توسیع پذیر اور موثر مشین لرننگ (ML) پائپ لائنز کی تشکیل ایم ایل ماڈلز کی ترقی، تعیناتی اور انتظام کو ہموار کرنے کے لیے بہت ضروری ہے۔ اس پوسٹ میں، ہم ڈائریکٹڈ ایسکلک گراف (DAG) کی تخلیق کو خودکار بنانے کے لیے ایک فریم ورک پیش کرتے ہیں۔ ایمیزون سیج میکر پائپ لائنز سادہ کنفیگریشن فائلوں پر مبنی۔ دی فریم ورک کوڈ اور مثالیں۔ یہاں صرف ماڈل ٹریننگ پائپ لائنوں کا احاطہ کیا گیا ہے، لیکن آسانی سے بیچ انفرنس پائپ لائنوں تک بھی بڑھایا جا سکتا ہے۔
یہ متحرک فریم ورک کنفیگریشن فائلوں کا استعمال کنفیگریشن فائلوں کا استعمال کنفیگریشن فائلوں کو پری پروسیسنگ، ٹریننگ، ایویلیویشن اور رجسٹریشن کے مراحل کے لیے استعمال کرتا ہے جو سنگل ماڈل اور ملٹی ماڈل استعمال کے کیسز کی بنیاد پر صارف کے متعین Python اسکرپٹس، بنیادی ڈھانچے کی ضروریات (بشمول ایمیزون ورچوئل پرائیویٹ کلاؤڈ (ایمیزون وی پی سی) سب نیٹس اور سیکیورٹی گروپس، AWS شناخت اور رسائی کا انتظام (IAM) کے کردار، AWS کلیدی انتظام کی خدمت (AWS KMS) کیز، کنٹینرز کی رجسٹری، اور مثال کی اقسام)، ان پٹ اور آؤٹ پٹ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) راستے، اور وسائل کے ٹیگز۔ کنفیگریشن فائلز (YAML اور JSON) ML پریکٹیشنرز کو اعلانیہ نحو کا استعمال کرتے ہوئے تربیتی پائپ لائنوں کی آرکیسٹریٹنگ کے لیے غیر متفاوت کوڈ کی وضاحت کرنے کی اجازت دیتی ہیں۔ یہ ڈیٹا سائنسدانوں کو ML ماڈلز کو تیزی سے بنانے اور دوبارہ بنانے کے قابل بناتا ہے، اور ML انجینئرز کو مسلسل انضمام اور مسلسل ترسیل (CI/CD) ML پائپ لائنوں کو تیزی سے چلانے کے لیے بااختیار بناتا ہے، جس سے ماڈلز کی تیاری میں وقت کم ہوتا ہے۔
حل جائزہ
مجوزہ فریم ورک کوڈ کنفیگریشن فائلوں کو پڑھ کر شروع ہوتا ہے۔ اس کے بعد یہ متحرک طور پر کنفیگریشن فائلوں میں بیان کردہ اقدامات اور مراحل کے درمیان تعاملات اور انحصار کی بنیاد پر ایک SageMaker Pipelines DAG بناتا ہے۔ یہ آرکیسٹریشن فریم ورک سنگل ماڈل اور ملٹی ماڈل دونوں استعمال کے معاملات کو پورا کرتا ہے، اور ڈیٹا اور عمل کا ہموار بہاؤ فراہم کرتا ہے۔ اس حل کے اہم فوائد درج ذیل ہیں:
- میشن - مکمل ایم ایل ورک فلو، ڈیٹا پری پروسیسنگ سے لے کر ماڈل رجسٹری تک، بغیر کسی دستی مداخلت کے ترتیب دیا گیا ہے۔ یہ ماڈل کے تجربات اور آپریشنلائزیشن کے لیے درکار وقت اور محنت کو کم کرتا ہے۔
- تولیدی صلاحیت - پہلے سے طے شدہ کنفیگریشن فائل کے ساتھ، ڈیٹا سائنسدان اور ایم ایل انجینئرز پورے ورک فلو کو دوبارہ تیار کر سکتے ہیں، متعدد رنز اور ماحول میں مستقل نتائج حاصل کر سکتے ہیں۔
