آج، ہمیں کے پیش نظارہ کا اعلان کرتے ہوئے خوشی ہو رہی ہے۔ ایمیزون سیج میکر پروفائلرکی صلاحیت ایمیزون سیج میکر جو SageMaker پر ڈیپ لرننگ ماڈلز کی تربیت کے دوران فراہم کردہ AWS کمپیوٹ وسائل کا تفصیلی نظارہ فراہم کرتا ہے۔ SageMaker پروفائلر کے ساتھ، آپ CPUs اور GPUs پر تمام سرگرمیوں کو ٹریک کر سکتے ہیں، جیسے CPU اور GPU استعمال، کرنل GPUs پر چلتا ہے، CPUs پر کرنل لانچ ہوتا ہے، Sync آپریشنز، GPUs میں میموری آپریشنز، کرنل لانچوں اور متعلقہ رنز کے درمیان تاخیر، اور ڈیٹا کی منتقلی CPUs اور GPUs کے درمیان۔ اس پوسٹ میں، ہم آپ کو سیج میکر پروفائلر کی صلاحیتوں کے بارے میں بتاتے ہیں۔
SageMaker Profiler PyTorch یا TensorFlow ٹریننگ اسکرپٹس کی تشریح کرنے اور SageMaker پروفائلر کو چالو کرنے کے لیے Python ماڈیول فراہم کرتا ہے۔ یہ ایک صارف انٹرفیس (UI) بھی پیش کرتا ہے جو تصور کرتا ہے۔ پروفائل، پروفائل شدہ واقعات کا شماریاتی خلاصہ، اور GPUs اور CPUs کے درمیان واقعات کے وقتی تعلق کو ٹریک کرنے اور سمجھنے کے لیے تربیتی کام کی ٹائم لائن۔
تربیتی ملازمتوں کی پروفائلنگ کی ضرورت
ڈیپ لرننگ (DL) کے عروج کے ساتھ، مشین لرننگ (ML) کمپیوٹ اور ڈیٹا انٹینسیو بن گئی ہے، جس میں عام طور پر ملٹی نوڈ، ملٹی-GPU کلسٹرز کی ضرورت ہوتی ہے۔ جیسا کہ جدید ترین ماڈلز کھربوں پیرامیٹرز کی ترتیب میں سائز میں بڑھتے ہیں، ان کی کمپیوٹیشنل پیچیدگی اور لاگت میں بھی تیزی سے اضافہ ہوتا ہے۔ ایم ایل پریکٹیشنرز کو ایسے بڑے ماڈلز کی تربیت کرتے وقت وسائل کے موثر استعمال کے مشترکہ چیلنجوں سے نمٹنا پڑتا ہے۔ یہ خاص طور پر بڑے لینگویج ماڈلز (LLMs) میں واضح ہوتا ہے، جن میں عام طور پر اربوں پیرامیٹرز ہوتے ہیں اور اس وجہ سے انہیں موثر طریقے سے تربیت دینے کے لیے بڑے ملٹی نوڈ GPU کلسٹرز کی ضرورت ہوتی ہے۔
ان ماڈلز کو بڑے کمپیوٹ کلسٹرز پر تربیت دیتے وقت، ہم کمپیوٹ ریسورس آپٹیمائزیشن چیلنجز کا سامنا کر سکتے ہیں جیسے کہ I/O رکاوٹیں، کرنل لانچ لیٹنسیز، میموری کی حدیں، اور وسائل کے کم استعمال۔ اگر تربیتی کام کی ترتیب کو بہتر نہیں بنایا جاتا ہے، تو ان چیلنجوں کے نتیجے میں ہارڈ ویئر کے غیر موثر استعمال اور طویل تربیتی وقت یا نامکمل تربیتی رن کا نتیجہ ہو سکتا ہے، جس سے منصوبے کے مجموعی اخراجات اور ٹائم لائنز میں اضافہ ہوتا ہے۔
شرائط
سیج میکر پروفائلر کا استعمال شروع کرنے کے لیے درج ذیل شرائط ہیں:
- آپ کے AWS اکاؤنٹ میں SageMaker ڈومین - ڈومین ترتیب دینے کی ہدایات کے لیے، دیکھیں فوری سیٹ اپ کا استعمال کرتے ہوئے ایمیزون سیج میکر ڈومین پر آن بورڈ. SageMaker Profiler UI ایپلیکیشن تک رسائی کے لیے آپ کو انفرادی صارفین کے لیے ڈومین صارف پروفائلز بھی شامل کرنے کی ضرورت ہے۔ مزید معلومات کے لیے دیکھیں سیج میکر ڈومین صارف پروفائلز کو شامل اور ہٹا دیں۔.
