri sorgu olarak kullanabilirsiniz. Örneğin, dizüstü bilgisayarınızda yüzlerce aile fotoğrafından oluşan bir klasörünüz var. Siz ve en iyi arkadaşınız eski evinizin yüzme havuzunun önündeyken çekilmiş bir fotoğrafı hemen bulmak istiyorsunuz. Birleştirilmiş bir metin ve görsel arama motorunda arama yapmak için "iki kişi bir yüzme havuzunun önünde duruyor" gibi konuşma dilini sorgu olarak kullanabilirsiniz. Sorguyu gerçekleştirmek için resim başlıklarında doğru anahtar kelimelere sahip olmanız gerekmez.
Amazon Açık Arama Hizmeti şimdi destekliyor kosinüs benzerliği k-NN indeksleri için metrik. Kosinüs benzerliği, iki vektör arasındaki açının kosinüsünü ölçer; burada daha küçük bir kosinüs açısı, vektörler arasında daha yüksek bir benzerliği gösterir. Kosinüs benzerliği ile iki vektör arasındaki yönelimi ölçebilirsiniz, bu da onu bazı özel semantik arama uygulamaları için iyi bir seçim yapar.
Karşıt Dil-Görüntü Ön Eğitimi (CLIP) çeşitli görüntü ve metin çiftleri üzerinde eğitilmiş bir sinir ağıdır. CLIP sinir ağı, hem görüntüleri hem de metni aynı gizli alan, bu, kosinüs benzerliği gibi bir benzerlik ölçüsü kullanılarak karşılaştırılabilecekleri anlamına gelir. CLIP'i aşağıdakiler için kullanabilirsiniz: kodlamak ürünlerinizin resimleri veya açıklaması kalıplamalarınve ardından bunları bir OpenSearch Service k-NN dizininde saklayın. Ardından müşterileriniz ilgilendikleri ürünleri almak için dizini sorgulayabilir.
CLIP ile kullanabilirsiniz Amazon Adaçayı Yapıcı kodlama yapmak için. Amazon SageMaker Sunucusuz Çıkarım makine öğrenimi (ML) modellerini dağıtmayı ve ölçeklendirmeyi kolaylaştıran amaca yönelik bir çıkarım hizmetidir. SageMaker ile, geliştirme ve test için sunucusuz dağıtabilir ve ardından gerçek zamanlı çıkarım üretime geçtiğinizde. SageMaker sunucusuz, boş zamanlarda altyapıyı 0'a indirerek maliyetten tasarruf etmenize yardımcı olur. Bu, geliştirme döngüleri arasında uzun süre boşta kalacağınız bir POC oluşturmak için mükemmeldir. Ayrıca kullanabilirsin Amazon SageMaker toplu dönüşümü büyük veri kümelerinden çıkarımlar elde etmek için.
Bu yazıda, SageMaker ve OpenSearch Service ile CLIP kullanarak bir arama uygulamasının nasıl oluşturulacağını gösteriyoruz. Kod açık kaynaktır ve şu adreste barındırılır: GitHub.
Çözüme genel bakış
OpenSearch Service, metin eşleştirme ve gömülü k-NN araması sağlar. Bu çözümde gömülü k-NN aramasını kullanıyoruz. Envanterden öğeleri aramak için hem resmi hem de metni sorgu olarak kullanabilirsiniz. Bu birleştirilmiş görüntü ve metin arama uygulamasını uygulamak iki aşamadan oluşur:
- k-NN referans indeksi – Bu aşamada, bir dizi korpus belgesini veya ürün görselini bir CLIP modelinden geçirerek gömmelere kodlarsınız. Metin ve görüntü yerleştirmeleri, sırasıyla korpusun veya görüntülerin sayısal temsilleridir. Bu yerleştirmeleri OpenSearch Hizmetinde bir k-NN dizinine kaydedersiniz. k-NN'yi destekleyen kavram, benzer veri noktalarının gömme uzayında yakın mesafede bulunmasıdır. Örnek olarak, "kırmızı bir çiçek" metni, "gül" metni ve kırmızı gül resmi benzerdir, dolayısıyla bu metin ve resim yerleştirmeleri, gömme alanında birbirine yakındır.