- اسکیل ایبلٹی - ایمیزون سیج میکر پورے پائپ لائن میں استعمال کیا جاتا ہے، ML پریکٹیشنرز کو بڑے ڈیٹا سیٹس پر کارروائی کرنے اور بنیادی ڈھانچے کے خدشات کے بغیر پیچیدہ ماڈلز کو تربیت دینے کے قابل بناتا ہے۔
- لچک - فریم ورک لچکدار ہے اور ML استعمال کے کیسز، ML فریم ورک (جیسے XGBoost اور TensorFlow)، ملٹی ماڈل ٹریننگ، اور ملٹی سٹیپ ٹریننگ کی ایک وسیع رینج کو ایڈجسٹ کر سکتا ہے۔ ٹریننگ ڈی اے جی کے ہر قدم کو کنفیگریشن فائل کے ذریعے اپنی مرضی کے مطابق بنایا جا سکتا ہے۔
- ماڈل گورننس - دی ایمیزون سیج میکر ماڈل رجسٹری انضمام ماڈل ورژن کو ٹریک کرنے کی اجازت دیتا ہے، اور اس لیے انہیں اعتماد کے ساتھ پروڈکشن میں فروغ دیتا ہے۔
مندرجہ ذیل آرکیٹیکچر ڈایاگرام میں دکھایا گیا ہے کہ آپ ایم ایل ماڈلز کے تجربات اور آپریشنلائزیشن دونوں کے دوران مجوزہ فریم ورک کو کس طرح استعمال کر سکتے ہیں۔ تجربے کے دوران، آپ اس پوسٹ میں فراہم کردہ فریم ورک کوڈ ریپوزٹری اور اپنے پروجیکٹ کے مخصوص سورس کوڈ ریپوزٹری کو کلون کر سکتے ہیں۔ ایمیزون سیج میکر اسٹوڈیو، اور اپنا ورچوئل ماحول ترتیب دیں (تفصیل بعد میں اس پوسٹ میں)۔ اس کے بعد آپ پری پروسیسنگ، ٹریننگ، اور تشخیصی اسکرپٹس کے ساتھ ساتھ کنفیگریشن کے انتخاب پر بھی اعادہ کر سکتے ہیں۔ سیج میکر پائپ لائنز ٹریننگ ڈی اے جی بنانے اور چلانے کے لیے، آپ فریم ورک کے انٹری پوائنٹ کو کال کر سکتے ہیں، جو تمام کنفیگریشن فائلوں کو پڑھے گا، ضروری اقدامات کرے گا، اور انہیں مخصوص مرحلہ وار ترتیب اور انحصار کی بنیاد پر ترتیب دے گا۔
آپریشنلائزیشن کے دوران، CI پائپ لائن فریم ورک کوڈ ریپوزٹری اور پراجیکٹ کے لیے مخصوص ٹریننگ ریپوزٹری کو کلون کرتی ہے۔ AWS کوڈ بلڈ۔ job، جہاں فریم ورک کے انٹری پوائنٹ اسکرپٹ کو سیج میکر پائپ لائنز ٹریننگ ڈی اے جی بنانے یا اپ ڈیٹ کرنے کے لیے کہا جاتا ہے، اور پھر اسے چلائیں۔
ذخیرہ کی ساخت
۔ GitHub ذخیرہ درج ذیل ڈائریکٹریز اور فائلوں پر مشتمل ہے:
- /framework/conf/ - اس ڈائرکٹری میں ایک کنفیگریشن فائل ہے جو تمام ماڈلنگ یونٹس جیسے سب نیٹس، سیکیورٹی گروپس، اور رن ٹائم میں IAM رول میں عام متغیرات کو سیٹ کرنے کے لیے استعمال ہوتی ہے۔ ایک ماڈلنگ یونٹ ایم ایل ماڈل کی تربیت کے لیے چھ مراحل تک کا ایک سلسلہ ہے۔
- /framework/createmodel/ - اس ڈائرکٹری میں ایک Python اسکرپٹ ہے جو تخلیق کرتا ہے۔ سیج میکر ماڈل ایک سے ماڈل نمونے پر مبنی آبجیکٹ سیج میکر پائپ لائنز کا تربیتی مرحلہ. ماڈل آبجیکٹ بعد میں a میں استعمال ہوتا ہے۔ سیج میکر بیچ ٹرانسفارم ٹیسٹ سیٹ پر ماڈل کی کارکردگی کا جائزہ لینے کا کام۔