- اجازت - درج ذیل فہرست اجازتوں کا کم از کم سیٹ ہے جو SageMaker Profiler UI ایپلیکیشن کو استعمال کرنے کے لیے عملدرآمد کے کردار کو تفویض کیا جانا چاہیے:
sagemaker:CreateApp
sagemaker:DeleteApp
sagemaker:DescribeTrainingJob
sagemaker:SearchTrainingJobs
s3:GetObject
s3:ListBucket
سیج میکر پروفائلر کے ساتھ تربیتی کام تیار کریں اور چلائیں۔
کیپچرنگ کرنل کو شروع کرنے کے لیے GPUs پر چلتا ہے جب ٹریننگ جاب چل رہا ہو، SageMaker Profiler Python ماڈیولز کا استعمال کرتے ہوئے اپنی ٹریننگ اسکرپٹ میں ترمیم کریں۔ لائبریری درآمد کریں اور شامل کریں۔ start_profiling()
اور stop_profiling()
پروفائلنگ کے آغاز اور اختتام کی وضاحت کرنے کے طریقے۔ آپ ہر مرحلے میں مخصوص آپریشنز کے دوران ہارڈویئر کی سرگرمیوں کو دیکھنے کے لیے تربیتی اسکرپٹ میں مارکر شامل کرنے کے لیے اختیاری حسب ضرورت تشریحات بھی استعمال کر سکتے ہیں۔
سیج میکر پروفائلر کے ساتھ اپنی تربیتی اسکرپٹس کو پروفائل کرنے کے لیے آپ دو طریقے اختیار کر سکتے ہیں۔ پہلا نقطہ نظر مکمل افعال کی پروفائلنگ پر مبنی ہے۔ دوسرا نقطہ نظر افعال میں مخصوص کوڈ لائنوں کی پروفائلنگ پر مبنی ہے۔
فنکشن کے لحاظ سے پروفائل بنانے کے لیے، سیاق و سباق کے مینیجر کا استعمال کریں۔ smppy.annotate
مکمل افعال کی تشریح کرنے کے لیے۔ مندرجہ ذیل مثال کے اسکرپٹ سے پتہ چلتا ہے کہ کس طرح سیاق و سباق کے مینیجر کو ہر تکرار میں ٹریننگ لوپ اور مکمل افعال کو لپیٹنے کے لیے لاگو کیا جائے:
آپ بھی استعمال کر سکتے ہیں smppy.annotation_begin()
اور smppy.annotation_end()
فنکشنز میں کوڈ کی مخصوص لائنوں کی تشریح کرنا۔ مزید معلومات کے لیے رجوع کریں۔ دستاویزات.
سیج میکر ٹریننگ جاب لانچر کو کنفیگر کریں۔
پروفائلر انیشیشن ماڈیولز کی تشریح اور سیٹ اپ کرنے کے بعد، ٹریننگ اسکرپٹ کو محفوظ کریں اور SageMaker Python SDK کا استعمال کرتے ہوئے ٹریننگ کے لیے SageMaker فریم ورک کا تخمینہ لگانے والا تیار کریں۔
- سیٹ اپ a
profiler_config
کا استعمال کرتے ہوئے اعتراضProfilerConfig
اورProfiler
مندرجہ ذیل ماڈیولز: - کے ساتھ سیج میکر کا تخمینہ لگانے والا بنائیں
profiler_config
پچھلے مرحلے میں تخلیق کردہ آبجیکٹ۔ مندرجہ ذیل کوڈ PyTorch تخمینہ کار بنانے کی ایک مثال دکھاتا ہے:
اگر آپ TensorFlow تخمینہ ساز بنانا چاہتے ہیں تو درآمد کریں۔ sagemaker.tensorflow.TensorFlow
اس کے بجائے، اور SageMaker پروفائلر کے ذریعہ تعاون یافتہ TensorFlow ورژن میں سے ایک کی وضاحت کریں۔ معاون فریم ورک اور مثال کی اقسام کے بارے میں مزید معلومات کے لیے، دیکھیں تعاون یافتہ فریم ورک.