- k-NN dizin sorgusu – Bu, uygulamanın çıkarım aşamasıdır. Bu aşamada, gömme olarak kodlamak için derin öğrenme modeli (CLIP) aracılığıyla bir metin arama sorgusu veya görsel arama sorgusu gönderirsiniz. Ardından, OpenSearch Hizmetinde depolanan referans k-NN dizinini sorgulamak için bu yerleştirmeleri kullanırsınız. k-NN indeksi, gömme alanından benzer gömmeler döndürür. Örneğin, "kırmızı bir çiçek" metnini iletirseniz, kırmızı gül resminin yerleştirmelerini benzer bir öğe olarak döndürür.
Aşağıdaki şekilde çözüm mimarisi gösterilmektedir.
İş akışı adımları aşağıdaki gibidir:
- Hat için bir Adaçayı Yapıcı modeli toplu ve gerçek zamanlı çıkarım için önceden eğitilmiş bir CLIP modelinden.
- Bir SageMaker toplu dönüştürme işini kullanarak ürün resimlerinin gömmelerini oluşturun.
- Sorgu görüntüsünü ve metnini gerçek zamanlı olarak gömmelere kodlamak için SageMaker Sunucusuz Çıkarımı kullanın.
- kullanım Amazon Basit Depolama Hizmeti (Amazon S3), SageMaker toplu dönüştürme işleri tarafından oluşturulan ham metni (ürün açıklaması) ve görüntüleri (ürün görüntüleri) ve görüntü katıştırmayı depolamak için.
- Yerleştirmeleri depolamak ve benzer yerleştirmeleri bulmak için arama motoru olarak OpenSearch Hizmetini kullanın.
- Sorguyu kodlamayı düzenlemek ve bir k-NN araması gerçekleştirmek için bir sorgu işlevi kullanın.
Biz kullanmak Amazon SageMaker Stüdyosu dizüstü bilgisayarlar (şemada gösterilmemiştir) çözümü geliştirmek için entegre geliştirme ortamı (IDE) olarak.
Çözüm kaynaklarını ayarlayın
Çözümü kurmak için aşağıdaki adımları tamamlayın:
- Bir SageMaker etki alanı ve bir kullanıcı profili oluşturun. Talimatlar için Adım 5'e bakın. Hızlı Kurulumu Kullanarak Amazon SageMaker Etki Alanında Yerleşik.
- Bir OpenSearch Hizmeti etki alanı oluşturun. Talimatlar için bkz. Amazon OpenSearch Service etki alanları oluşturma ve yönetme.
Ayrıca bir AWS CloudFormation takip ederek şablon GitHub talimatları bir etki alanı oluşturmak için.
Studio'yu Amazon S3'e şuradan bağlayabilirsiniz: Amazon Sanal Özel Bulut (Amazon VPC) kullanarak arayüz uç noktası İnternet üzerinden bağlanmak yerine VPC'nizde. Bir arayüz VPC uç noktası (arayüz uç noktası) kullanarak, VPC'niz ile Studio arasındaki iletişim tamamen ve güvenli bir şekilde AWS ağı içinde gerçekleştirilir. Studio not defteriniz, güvenli iletişim sağlamak için özel bir VPC üzerinden OpenSearch Hizmetine bağlanabilir.
OpenSearch Service etki alanları, verilerinize yetkisiz erişimi önlemeye yardımcı olan bir güvenlik özelliği olan bekleyen veriler için şifreleme sunar. Düğümden düğüme şifreleme, OpenSearch Service'in varsayılan özelliklerinin yanı sıra ek bir güvenlik katmanı sağlar. Amazon S3, siz farklı bir şifreleme seçeneği belirtmediğiniz sürece her yeni nesne için sunucu tarafı şifrelemeyi (SSE-S3) otomatik olarak uygular.
OpenSearch Service etki alanında, bir hizmete kimlerin erişebileceğini, hangi eylemleri gerçekleştirebileceğini ve varsa bu eylemleri gerçekleştirebilecekleri kaynakları tanımlayan kimlik tabanlı politikalar ekleyebilirsiniz.
Görüntüleri ve metin çiftlerini gömmelere kodlayın
Bu bölüm, görüntülerin ve metnin gömmelere nasıl kodlanacağını tartışır. Bu, verileri hazırlamayı, bir SageMaker modeli oluşturmayı ve modeli kullanarak toplu dönüştürme gerçekleştirmeyi içerir.