- /فریم ورک/ماڈل میٹرکس/ - اس ڈائرکٹری میں ایک Python اسکرپٹ ہے جو تخلیق کرتا ہے۔ ایمیزون سیج میکر پروسیسنگ SageMaker بیچ ٹرانسفارم جاب کے ٹیسٹ ڈیٹا پر انجام دیے گئے نتائج کی بنیاد پر تربیت یافتہ ماڈل کے لیے ماڈل میٹرکس JSON رپورٹ تیار کرنے کا کام۔
- /فریم ورک/پائپ لائن/ - اس ڈائرکٹری میں Python اسکرپٹس شامل ہیں جو مخصوص کنفیگریشنز کی بنیاد پر SageMaker Pipelines DAG بنانے یا اپ ڈیٹ کرنے کے لیے دیگر فریم ورک ڈائریکٹریز میں بیان کردہ Python کلاسز کا استعمال کرتی ہیں۔ model_unit.py اسکرپٹ پائپ لائن_service.py کے ذریعہ ایک یا زیادہ ماڈلنگ یونٹ بنانے کے لیے استعمال کیا جاتا ہے۔ ہر ماڈلنگ یونٹ ایم ایل ماڈل کی تربیت کے لیے چھ مراحل تک کا ایک سلسلہ ہے: پراسیس، ٹرین، تخلیق ماڈل، ٹرانسفارم، میٹرکس، اور رجسٹر ماڈل۔ ہر ماڈلنگ یونٹ کے لیے کنفیگریشنز کو ماڈل کے متعلقہ ریپوزٹری میں بیان کیا جانا چاہیے۔ pipeline_service.py سیج میکر پائپ لائن سیکشن کی بنیاد پر سیج میکر پائپ لائنز کے مراحل (ماڈلنگ یونٹوں کے اندر اور اس کے پار کے مراحل کو کس طرح ترتیب یا زنجیر سے باندھا جاتا ہے) کے درمیان انحصار بھی طے کرتا ہے، جس کی وضاحت ماڈل ریپوزٹریز (اینکر ماڈل) میں سے کسی ایک کی کنفیگریشن فائل میں ہونی چاہیے۔ یہ آپ کو سیج میکر پائپ لائنز کے ذریعہ طے شدہ ڈیفالٹ انحصار کو اوور رائیڈ کرنے کی اجازت دیتا ہے۔ ہم بعد میں اس پوسٹ میں کنفیگریشن فائل کے ڈھانچے پر بات کریں گے۔
- /فریم ورک/پروسیسنگ/ - اس ڈائرکٹری میں ایک Python اسکرپٹ ہے جو مخصوص Docker امیج اور انٹری پوائنٹ اسکرپٹ کی بنیاد پر SageMaker پروسیسنگ جاب بناتا ہے۔
- /framework/registermodel/ - اس ڈائرکٹری میں سیج میکر ماڈل رجسٹری میں اس کے حساب شدہ میٹرکس کے ساتھ تربیت یافتہ ماڈل کو رجسٹر کرنے کے لیے ایک Python اسکرپٹ شامل ہے۔
- /فریم ورک/ٹریننگ/ - اس ڈائرکٹری میں ایک Python اسکرپٹ ہے جو SageMaker ٹریننگ جاب بناتا ہے۔
- /فریم ورک/ٹرانسفارم/ - اس ڈائرکٹری میں ایک Python اسکرپٹ ہے جو SageMaker بیچ ٹرانسفارم جاب بناتا ہے۔ ماڈل ٹریننگ کے تناظر میں، اس کا استعمال ٹیسٹ ڈیٹا پر تربیت یافتہ ماڈل کی کارکردگی میٹرک کا حساب لگانے کے لیے کیا جاتا ہے۔
- /فریم ورک/افادیت/ - اس ڈائرکٹری میں کنفیگریشن فائلوں کو پڑھنے اور اس میں شامل ہونے کے ساتھ ساتھ لاگنگ کے لیے یوٹیلیٹی اسکرپٹس شامل ہیں۔
- /framework_entrypoint.py - یہ فائل فریم ورک کوڈ کا انٹری پوائنٹ ہے۔ یہ SageMaker Pipelines DAG بنانے یا اسے چلانے کے لیے /framework/pipeline/ ڈائریکٹری میں بیان کردہ فنکشن کو کال کرتا ہے۔
- /مثالیں/ - اس ڈائرکٹری میں کئی مثالیں ہیں کہ آپ اس آٹومیشن فریم ورک کو سادہ اور پیچیدہ تربیتی DAGs بنانے کے لیے کیسے استعمال کر سکتے ہیں۔