- فٹ میتھڈ چلا کر ٹریننگ کا کام شروع کریں:
سیج میکر پروفائلر UI لانچ کریں۔
تربیتی کام مکمل ہونے پر، آپ تربیتی جاب کے پروفائل کو دیکھنے اور اسے دریافت کرنے کے لیے SageMaker Profiler UI لانچ کر سکتے ہیں۔ آپ SageMaker پروفائلر UI ایپلیکیشن SageMaker کنسول پر SageMaker پروفائلر لینڈنگ پیج کے ذریعے یا SageMaker ڈومین کے ذریعے حاصل کر سکتے ہیں۔
سیج میکر کنسول پر سیج میکر پروفائلر UI ایپلیکیشن لانچ کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:
- سیج میکر کنسول پر، منتخب کریں۔ پروفائل نیوی گیشن پین میں.
- کے تحت شروع کریں، وہ ڈومین منتخب کریں جس میں آپ SageMaker Profiler UI ایپلیکیشن لانچ کرنا چاہتے ہیں۔
اگر آپ کا صارف پروفائل صرف ایک ڈومین سے تعلق رکھتا ہے، تو آپ کو ڈومین منتخب کرنے کا آپشن نظر نہیں آئے گا۔
- وہ صارف پروفائل منتخب کریں جس کے لیے آپ SageMaker Profiler UI ایپلیکیشن لانچ کرنا چاہتے ہیں۔
اگر ڈومین میں کوئی صارف پروفائل نہیں ہے، تو منتخب کریں۔ صارف پروفائل بنائیں. ایک نیا صارف پروفائل بنانے کے بارے میں مزید معلومات کے لیے، دیکھیں یوزر پروفائلز کو شامل اور ہٹا دیں۔.
- میں سے انتخاب کریں پروفائلر کھولیں۔.
آپ یہ بھی کر سکتے ہیں سیج میکر پروفائلر UI کو ڈومین تفصیلات کے صفحہ سے لانچ کریں۔.
سیج میکر پروفائلر سے بصیرت حاصل کریں۔
جب آپ سیج میکر پروفائلر UI کھولتے ہیں، پروفائل منتخب کریں اور لوڈ کریں۔ صفحہ کھلتا ہے، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔
آپ ان تمام تربیتی ملازمتوں کی فہرست دیکھ سکتے ہیں جو SageMaker پروفائلر کو جمع کرائی گئی ہیں اور کسی خاص تربیتی جاب کو اس کے نام، تخلیق کے وقت، اور چلانے کی حیثیت (ترقی میں، مکمل، ناکام، روکا، یا رکنا) سے تلاش کر سکتے ہیں۔ پروفائل لوڈ کرنے کے لیے، وہ ٹریننگ جاب منتخب کریں جسے آپ دیکھنا اور منتخب کرنا چاہتے ہیں۔ لوڈ. نوکری کا نام میں ظاہر ہونا چاہئے۔ بھری ہوئی پروفائل سب سے اوپر سیکشن.