Verilere genel bakış ve hazırlık
Örnek kodu çalıştırmak için Python 3 (Veri Bilimi) çekirdeğine sahip bir SageMaker Studio not defteri kullanabilirsiniz.
Bu yazı için, Amazon Berkeley Nesneleri Veri Kümesi. Veri seti, çok dilli meta veriler ve 147,702 benzersiz katalog görüntüsü içeren 398,212 ürün listeleme koleksiyonudur. Öğe resimlerini ve öğe adlarını yalnızca ABD İngilizcesinde kullanırız. Demo amaçlı olarak yaklaşık 1,600 ürün kullanıyoruz. Bu veri kümesi hakkında daha fazla ayrıntı için bkz. README. Veri kümesi, genel bir S3 klasöründe barındırılır. Amazon ürünlerinin ürün açıklamasını ve meta verilerini içeren 16 dosya var. listings/metadata/listings_<i>.json.gz
. Bu demoda ilk meta veri dosyasını kullanıyoruz.
Kullan pandalar meta verileri yüklemek için, ardından veri çerçevesinden ABD İngilizcesi başlıkları olan ürünleri seçin. Pandas, Python programlama dili üzerine inşa edilmiş açık kaynaklı bir veri analizi ve işleme aracıdır. adlı bir öznitelik kullanıyorsunuz. main_image_id
bir görüntüyü tanımlamak için Aşağıdaki koda bakın:
Veri çerçevesinde 1,639 ürün var. Ardından, öğe adlarını karşılık gelen öğe resimleriyle ilişkilendirin. images/metadata/images.csv.gz
görüntü meta verilerini içerir. Bu dosya, aşağıdaki sütunları içeren, gzip ile sıkıştırılmış bir CSV dosyasıdır: image_id
, height
, width
, ve path
. Meta veri dosyasını okuyabilir ve ardından öğe meta verileriyle birleştirebilirsiniz. Aşağıdaki koda bakın:
SageMaker Studio notebook yerleşik Python 3 çekirdeğini kullanabilirsiniz PIL kitaplığı veri kümesinden örnek bir görüntüyü görüntülemek için:
model hazırlama
Ardından, bir Adaçayı Yapıcı modeli önceden eğitilmiş bir CLIP modelinden. İlk adım, önceden eğitilmiş model ağırlıklandırma dosyasını indirmek, onu bir model.tar.gz
dosyasını indirin ve bir S3 klasörüne yükleyin. Önceden eğitilmiş modelin yolu şurada bulunabilir: KLİP deposu. Önceden eğitilmiş kullanıyoruz ResNet-50 (RN50) modeli bu demoda. Aşağıdaki koda bakın:
Daha sonra CLIP modeli için bir çıkarım giriş noktası komut dosyası sağlamanız gerekir. CLIP kullanılarak uygulanır PyTorch, yani SageMaker PyTorch çerçeve. PyTorch, araştırma prototiplemesinden üretim dağıtımına giden yolu hızlandıran açık kaynaklı bir makine öğrenimi çerçevesidir. Bir PyTorch modelini SageMaker ile konuşlandırma hakkında bilgi için bkz. PyTorch Modellerini Dağıtın. Çıkarım kodu iki ortam değişkenini kabul eder: MODEL_NAME
ve ENCODE_TYPE
. Bu, farklı CLIP modelleri arasında kolayca geçiş yapmamıza yardımcı olur. Kullanırız ENCODE_TYPE
bir görüntüyü mü yoksa bir metin parçasını mı kodlamak istediğimizi belirtmek için. Burada, model_fn
, input_fn
, predict_fn
, ve output_fn
geçersiz kılmak için işlevler varsayılan PyTorch çıkarım işleyicisi. Aşağıdaki koda bakın:
Çözüm, model çıkarımı sırasında ek Python paketleri gerektirir; requirements.txt
modelleri barındırırken SageMaker'ın ek paketler kurmasına izin vermek için dosya:
Sen kullan PyTorchModel sınıfı model yapılarının Amazon S3 konumunun bilgilerini ve çıkarım giriş noktası ayrıntılarını içerecek bir nesne oluşturmak. Toplu dönüştürme işleri oluşturmak veya çevrimiçi çıkarım için modeli bir uç noktaya dağıtmak için nesneyi kullanabilirsiniz. Aşağıdaki koda bakın:
Öğe resimlerini gömmelere kodlamak için toplu dönüştürme
Ardından, öğe görüntülerini gömmelere kodlamak için CLIP modelini ve toplu çıkarımı çalıştırmak için SageMaker toplu dönüştürmeyi kullanıyoruz.