- /env.env - یہ فائل آپ کو عام متغیرات جیسے سب نیٹس، سیکورٹی گروپس، اور IAM کردار کو ماحولیاتی متغیرات کے طور پر سیٹ کرنے کی اجازت دیتی ہے۔
- /requirements.txt - یہ فائل Python لائبریریوں کی وضاحت کرتی ہے جو فریم ورک کوڈ کے لیے درکار ہیں۔
شرائط
اس حل کو تعینات کرنے سے پہلے آپ کے پاس درج ذیل شرائط ہونی چاہئیں:
- AWS اکاؤنٹ
- سیج میکر اسٹوڈیو
- Amazon S3 پڑھنے/لکھنے اور AWS KMS انکرپٹ/ڈیکرپٹ اجازتوں کے ساتھ سیج میکر کا کردار
- ڈیٹا، اسکرپٹس، اور ماڈل نمونے کو ذخیرہ کرنے کے لیے ایک S3 بالٹی
- اختیاری طور پر، AWS کمانڈ لائن انٹرفیس (AWS CLI)
- Python3 (Python 3.7 یا اس سے زیادہ) اور مندرجہ ذیل Python پیکجز:
- boto3
- sagemaker
- پی یا ایم ایل
- آپ کے حسب ضرورت اسکرپٹس میں استعمال ہونے والے اضافی Python پیکجز
حل تعینات کریں۔
حل کو تعینات کرنے کے لیے درج ذیل اقدامات کو مکمل کریں:
- مندرجہ ذیل ڈھانچے کے مطابق اپنے ماڈل ٹریننگ ریپوزٹری کو منظم کریں:
- گٹ ریپوزٹریز سے فریم ورک کوڈ اور اپنے ماڈل سورس کوڈ کو کلون کریں:
-
- کلون
dynamic-sagemaker-pipelines-framework
ٹریننگ ڈائرکٹری میں ریپو۔ درج ذیل کوڈ میں، ہم فرض کرتے ہیں کہ ٹریننگ ڈائرکٹری کو کہا جاتا ہے۔aws-train
: - اسی ڈائرکٹری کے تحت ماڈل سورس کوڈ کو کلون کریں۔ ملٹی ماڈل ٹریننگ کے لیے، اس مرحلہ کو زیادہ سے زیادہ ماڈلز کے لیے دہرائیں۔
- کلون
سنگل ماڈل ٹریننگ کے لیے، آپ کی ڈائرکٹری کو درج ذیل کی طرح نظر آنا چاہیے:
ملٹی ماڈل ٹریننگ کے لیے، آپ کی ڈائرکٹری کو درج ذیل کی طرح نظر آنا چاہیے:
- درج ذیل ماحولیاتی متغیرات کو ترتیب دیں۔ ستارے ماحولیاتی متغیرات کی نشاندہی کرتے ہیں جن کی ضرورت ہے۔ باقی اختیاری ہیں.
ماحولیاتی متغیر | Description |
SMP_ACCOUNTID* |
AWS اکاؤنٹ جہاں SageMaker پائپ لائن چلائی جاتی ہے۔ |
SMP_REGION* |
AWS علاقہ جہاں SageMaker پائپ لائن چلائی جاتی ہے۔ |
SMP_S3BUCKETNAME* |
S3 بالٹی کا نام |
SMP_ROLE* |
سیج میکر کا کردار |
SMP_MODEL_CONFIGPATH* |
سنگل ماڈل یا ملٹی ماڈل کنفیگریشن فائلوں کا رشتہ دار راستہ |
SMP_SUBNETS |
SageMaker نیٹ ورکنگ کنفیگریشن کے لیے سب نیٹ IDs |
SMP_SECURITYGROUPS |
سیج میکر نیٹ ورکنگ کنفیگریشن کے لیے سیکیورٹی گروپ آئی ڈیز |
سنگل ماڈل استعمال کے معاملات کے لیے، SMP_MODEL_CONFIGPATH
ہو جائے گا <MODEL-DIR>/conf/conf.yaml
. ملٹی ماڈل استعمال کے معاملات کے لیے، SMP_MODEL_CONFIGPATH
ہو جائے گا */conf/conf.yaml
، جو آپ کو سب تلاش کرنے کی اجازت دیتا ہے۔ conf.yaml
Python کے گلوب ماڈیول کا استعمال کرتے ہوئے فائلیں اور ان کو جوڑ کر ایک عالمی کنفیگریشن فائل بنائیں۔ تجربہ (مقامی ٹیسٹنگ) کے دوران، آپ env.env فائل کے اندر ماحولیاتی متغیرات کی وضاحت کر سکتے ہیں اور پھر اپنے ٹرمینل میں درج ذیل کمانڈ کو چلا کر انہیں برآمد کر سکتے ہیں:
نوٹ کریں کہ ماحولیاتی متغیرات کی قدریں env.env
کوٹیشن مارکس کے اندر رکھنا چاہیے (مثال کے طور پر، SMP_REGION="us-east-1"
)۔ آپریشنلائزیشن کے دوران، ان ماحولیاتی متغیرات کو CI پائپ لائن کے ذریعے سیٹ کیا جانا چاہیے۔
- درج ذیل کمانڈز چلا کر ورچوئل ماحول بنائیں اور فعال کریں:
- درج ذیل کمانڈ کو چلا کر مطلوبہ ازگر پیکجز انسٹال کریں:
- اپنی ماڈل ٹریننگ میں ترمیم کریں۔
conf.yaml
فائلوں. ہم اگلے حصے میں کنفیگریشن فائل کے ڈھانچے پر بات کرتے ہیں۔ - ٹرمینل سے، SageMaker پائپ لائن ٹریننگ DAG بنانے یا اپ ڈیٹ کرنے اور چلانے کے لیے فریم ورک کے انٹری پوائنٹ پر کال کریں:
- سیج میکر پائپ لائنز کو دیکھیں اور ڈیبگ کریں۔ پائپ لائنز سیج میکر اسٹوڈیو UI کا ٹیب۔
کنفیگریشن فائل کا ڈھانچہ
مجوزہ حل میں دو قسم کی کنفیگریشن فائلیں ہیں: فریم ورک کنفیگریشن اور ماڈل کنفیگریشن۔ اس حصے میں، ہم ہر ایک کو تفصیل سے بیان کرتے ہیں۔
فریم ورک کی ترتیب
۔ /framework/conf/conf.yaml
فائل متغیرات کا تعین کرتا ہے جو تمام ماڈلنگ یونٹس میں عام ہیں۔ اس میں شامل ہے SMP_S3BUCKETNAME
, SMP_ROLE
, SMP_MODEL_CONFIGPATH
, SMP_SUBNETS
, SMP_SECURITYGROUPS
، اور SMP_MODELNAME
. ان متغیرات کی تفصیل اور ماحولیاتی متغیرات کے ذریعے انہیں کیسے ترتیب دیا جائے، کے لیے تعیناتی کی ہدایات کے مرحلہ 3 کا حوالہ دیں۔
ماڈل کی ترتیب
پروجیکٹ میں ہر ایک ماڈل کے لیے، ہمیں مندرجہ ذیل میں وضاحت کرنے کی ضرورت ہے۔ <MODEL-DIR>/conf/conf.yaml
فائل (ستارے مطلوبہ حصوں کی نشاندہی کرتے ہیں؛ باقی اختیاری ہیں):
- /conf/ماڈلز* - اس سیکشن میں، آپ ایک یا زیادہ ماڈلنگ یونٹ تشکیل دے سکتے ہیں۔ جب فریم ورک کوڈ چلایا جاتا ہے، تو یہ رن ٹائم کے دوران تمام کنفیگریشن فائلوں کو خود بخود پڑھ لے گا اور انہیں کنفیگریشن ٹری میں جوڑ دے گا۔ نظریاتی طور پر، آپ ایک ہی میں تمام ماڈلنگ یونٹس کی وضاحت کر سکتے ہیں۔
conf.yaml
فائل، لیکن غلطیوں کو کم کرنے کے لیے ہر ماڈلنگ یونٹ کی ترتیب کو اس کی متعلقہ ڈائریکٹری یا گٹ ریپوزٹری میں بتانے کی سفارش کی جاتی ہے۔ یونٹس مندرجہ ذیل ہیں:- {ماڈل کا نام}* - ماڈل کا نام۔
- source_directory* - ایک عام
source_dir
ماڈلنگ یونٹ کے اندر تمام مراحل کے لیے استعمال کرنے کا راستہ۔ - پری عمل - یہ سیکشن پری پروسیسنگ پیرامیٹرز کی وضاحت کرتا ہے۔
- ٹرین* - یہ سیکشن تربیتی ملازمت کے پیرامیٹرز کی وضاحت کرتا ہے۔
- تبدیل* - یہ سیکشن ٹیسٹ ڈیٹا پر پیشین گوئیاں کرنے کے لیے SageMaker Transform جاب کے پیرامیٹرز کی وضاحت کرتا ہے۔