ڈیش بورڈ اور ٹائم لائن بنانے کے لیے نوکری کا نام منتخب کریں۔ نوٹ کریں کہ جب آپ نوکری کا انتخاب کرتے ہیں، تو UI خود بخود ڈیش بورڈ کھولتا ہے۔ آپ ایک وقت میں ایک پروفائل کو لوڈ اور دیکھ سکتے ہیں۔ ایک اور پروفائل لوڈ کرنے کے لیے، آپ کو پہلے پہلے سے لوڈ کردہ پروفائل کو اتارنا ہوگا۔ پروفائل اتارنے کے لیے، میں کوڑے دان کا آئیکن منتخب کریں۔ بھری ہوئی پروفائل سیکشن پر ایک اقتصادی کینڈر سکین کر لیں۔
اس پوسٹ کے لیے، ہم ایک کا پروفائل دیکھتے ہیں۔ ALBEF دو ml.p4d.24x بڑی مثالوں پر تربیتی جاب۔
ٹریننگ جاب کو لوڈ کرنے اور منتخب کرنے کے بعد، UI کھولتا ہے۔ ڈیش بورڈ صفحہ، جیسا کہ مندرجہ ذیل اسکرین شاٹ میں دکھایا گیا ہے۔
آپ کلیدی میٹرکس کے لیے پلاٹ دیکھ سکتے ہیں، یعنی GPU ایکٹو ٹائم، وقت کے ساتھ GPU کا استعمال، CPU ایکٹو ٹائم، اور CPU کا استعمال وقت کے ساتھ۔ GPU ایکٹیو ٹائم پائی چارٹ GPU ایکٹو ٹائم بمقابلہ GPU بیکار وقت کا فیصد دکھاتا ہے، جو ہمیں یہ جانچنے کے قابل بناتا ہے کہ آیا پورے ٹریننگ جاب میں GPUs بیکار سے زیادہ فعال ہیں یا نہیں۔. ٹائم لائن گراف کے ساتھ GPU کا استعمال وقت کے ساتھ ساتھ فی نوڈ کے اوسط GPU استعمال کی شرح کو ظاہر کرتا ہے، ایک ہی چارٹ میں تمام نوڈس کو جمع کرتا ہے۔ آپ چیک کر سکتے ہیں کہ آیا GPUs میں کام کا غیر متوازن بوجھ، کم استعمال کے مسائل، رکاوٹیں، یا مخصوص وقت کے وقفوں کے دوران بیکار مسائل ہیں۔. ان میٹرکس کی تشریح کے بارے میں مزید تفصیلات کے لیے، رجوع کریں۔ دستاویزات.
ڈیش بورڈ آپ کو اضافی پلاٹ فراہم کرتا ہے، جس میں تمام GPU کرنلز کے ذریعے خرچ کیا گیا وقت، ٹاپ 15 GPU کرنلز کے ذریعے گزارا گیا وقت، تمام GPU کرنلز کی لانچ کی گنتی، اور ٹاپ 15 GPU کرنلز کی لانچ کی گنتی، جیسا کہ مندرجہ ذیل اسکرین شاٹ میں دکھایا گیا ہے۔
آخر میں، ڈیش بورڈ آپ کو اضافی میٹرکس کا تصور کرنے کے قابل بناتا ہے، جیسے کہ مرحلہ وار تقسیم، جو کہ ایک ہسٹوگرام ہے جو GPUs پر مرحلہ وار دورانیے کی تقسیم کو ظاہر کرتا ہے، اور کرنل پریزین ڈسٹری بیوشن پائی چارٹ، جو دانا چلانے پر خرچ کیے گئے وقت کا فیصد دکھاتا ہے۔ مختلف ڈیٹا کی اقسام میں جیسے FP32، FP16، INT32، اور INT8۔
آپ GPU سرگرمی کی تقسیم پر ایک پائی چارٹ بھی حاصل کر سکتے ہیں جو GPU سرگرمیوں پر صرف کیے گئے وقت کا فیصد دکھاتا ہے، جیسے کہ دانا چلانے، میموری (memcpy
اور memset
)، اور ہم آہنگی (sync
)۔ آپ GPU میموری آپریشنز ڈسٹری بیوشن پائی چارٹ سے GPU میموری آپریشنز پر گزارے گئے وقت کا اندازہ لگا سکتے ہیں۔
آپ حسب ضرورت میٹرک کی بنیاد پر اپنا اپنا ہسٹگرام بھی بنا سکتے ہیں جسے آپ نے دستی طور پر بیان کیا ہے جیسا کہ اس پوسٹ میں پہلے بیان کیا گیا ہے۔ نئے ہسٹوگرام میں حسب ضرورت تشریح شامل کرتے وقت، ٹریننگ اسکرپٹ میں شامل کردہ تشریح کا نام منتخب کریں یا درج کریں۔