İşi oluşturmadan önce, öğe resimlerini Amazon Berkeley Objects Dataset genel S3 klasöründen kendi klasörünüze kopyalamak için aşağıdaki kod parçacığını kullanın. Operasyon 10 dakikadan az sürer.
Ardından, kalem görüntüleri üzerinde toplu olarak çıkarım gerçekleştirirsiniz. SageMaker toplu dönüştürme işi, giriş Amazon S3 konumunda depolanan tüm görüntüleri kodlamak için CLIP modelini kullanır ve çıktı katıştırmalarını bir çıktı S3 klasörüne yükler. İş yaklaşık 10 dakika sürer.
Amazon S3'teki yerleştirmeleri bir değişkene yükleyin, böylece verileri daha sonra OpenSearch Service'e alabilirsiniz:
Makine öğrenimi destekli bir birleşik arama motoru oluşturun
Bu bölüm, katıştırmalı k-NN aramasını kullanan bir arama motorunun nasıl oluşturulacağını tartışır. Bu, bir OpenSearch Service kümesini yapılandırmayı, öğe yerleştirmeyi almayı ve serbest metin ve resim arama sorguları gerçekleştirmeyi içerir.
OpenSearch Service etki alanını k-NN ayarlarını kullanarak kurun
Daha önce bir OpenSearch kümesi oluşturdunuz. Şimdi katalog verilerini ve yerleştirmeleri depolamak için bir dizin oluşturacaksınız. Aşağıdaki yapılandırmayı kullanarak k-NN işlevselliğini etkinleştirmek için dizin ayarlarını yapılandırabilirsiniz:
Bu örnekte Python Elasticsearch istemcisi OpenSearch kümesiyle iletişim kurmak ve verilerinizi barındırmak için bir dizin oluşturmak için. Koşabilirsin %pip install elasticsearch
kitaplığı yüklemek için not defterinde. Aşağıdaki koda bakın:
Görüntü yerleştirme verilerini OpenSearch Hizmetine alın
Artık veri kümeniz arasında geçiş yaparsınız ve öğe verilerini kümeye alırsınız. Bu uygulama için veri alımı 60 saniye içinde tamamlanmalıdır. Ayrıca, verilerin dizine başarıyla alınıp alınmadığını doğrulamak için basit bir sorgu çalıştırır. Aşağıdaki koda bakın:
Gerçek zamanlı bir sorgu gerçekleştirin
Artık envanterimiz olarak öğe resimlerinin gömmelerini içeren çalışan bir OpenSearch Hizmeti dizinine sahip olduğunuza göre, sorgular için katıştırmayı nasıl oluşturabileceğinize bakalım. Sırasıyla metin ve görüntü gömmelerini işlemek için iki SageMaker uç noktası oluşturmanız gerekir.
Ayrıca görüntüleri ve metinleri kodlamak için uç noktaları kullanmak üzere iki işlev oluşturursunuz. İçin encode_text
işlev, sen eklersin this is
bir öğe adını öğe açıklaması için bir cümleye çevirmek için bir öğe adından önce. memory_size_in_mb
alt çizgiye hizmet etmesi için 6 GB olarak ayarlanmıştır. Trafo ve ResNet modeller. Aşağıdaki koda bakın:
Öncelikle kullanılacak resmi çizebilirsiniz.
Basit bir sorgunun sonuçlarına bakalım. OpenSearch Hizmetinden sonuçları aldıktan sonra, öğe adlarının ve resimlerin listesini şu adresten alırsınız: dataset
:
İlk maddenin puanı 1.0 çünkü iki resim aynı. Diğer öğeler, OpenSearch Service dizinindeki farklı gözlük türleridir.