- اندازہ - یہ سیکشن تربیت یافتہ ماڈل کے لیے ماڈل میٹرکس JSON رپورٹ بنانے کے لیے SageMaker پروسیسنگ جاب کے پیرامیٹرز کی وضاحت کرتا ہے۔
- رجسٹری* - یہ سیکشن سیج میکر ماڈل رجسٹری میں تربیت یافتہ ماڈل کو رجسٹر کرنے کے لیے پیرامیٹرز کی وضاحت کرتا ہے۔
- /conf/sagemaker پائپ لائن* - یہ سیکشن سیج میکر پائپ لائنز کے بہاؤ کی وضاحت کرتا ہے، بشمول مراحل کے درمیان انحصار۔ سنگل ماڈل کے استعمال کے معاملات کے لیے، اس حصے کی وضاحت کنفیگریشن فائل کے آخر میں کی گئی ہے۔ ملٹی ماڈل استعمال کے معاملات کے لیے،
sagemakerPipeline
سیکشن کو صرف کسی ایک ماڈل (ماڈل میں سے کسی) کی کنفیگریشن فائل میں بیان کرنے کی ضرورت ہے۔ ہم اس ماڈل کو بطور حوالہ دیتے ہیں۔ اینکر ماڈل. پیرامیٹرز مندرجہ ذیل ہیں:- پائپ لائن کا نام* - سیج میکر پائپ لائن کا نام۔
- ماڈل* - ماڈلنگ یونٹس کی نیسٹڈ لسٹ:
- {ماڈل کا نام}* - ماڈل شناخت کنندہ، جو /conf/models سیکشن میں ایک {model-name} شناخت کنندہ سے مماثل ہونا چاہیے۔
- قدم* -
- step_name* - سیج میکر پائپ لائنز ڈی اے جی میں دکھائے جانے والے قدم کا نام۔
- مرحلہ_کلاس* - (یونین [پروسیسنگ، ٹریننگ، تخلیق ماڈل، ٹرانسفارم، میٹرکس، رجسٹر ماڈل])
- step_type* - یہ پیرامیٹر صرف پری پروسیسنگ کے مراحل کے لیے درکار ہے، جس کے لیے اسے پری پروسیسنگ پر سیٹ کیا جانا چاہیے۔ پیشگی عمل میں فرق کرنے اور اقدامات کا اندازہ کرنے کے لیے اس کی ضرورت ہے، دونوں میں ایک ہے۔
step_class
پروسیسنگ کے. - enable_cache – ([یونین[سچ، غلط]])۔ یہ اشارہ کرتا ہے کہ آیا چالو کرنا ہے۔ سیج میکر پائپ لائنز کیشنگ اس قدم کے لیے.
- chain_input_source_step – ([فہرست[قدم_نام]])۔ آپ اسے دوسرے مرحلے کے چینل آؤٹ پٹس کو اس مرحلے کے ان پٹ کے طور پر سیٹ کرنے کے لیے استعمال کر سکتے ہیں۔
- chain_input_additional_prefix - اس کی اجازت صرف ٹرانسفارم کے مراحل کے لیے ہے۔
step_class
، اور اس کے ساتھ مل کر استعمال کیا جاسکتا ہے۔chain_input_source_step
فائل کی نشاندہی کرنے کے لیے پیرامیٹر جسے ٹرانسفارم سٹیپ کے ان پٹ کے طور پر استعمال کیا جانا چاہیے۔
- قدم* -
- {ماڈل کا نام}* - ماڈل شناخت کنندہ، جو /conf/models سیکشن میں ایک {model-name} شناخت کنندہ سے مماثل ہونا چاہیے۔
- انحصار - یہ سیکشن اس ترتیب کی وضاحت کرتا ہے جس میں سیج میکر پائپ لائنز کے مراحل کو چلایا جانا چاہیے۔ ہم نے اس سیکشن کے لیے اپاچی ایئر فلو اشارے کو ڈھال لیا ہے (مثال کے طور پر،
{step_name} >> {step_name}
)۔ اگر اس حصے کو خالی چھوڑ دیا جاتا ہے تو، واضح انحصارchain_input_source_step
پیرامیٹر یا مضمر انحصار سیج میکر پائپ لائنز ڈی اے جی کے بہاؤ کی وضاحت کرتے ہیں۔