ٹائم لائن انٹرفیس
سیج میکر پروفائلر UI میں ایک ٹائم لائن انٹرفیس بھی شامل ہے، جو آپ کو CPUs اور GPUs پر چلنے والے آپریشنز اور کرنل کی سطح پر کمپیوٹ وسائل کا تفصیلی نظارہ فراہم کرتا ہے۔ ٹائم لائن درخت کے ڈھانچے میں ترتیب دی گئی ہے، جو آپ کو میزبان کی سطح سے لے کر ڈیوائس کی سطح تک معلومات فراہم کرتی ہے، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔
ہر سی پی یو کے لیے، آپ سی پی یو کی کارکردگی کے کاؤنٹرز کو ٹریک کر سکتے ہیں، جیسے clk_unhalted_ref.tsc
اور itlb_misses.miss_causes_a_walk
. 2x p4d.24xlarge مثال پر ہر GPU کے لیے، آپ میزبان ٹائم لائن اور ڈیوائس کی ٹائم لائن دیکھ سکتے ہیں۔ کرنل لانچز میزبان ٹائم لائن پر ہیں اور کرنل رن ڈیوائس کی ٹائم لائن پر ہیں۔
آپ انفرادی مراحل میں بھی زوم ان کر سکتے ہیں۔ درج ذیل اسکرین شاٹ میں، ہم نے قدم_41 میں زوم ان کیا ہے۔ درج ذیل اسکرین شاٹ میں منتخب کردہ ٹائم لائن کی پٹی ہے۔ AllReduce
آپریشن، تقسیم شدہ تربیت میں ایک ضروری مواصلات اور ہم آہنگی کا مرحلہ، GPU-0 پر چلتا ہے۔ اسکرین شاٹ میں، نوٹ کریں کہ GPU-0 ہوسٹ میں کرنل لانچ GPU-0 ڈیوائس سٹریم 1 میں چلائے جانے والے کرنل سے جڑتا ہے، جو سائین میں تیر کے ساتھ اشارہ کیا گیا ہے۔
دستیابی اور تحفظات
SageMaker پروفائلر PyTorch (ورژن 2.0.0 اور 1.13.1) اور TensorFlow (ورژن 2.12.0 اور 2.11.1) میں دستیاب ہے۔ مندرجہ ذیل جدول معاونت کے لنکس فراہم کرتا ہے۔ سیج میکر کے لیے اے ڈبلیو ایس ڈیپ لرننگ کنٹینرز.
فریم ورک | ورژن | AWS DLC امیج URI |
پی ٹورچ | 2.0.0 | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:2.0.0-gpu-py310-cu118-ubuntu20.04-sagemaker |
پی ٹورچ | 1.13.1 | 763104351884.dkr.ecr.<region>.amazonaws.com/pytorch-training:1.13.1-gpu-py39-cu117-ubuntu20.04-sagemaker |
TensorFlow | 2.12.0 | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.12.0-gpu-py310-cu118-ubuntu20.04-sagemaker |
TensorFlow | 2.11.1 | 763104351884.dkr.ecr.<region>.amazonaws.com/tensorflow-training:2.11.1-gpu-py39-cu112-ubuntu20.04-sagemaker |
سیج میکر پروفائلر فی الحال درج ذیل علاقوں میں دستیاب ہے: یو ایس ایسٹ (اوہائیو، این ورجینیا)، یو ایس ویسٹ (اوریگون)، اور یورپ (فرینکفرٹ، آئرلینڈ)۔
سیج میکر پروفائلر ٹریننگ مثال کی اقسام ml.p4d.24xlarge, ml.p3dn.24xlarge، اور ml.g4dn.12xlarge میں دستیاب ہے۔
معاون فریم ورکس اور ورژنز کی مکمل فہرست کے لیے، رجوع کریں۔ دستاویزات.
SageMaker Profiler SageMaker Free Tier یا خصوصیت کی مفت آزمائش کی مدت ختم ہونے کے بعد چارجز وصول کرتا ہے۔ مزید معلومات کے لیے دیکھیں ایمیزون سیج میکر قیمتوں کا تعین.