Dizini sorgulamak için metni de kullanabilirsiniz:
Artık dizinden üç tane su bardağı fotoğrafı çekebilirsiniz. CLIP kodlayıcı ile görüntüleri ve metni aynı gizli alanda bulabilirsiniz. Bunun bir başka örneği de dizinde “pizza” kelimesini aramaktır:
Temizlemek
Kullandıkça öde modeliyle Sunucusuz Çıkarım, seyrek veya öngörülemeyen bir trafik modeli için uygun maliyetli bir seçenektir. Eğer sıkı bir hizmet düzeyi sözleşmesi (SLA)veya soğuk başlatmalara tahammül edemiyorsanız, gerçek zamanlı bitiş noktaları daha iyi bir seçimdir. kullanma çok modelli or çoklu konteyner uç noktalar, çok sayıda modeli dağıtmak için ölçeklenebilir ve uygun maliyetli çözümler sunar. Daha fazla bilgi için bkz. Amazon SageMaker Fiyatlandırması.
Artık gerekmediğinde sunucusuz uç noktaları silmenizi öneririz. Bu alıştırmayı bitirdikten sonra, aşağıdaki adımlarla kaynakları kaldırabilirsiniz (bu kaynakları sistemden silebilirsiniz). AWS Yönetim Konsoluveya AWS SDK veya SageMaker SDK kullanarak):
- Oluşturduğunuz uç noktayı silin.
- İsteğe bağlı olarak kayıtlı modelleri silin.
- İsteğe bağlı olarak, SageMaker yürütme rolünü silin.
- İsteğe bağlı olarak, S3 paketini boşaltın ve silin.
Özet
Bu gönderide, SageMaker ve OpenSearch Service k-NN indeks özelliklerini kullanarak bir k-NN arama uygulamasının nasıl oluşturulacağını gösterdik. Önceden eğitilmiş bir CLIP modelini kullandık. OpenAI uygulanması.
Gönderinin OpenSearch Service alımı uygulaması yalnızca prototip oluşturmak için kullanılır. Amazon S3'ten OpenSearch Service'e geniş ölçekte veri almak istiyorsanız, Amazon SageMaker Processing işi uygun örnek türü ve örnek sayısı ile. Başka bir ölçeklenebilir gömme alma çözümü için bkz. Novartis AG, arama ve öneriyi güçlendirmek için Amazon OpenSearch Service K-En yakın Komşu (KNN) ve Amazon SageMaker'ı kullanıyor (Bölüm 3/4).
KLİP sağlar sıfır atış kullanmadan doğrudan önceden eğitilmiş bir modeli benimsemeyi mümkün kılan yetenekler öğrenme aktarımı Bir modele ince ayar yapmak için. Bu, CLIP modelinin uygulanmasını basitleştirir. Elinizde bir çift ürün görseli ve açıklayıcı metin varsa, model performansını daha da artırmak için aktarım öğrenimini kullanarak modelde kendi verilerinizle ince ayar yapabilirsiniz. Daha fazla bilgi için bakınız Doğal Dil Denetiminden Aktarılabilir Görsel Modelleri Öğrenmek ve CLIP GitHub deposusite
Yazarlar Hakkında
kevin du AWS'de Kıdemli Veri Laboratuvarı Mimarı olup, kendini müşterilerin Makine Öğrenimi (ML) ürünleri ve MLOps platformlarının geliştirilmesini hızlandırmalarına yardımcı olmaya adamıştır. Hem yeni başlayanlar hem de işletmeler için Makine Öğrenimi özellikli ürünler oluşturma konusunda on yılı aşkın bir deneyime sahip olarak, müşterilerin Makine Öğrenimi çözümlerinin üretim sürecini kolaylaştırmasına yardımcı olmaya odaklanıyor. Kevin boş zamanlarında yemek yapmaktan ve basketbol izlemekten hoşlanır.