نوٹ کریں کہ ہم فی ماڈلنگ یونٹ میں ایک تربیتی قدم رکھنے کی تجویز کرتے ہیں۔ اگر ماڈلنگ یونٹ کے لیے متعدد تربیتی مراحل کی وضاحت کی گئی ہے، تو اس کے بعد کے مراحل واضح طور پر ماڈل آبجیکٹ بنانے، میٹرکس کا حساب لگانے، اور ماڈل کو رجسٹر کرنے کے لیے آخری تربیتی قدم اٹھاتے ہیں۔ اگر آپ کو متعدد ماڈلز کو تربیت دینے کی ضرورت ہے، تو متعدد ماڈلنگ یونٹ بنانے کی سفارش کی جاتی ہے۔
مثال کے طور پر
اس حصے میں، ہم پیش کردہ فریم ورک کا استعمال کرتے ہوئے بنائے گئے ML ماڈل ٹریننگ DAGs کی تین مثالیں دکھاتے ہیں۔
سنگل ماڈل ٹریننگ: لائٹ جی بی ایم
یہ درجہ بندی کے استعمال کے معاملے کے لیے ایک واحد ماڈل کی مثال ہے جہاں ہم استعمال کرتے ہیں۔ سیج میکر پر اسکرپٹ موڈ میں لائٹ جی بی ایم. ڈیٹاسیٹ بائنری لیبل ریونیو کی پیشین گوئی کرنے کے لیے دوٹوک اور عددی متغیرات پر مشتمل ہوتا ہے (یہ پیشین گوئی کرنے کے لیے کہ آیا موضوع خریداری کرتا ہے یا نہیں)۔ دی پری پروسیسنگ اسکرپٹ تربیت اور جانچ کے لیے ڈیٹا کو ماڈل بنانے کے لیے استعمال کیا جاتا ہے اور پھر اسے S3 بالٹی میں ڈالیں۔. اس کے بعد S3 راستے فراہم کیے جاتے ہیں۔ تربیتی قدم کنفیگریشن فائل میں۔
جب تربیتی مرحلہ چلتا ہے، سیج میکر فائل کو کنٹینر پر لوڈ کرتا ہے۔ /opt/ml/input/data/{channelName}/
ماحول کے متغیر کے ذریعے قابل رسائی SM_CHANNEL_{channelName}
کنٹینر پر (channelName = 'ٹرین' یا 'ٹیسٹ') تربیتی سکرپٹ مندرجہ ذیل کرتا ہے:
- کا استعمال کرتے ہوئے مقامی کنٹینر راستوں سے فائلوں کو مقامی طور پر لوڈ کریں۔ NumPy لوڈ ماڈیول.
- تربیتی الگورتھم کے لیے ہائپر پیرامیٹر سیٹ کریں۔
- تربیت یافتہ ماڈل کو مقامی کنٹینر پاتھ پر محفوظ کریں۔
/opt/ml/model/
.
سیج میکر ایک ٹربال بنانے کے لیے مواد کو /opt/ml/model/ کے تحت لیتا ہے جو ماڈل کو ہوسٹنگ کے لیے SageMaker پر تعینات کرنے کے لیے استعمال ہوتا ہے۔
تبدیلی کا مرحلہ سٹیج پر ان پٹ کے طور پر لیتا ہے۔ ان پٹ کے بطور ٹیسٹ فائل اور تربیت یافتہ ماڈل پر پیشین گوئیاں کرنے کے لیے تربیت یافتہ ماڈل۔ تبدیلی کے قدم کی پیداوار ہے زنجیروں سے جکڑا ہوا کے خلاف ماڈل کا اندازہ کرنے کے لیے میٹرکس قدم پر زمینی حقائق، جو واضح طور پر میٹرکس مرحلے میں فراہم کیا جاتا ہے۔ آخر میں، میٹرکس سٹیپ کے آؤٹ پٹ کو سیج میکر ماڈل رجسٹری میں ماڈل کو رجسٹر کرنے کے لیے رجسٹر سٹیپ سے منسلک کیا جاتا ہے جس میں میٹرکس سٹیپ میں ماڈل کی کارکردگی کے بارے میں معلومات ہوتی ہیں۔ مندرجہ ذیل اعداد و شمار تربیتی DAG کی بصری نمائندگی کو ظاہر کرتا ہے۔ آپ اس مثال کے لیے اسکرپٹس اور کنفیگریشن فائل کا حوالہ دے سکتے ہیں۔ GitHub repo.