سیج میکر پروفائلر کی کارکردگی
ہم نے سیج میکر پروفائلر کے اوور ہیڈ کا موازنہ مختلف اوپن سورس پروفائلرز سے کیا۔ موازنے کے لیے استعمال ہونے والی بنیادی لائن بغیر کسی پروفائلر کے تربیتی کام چلانے سے حاصل کی گئی تھی۔
ہماری کلیدی تلاش سے پتہ چلتا ہے کہ سیج میکر پروفائلر کے نتیجے میں عام طور پر کم بل قابل تربیت کا دورانیہ ہوتا ہے کیونکہ اس کے آخر سے آخر تک ٹریننگ پر کم اوور ہیڈ وقت ہوتا ہے۔ اوپن سورس متبادلات کے مقابلے میں اس نے کم پروفائلنگ ڈیٹا (10 گنا کم تک) بھی تیار کیا۔ سیج میکر پروفائلر کے ذریعہ تیار کردہ چھوٹے پروفائلنگ آرٹفیکٹس کو کم اسٹوریج کی ضرورت ہوتی ہے، اس طرح اخراجات میں بھی بچت ہوتی ہے۔
نتیجہ
سیج میکر پروفائلر آپ کو اپنے گہرے سیکھنے کے ماڈلز کی تربیت کے دوران کمپیوٹ وسائل کے استعمال کے بارے میں تفصیلی بصیرت حاصل کرنے کے قابل بناتا ہے۔ یہ آپ کو کارکردگی کے ہاٹ سپاٹ اور رکاوٹوں کو حل کرنے کے قابل بناتا ہے تاکہ وسائل کے موثر استعمال کو یقینی بنایا جا سکے جو بالآخر تربیت کے اخراجات کو کم کرے گا اور تربیت کا مجموعی دورانیہ کم کرے گا۔
SageMaker پروفائلر کے ساتھ شروع کرنے کے لیے، رجوع کریں۔ دستاویزات.
مصنفین کے بارے میں
رائے علیلہ میونخ، جرمنی میں مقیم AWS میں ایک سینئر AI/ML ماہر حل آرکیٹیکٹ ہیں۔ Roy AWS کے صارفین کی مدد کرتا ہے—چھوٹے سٹارٹ اپ سے لے کر بڑے کاروباری اداروں تک—AWS پر بڑے لینگویج ماڈلز کو تربیت اور تعینات کرتے ہیں۔ رائے کمپیوٹیشنل آپٹیمائزیشن کے مسائل اور AI کام کے بوجھ کی کارکردگی کو بہتر بنانے کے بارے میں پرجوش ہے۔
سوشانت مون AWS، انڈیا میں ڈیٹا سائنٹسٹ ہے، جو صارفین کو ان کی AI/ML کوششوں کے ذریعے رہنمائی کرنے میں مہارت رکھتا ہے۔ ریٹیل، فنانس اور انشورنس ڈومینز پر پھیلے ہوئے متنوع پس منظر کے ساتھ، وہ اختراعی اور موزوں حل فراہم کرتا ہے۔ اپنی پیشہ ورانہ زندگی سے ہٹ کر، سوشانت کو تیراکی میں پھر سے جوانی ملتی ہے اور وہ متنوع مقامات کے سفر سے متاثر ہوتا ہے۔
دکشا شرما ورلڈ وائیڈ اسپیشلسٹ آرگنائزیشن میں ایک AI/ML ماہر حل آرکیٹیکٹ ہے۔ وہ پبلک سیکٹر کے صارفین کے ساتھ کام کرتی ہے تاکہ انہیں موثر، محفوظ، اور قابل توسیع مشین لرننگ ایپلی کیشنز بشمول AWS پر جنریٹو AI سلوشنز کا معمار بنانے میں مدد کی جا سکے۔ اپنے فارغ وقت میں، دکشا کو پڑھنا، پینٹ کرنا اور اپنے خاندان کے ساتھ وقت گزارنا پسند ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ آٹوموٹو / ای وی، کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- چارٹ پرائم۔ ChartPrime کے ساتھ اپنے ٹریڈنگ گیم کو بلند کریں۔ یہاں تک رسائی حاصل کریں۔