Ananya Roy Sidney Avustralya merkezli yapay zeka ve makine öğrenimi konusunda uzmanlaşmış bir Kıdemli Veri Laboratuvarı mimarıdır. Mimari rehberlik sağlamak ve veri laboratuvarı katılımı yoluyla etkili AI/ML çözümü sunmalarına yardımcı olmak için çeşitli müşterilerle çalışıyor. AWS'den önce kıdemli veri bilimcisi olarak çalışıyordu ve Telco, bankalar ve fintech'ler gibi farklı sektörlerde büyük ölçekli makine öğrenimi modelleriyle ilgileniyordu. AI/ML alanındaki deneyimi, karmaşık iş sorunlarına etkili çözümler sunmasına olanak sağlamıştır ve ekiplerin hedeflerine ulaşmalarına yardımcı olmak için en son teknolojilerden yararlanma konusunda tutkuludur.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/implement-unified-text-and-image-search-with-a-clip-model-using-amazon-sagemaker-and-amazon-opensearch-service/
- :dır-dir
- ][P
- $UP
- 1
- 10
- 100
- 11
- 7
- 8
- 9
- a
- Yapabilmek
- Hakkımızda
- hızlandırır
- Kabul eder
- erişim
- Başarmak
- karşısında
- eylemler
- Ek
- benimsemek
- Sonra
- AG
- Bireysel Üyelik Sözleşmesi
- AI
- AI / ML
- Türkiye
- Amazon
- Amazon Açık Arama Hizmeti
- Amazon Adaçayı Yapıcı
- analiz
- ve
- Başka
- uygulanabilir
- Uygulama
- uygulamaları
- uygun
- yaklaşık olarak
- mimari
- mimari
- ARE
- tartışma
- etrafında
- AS
- At
- iliştirmek
- Avustralya
- otomatik olarak
- AWS
- Bankalar
- merkezli
- Basketbol
- BE
- Çünkü
- önce
- Berkeley
- İYİ
- Daha iyi
- arasında
- vücut
- inşa etmek
- bina
- yapılı
- yerleşik
- iş
- işletmeler
- by
- denilen
- CAN
- yetenekleri
- katalog
- CD
- Kontrol
- seçim
- müşteri
- Kapanış
- Küme
- kod
- Toplamak
- Sütunlar
- iletişim kurmak
- Yakın İletişim
- karşılaştırıldığında
- tamamlamak
- karmaşık
- kavram
- yürütülen
- yapılandırma
- Sosyal medya
- bağlantı
- bağ
- Tüketiciler
- içermek
- içeren
- içerik
- konuşkan
- uyan
- Ücret
- uygun maliyetli
- olabilir
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- Tanıtım
- Fincan
- Müşteriler
- keskin kenar
- döngüleri
- veri
- veri analizi
- Veri noktaları
- veri bilimi
- veri bilimcisi
- veri kümeleri
- onyıl
- adanmış
- derin
- derin öğrenme
- Varsayılan
- tanımlarken
- teslim etmek
- göstermek
- gösterdi
- dağıtmak
- dağıtma
- açılma
- tanım
- İstediğiniz
- ayrıntılar
- dev
- geliştirmek
- gelişme
- cihaz
- farklı
- Boyut
- direkt olarak
- ekran
- çeşitli
- evraklar
- domain
- etki
- Dont
- aşağı
- indir
- sırasında
- her
- kolay
- kolayca
- e-ticaret
- Etkili
- etkinleştirmek
- şifreleme
- Son nokta
- nişan
- Motor
- Motorlar
- İngilizce
- sağlamak
- işletmelerin
- Baştan sona
- giriş
- çevre
- Hatalar
- örnek
- infaz
- Egzersiz
- deneyim
- ekstra
- aile
- Özellikler(Hazırlık aşamasında)
- Özellikler
- şekil
- fileto
- dosyalar
- bulmak
- bitiş
- Ad
- Esneklik
- odak
- takip etme
- şu
- İçin
- biçim
- bulundu
- ÇERÇEVE
- iskelet
- Ücretsiz
- arkadaş
- itibaren
- ön
- işlev
- fonksiyonel
- işlevsellik
- fonksiyonlar
- daha fazla
- oluşturmak
- oluşturulan
- almak
- Git
- GitHub
- bardak
- Go
- Goller
- gidiş
- Tercih Etmenizin
- rehberlik
- sap
- Var
- başlıkları
- yükseklik
- yardım et
- yardım
- yardımcı olur
- okuyun
- daha yüksek
- vurmak
- Hits
- ev sahibi