- بلاک آفسیٹس۔ ماحولیاتی آفسیٹ ملکیت کو جدید بنانا۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/announcing-the-preview-of-amazon-sagemaker-profiler-track-and-visualize-detailed-hardware-performance-data-for-your-model-training-workloads/
- : ہے
- : ہے
- : نہیں
- $UP
- 1
- 10
- 100
- 11
- 12
- 125
- 13
- 15٪
- 17
- 20
- 7
- 9
- a
- ہمارے بارے میں
- تک رسائی حاصل
- کے پار
- چالو کرنا
- فعال
- سرگرمیوں
- سرگرمی
- شامل کریں
- شامل کیا
- انہوں نے مزید کہا
- ایڈیشنل
- کے بعد
- کے خلاف
- جمع کرنا
- AI
- AI / ML
- تمام
- بھی
- متبادلات
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- an
- اور
- اعلان کریں
- اعلان
- ایک اور
- کوئی بھی
- ظاہر
- درخواست
- ایپلی کیشنز
- نقطہ نظر
- نقطہ نظر
- کیا
- AS
- تفویض
- At
- خود کار طریقے سے
- دستیاب
- اوسط
- AWS
- پس منظر
- کی بنیاد پر
- بیس لائن
- BE
- کیونکہ
- بن
- رہا
- شروع
- تعلق رکھتا ہے
- کے درمیان
- سے پرے
- اربوں
- بن
- by
- کر سکتے ہیں
- صلاحیتوں
- صلاحیت
- گرفتاری
- کچھ
- چیلنجوں
- بوجھ
- چارٹ
- چیک کریں
- میں سے انتخاب کریں
- کوڈ
- کامن
- مواصلات
- مقابلے میں
- موازنہ
- مکمل
- مکمل
- پیچیدگی
- کمپیوٹنگ
- ترتیب
- جڑتا
- کنسول
- کنٹینر
- سیاق و سباق
- اسی کے مطابق
- قیمت
- اخراجات
- کاؤنٹر
- تخلیق
- بنائی
- تخلیق
- مخلوق
- اس وقت
- اپنی مرضی کے
- گاہکوں
- سنان
- ڈیش بورڈ
- اعداد و شمار
- ڈیٹا سائنسدان
- گہری
- گہری سیکھنے
- وضاحت
- فراہم کرتا ہے
- تعیناتی
- بیان کیا
- تفصیلی
- تفصیلات
- آلہ
- مختلف
- تقسیم کئے
- تقسیم کی تربیت
- تقسیم
- متنوع
- ڈومین
- ڈومینز
- کیا
- نیچے
- ڈرائیو
- مدت
- کے دوران
- ہر ایک
- اس سے قبل
- وسطی
- ہنر
- مؤثر طریقے سے
- کو چالو کرنے کے
- کے قابل بناتا ہے
- آخر
- آخر سے آخر تک
- کوششیں
- ختم ہو جاتا ہے
- کو یقینی بنانے کے
- درج
- پوری
- اندراج
- عہد
- زمانے
- ضروری
- یورپ
- واقعات
- واضح
- مثال کے طور پر
- پھانسی
- تلاش
- ناکام
- خاندان
- نمایاں کریں
- کی مالی اعانت
- تلاش
- پتہ ہے
- ختم
- پہلا
- فٹ
- کے بعد
- مندرجہ ذیل ہے
- کے لئے
- آگے
- فریم ورک
- فریم ورک
- مفت
- مفت جانچ
- سے
- مکمل
- افعال
- عام طور پر
- پیدا
- پیدا
- پیداواری
- پیداواری AI۔
- جرمنی
- حاصل
- دے
- GPU
- GPUs
- گراف
- بڑھائیں
- تھا
- ہارڈ ویئر
- ہے
- he
- مدد
- مدد کرتا ہے
- اس کی
- ان
- میزبان
- کس طرح
- کیسے
- HTML
- HTTP
- HTTPS
- i
- آئکن
- ناقابل یقین
- if
- تصویر
- پر عملدرآمد
- درآمد
- کو بہتر بنانے کے
- in
- شامل ہیں
- سمیت
- اضافہ
- بھارت
- اشارہ کیا
- انفرادی
- ناکافی
- معلومات
- جدید
- آدانوں
- بصیرت
- پریرتا
- مثال کے طور پر
- کے بجائے
- ہدایات
- انشورنس
- انٹرفیس
- میں
- آئر لینڈ
- مسائل
- IT
- تکرار
- میں
- ایوب
- نوکریاں
- فوٹو
- کلیدی
- لیبل
- لینڈنگ
- زبان
- بڑے
- شروع
- آغاز
- سیکھنے
- کم
- سطح
- لائبریری
- زندگی
- حدود
- لائنوں
- لنکس
- لسٹ
- لوڈ
- لوڈ کر رہا ہے
- اب
- بند
- سے محبت کرتا ہے
- لو
- مشین
- مشین لرننگ
- مینیجر
- دستی طور پر
- یاد داشت
- طریقہ
- طریقوں
- میٹرک۔
- پیمائش کا معیار
- کم سے کم
- ML
- ماڈل
- ماڈل
- نظر ثانی کرنے
- ماڈیولز
- زیادہ
- ضروری
- نام
- یعنی
- سمت شناسی
- ضرورت ہے
- نئی
- نہیں
- نوڈ
- نوڈس
- اعتراض
- حاصل
- حاصل کی
- of
- تجویز
- اوہائیو
- on
- ایک
- صرف
- کھول
- اوپن سورس
- کھولتا ہے
- آپریشن
- آپریشنز
- اصلاح کے
- اصلاح
- اختیار
- or
- حکم
- وریگن
- تنظیم
- منظم
- پر
- مجموعی طور پر
- خود
- صفحہ
- پین
- پیرامیٹرز
- خاص طور پر
- خاص طور پر
- جذباتی
- فی
- فیصد
- کارکردگی
- مدت
- اجازتیں
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- خوش ہوں
- پوائنٹ
- پوسٹ
- صحت سے متعلق
- تیار
- ضروریات
- پیش نظارہ
- پچھلا
- پہلے
- مسائل
- پیشہ ورانہ
- پروفائل
- پروفائلز
- پروفائلنگ
- پیش رفت
- منصوبے
- فراہم کرتا ہے
- عوامی
- ازگر
- pytorch
- فوری
- میں تیزی سے
- شرح
- پڑھیں
- کو کم
- خطوں
- پھر سے جوان ہونا
- تعلقات
- ہٹا
- کی ضرورت
- وسائل
- وسائل
- نتیجہ
- خوردہ
- انکشاف
- اضافہ
- کردار
- رای
- رن
- چل رہا ہے
- چلتا ہے
- sagemaker
- محفوظ کریں
- بچت
- توسیع پذیر
- شیڈول کے مطابق
- سائنسدان
- سکرپٹ
- sdk
- تلاش کریں
- دوسری
- سیکشن
- شعبے
- محفوظ بنانے
- دیکھنا
- ڈھونڈتا ہے
- منتخب
- منتخب
- سینئر
- سروسز
- مقرر
- قائم کرنے
- وہ
- ہونا چاہئے
- دکھایا گیا
- شوز
- ایک
- سائز
- چھوٹے
- چھوٹے
- حل
- ماخذ
- تناؤ
- ماہر
- مہارت
- مخصوص
- خرچ
- خرچ
- شروع کریں
- شروع
- سترٹو
- ریاستی آرٹ
- شماریات
- درجہ
- مرحلہ
- مراحل
- بند کر دیا
- روکنا
- ذخیرہ
- سٹریم
- ساخت
- جمع کرائی
- اس طرح
- خلاصہ
- تائید
- ہم آہنگی
- ٹیبل
- موزوں
- لے لو
- ٹیسسرور
- سے
- کہ
- ۔
- ان
- ان
- وہاں.
- اس طرح
- لہذا
- یہ
- اس
- کے ذریعے
- بھر میں
- درجے
- وقت
- ٹائم لائن
- ٹائم لائنز
- اوقات
- کرنے کے لئے
- سب سے اوپر
- ٹریک
- ٹریکنگ
- ٹرین
- ٹریننگ
- منتقل
- سفر
- درخت
- مقدمے کی سماعت
- ٹریلین
- دو
- اقسام
- عام طور پر
- ui
- آخر میں
- افہام و تفہیم
- us
- استعمال کی شرائط
- استعمال کیا جاتا ہے
- رکن کا
- صارف مواجہ
- صارفین
- کا استعمال کرتے ہوئے
- مختلف
- ورژن
- ورژن
- لنک
- ورجینیا
- vs
- چاہتے ہیں
- تھا
- we
- ویب
- ویب خدمات
- مغربی
- جب
- جس
- جبکہ
- گے
- ساتھ
- بغیر
- کام کرتا ہے
- دنیا بھر
- گا
- لپیٹو
- تم
- اور
- زیفیرنیٹ
- زوم