- ev sahipliği yaptı
- hosting
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- Yüzlerce
- i
- belirlemek
- boş
- idx
- görüntü
- Görsel Arama
- görüntüleri
- uygulamak
- uygulama
- uygulanan
- uygulanması
- ithalat
- iyileştirmek
- in
- dahil
- içerir
- indeks
- indeksler
- Endeksler
- Endüstri
- bilgi
- Altyapı
- giriş
- kurmak
- örnek
- yerine
- talimatlar
- entegre
- ilgili
- arayüzey
- Internet
- envanter
- IT
- ürün
- ONUN
- İş
- Mesleki Öğretiler
- jpg
- json
- laboratuvar
- dil
- dizüstü bilgisayar
- büyük
- büyük ölçekli
- başlatmak
- tabaka
- öğrenme
- kaldıraç
- Kütüphane
- sevmek
- LINK
- Liste
- Deneyimler
- yük
- yükleme
- yer
- Uzun
- uzun
- Bakın
- makine
- makine öğrenme
- yapılmış
- YAPAR
- yönetim
- yönetme
- hile
- tavır
- anlamına geliyor
- ölçmek
- önlemler
- gitmek
- Meta
- Metadata
- metrik
- dakika
- ML
- MLO'lar
- model
- modelleri
- Daha
- hareket
- isim
- isimleri
- Doğal (Madenden)
- gerek
- ağ
- sinir ağı
- yeni
- sonraki
- defter
- sayılar
- nesne
- nesneler
- of
- teklif
- Eski
- on
- Online
- açık
- açık kaynak
- operasyon
- seçenek
- OS
- Diğer
- çıktı
- geçersiz kılma
- genel bakış
- kendi
- paketler
- çiftleri
- pandalar
- Bölüm
- tutkulu
- yol
- model
- İnsanlar
- MÜKEMMEL OLAN YERİ BULUN
- Yapmak
- performans
- icra
- faz
- resim
- Fotoğraf Galerisi
- parça
- Pizza
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- PoC
- Nokta
- noktaları
- politikaları
- havuz
- mümkün
- Çivi
- güç kelimesini seçerim
- powered
- uygulama
- tahmin
- Tahminler
- hazırlanması
- önlemek
- Önceki
- özel
- sorunlar
- işleme
- PLATFORM
- üretim
- Ürünler
- Profil
- Programlama
- proje
- özellikleri
- prototip
- sağlamak
- sağlar
- halka açık
- amaçlı
- koymak
- Python
- pytorch
- Hızlı
- hızla
- menzil
- Çiğ
- Okumak
- gerçek
- gerçek zaman
- Tavsiye
- kayıt
- Kırmızı
- regex
- bölge
- kayıtlı
- Kaldır
- gerektirir
- araştırma
- Kaynaklar
- yanıt
- DİNLENME
- sonuç
- Sonuçlar
- perakende
- dönüş
- İade
- Yükselmek
- Rol
- ROSE
- koşmak
- sagemaker
- aynı
- İndirim
- ölçeklenebilir
- ölçek
- ölçekleme
- Bilim
- bilim adamı
- Gol
- sdk
- Ara
- arama motoru
- Arama motorları
- saniye
- Bölüm
- güvenli
- Güvenli
- güvenlik
- kıdemli
- cümle
- hizmet vermek
- Serverless
- hizmet
- Oturum
- set
- ayarlar
- Shape
- meli
- gösterilen
- benzer
- Basit
- beden
- daha küçük
- So
- çözüm
- Çözümler
- biraz
- Kaynak
- uzay
- uzman
- özel
- durmak
- başlar
- Startups
- adım
- Basamaklar
- hafızası
- mağaza
- saklı
- kolaylaştırmak
- Sıkı
- stüdyo
- sunmak
- Başarılı olarak
- böyle
- Destekler
- anahtar
- sydney
- SYS
- alır
- takım
- Teknolojileri
- Telekomünikasyon
- şablon
- test
- o
- The
- Bilgi
- ve bazı Asya
- Onları
- Bunlar
- üç
- İçinden
- zaman
- zamanlar
- Başlık
- başlıkları
- için
- simge
- araç
- üst
- meşale
- Torchvizyon
- trafik
- eğitilmiş
- transfer
- Dönüştürmek
- çevirmek
- gerçek
- türleri
- birleşik
- benzersiz
- öngörülemeyen
- us
- kullanım
- kullanıcı
- değer
- çeşitlilik
- doğrulamak
- üzerinden
- Görüntüle
- Sanal
- izlerken
- Su
- İYİ
- hangi
- DSÖ
- genişlik
- Vikipedi
- irade
- ile
- içinde
- olmadan
- Word
- çalışma
- olur
- X
- Sen
- zefirnet