سنگل ماڈل ٹریننگ: ایل ایل ایم فائن ٹیوننگ
یہ ایک اور سنگل ماڈل ٹریننگ کی مثال ہے، جہاں ہم ٹیکسٹ سمریائزیشن کے استعمال کے کیس کے لیے Hugging Face Hub سے Falcon-40B لارج لینگویج ماڈل (LLM) کی فائن ٹیوننگ آرکیسٹریٹ کرتے ہیں۔ دی پری پروسیسنگ اسکرپٹ لوڈ کرتا ہے صمسم ہگنگ فیس سے ڈیٹا سیٹ، ماڈل کے لیے ٹوکنائزر کو لوڈ کرتا ہے، اور فالکن-ٹیکسٹ-سمریزائزیشن-پری پروسیس مرحلے میں اس ڈومین ڈیٹا پر ماڈل کو ٹھیک کرنے کے لیے ٹرین/ٹیسٹ ڈیٹا اسپلٹس پر کارروائی کرتا ہے۔
آؤٹ پٹ ہے زنجیروں سے جکڑا ہوا falcon-text-summarization-tuning مرحلہ تک، جہاں تربیتی سکرپٹ ہگنگ فیس ہب سے Falcon-40B LLM لوڈ کرتا ہے اور اس کا استعمال کرتے ہوئے تیز رفتار فائن ٹیوننگ شروع کرتا ہے۔ LoRA ٹرین کی تقسیم پر. ماڈل کو ٹھیک ٹیوننگ کے بعد اسی مرحلے میں جانچا جاتا ہے، جو دربان Falcon-text-summarization-tuning قدم کو ناکام کرنے کے لیے تشخیصی نقصان، جس کی وجہ سے SageMaker پائپ لائن ٹھیک ٹیونڈ ماڈل کو رجسٹر کرنے کے قابل ہونے سے پہلے رک جاتی ہے۔ بصورت دیگر، Falcon-text-summarization-tuning مرحلہ کامیابی سے چلتا ہے اور ماڈل SageMaker ماڈل رجسٹری میں رجسٹرڈ ہوتا ہے۔ مندرجہ ذیل اعداد و شمار ایل ایل ایم فائن ٹیوننگ ڈی اے جی کی بصری نمائندگی کو ظاہر کرتا ہے۔ اس مثال کے لیے اسکرپٹ اور کنفیگریشن فائل میں دستیاب ہیں۔ GitHub repo.
ملٹی ماڈل ٹریننگ
یہ ایک ملٹی ماڈل ٹریننگ کی مثال ہے جہاں پرنسپل کمپوننٹ اینالیسس (PCA) ماڈل کو جہتی کمی کے لیے تربیت دی جاتی ہے، اور TensorFlow Multilayer Perceptron ماڈل کو تربیت دی جاتی ہے۔ کیلیفورنیا ہاؤسنگ کی قیمت کی پیشن گوئی. TensorFlow ماڈل کا پری پروسیسنگ مرحلہ اپنے تربیتی ڈیٹا کی جہت کو کم کرنے کے لیے ایک تربیت یافتہ PCA ماڈل کا استعمال کرتا ہے۔ PCA ماڈل رجسٹریشن کے بعد TensorFlow ماڈل رجسٹرڈ ہونے کو یقینی بنانے کے لیے ہم کنفیگریشن میں انحصار شامل کرتے ہیں۔ مندرجہ ذیل اعداد و شمار ملٹی ماڈل ٹریننگ DAG مثال کی بصری نمائندگی کو ظاہر کرتا ہے۔ اس مثال کے لیے اسکرپٹ اور کنفیگریشن فائلیں میں دستیاب ہیں۔ GitHub repo.
صاف کرو
اپنے وسائل کو صاف کرنے کے لیے درج ذیل اقدامات کو مکمل کریں:
- AWS CLI استعمال کریں۔ فہرست اور ہٹا کوئی بھی باقی پائپ لائنز جو ازگر اسکرپٹس کے ذریعہ بنائی گئی ہیں۔
- اختیاری طور پر، دیگر AWS وسائل کو حذف کریں جیسے S3 بالٹی یا SageMaker پائپ لائنز کے باہر تخلیق کردہ IAM کردار۔
نتیجہ
اس پوسٹ میں، ہم نے کنفیگریشن فائلوں کی بنیاد پر SageMaker Pipelines DAG تخلیق کو خودکار کرنے کے لیے ایک فریم ورک پیش کیا۔ مجوزہ فریم ورک پیچیدہ ایم ایل کام کے بوجھ کو آرکیسٹریٹنگ کے چیلنج کے لیے مستقبل کے حوالے سے حل پیش کرتا ہے۔ کنفیگریشن فائل کا استعمال کرتے ہوئے، سیج میکر پائپ لائنز کم سے کم کوڈ کے ساتھ آرکیسٹریشن بنانے کے لیے لچک فراہم کرتی ہے، تاکہ آپ سنگل ماڈل اور ملٹی ماڈل دونوں پائپ لائنوں کو بنانے اور ان کا انتظام کرنے کے عمل کو ہموار کر سکیں۔ یہ نقطہ نظر نہ صرف وقت اور وسائل کی بچت کرتا ہے بلکہ MLOps کے بہترین طریقوں کو بھی فروغ دیتا ہے، جو ML اقدامات کی مجموعی کامیابی میں حصہ ڈالتا ہے۔ نفاذ کی تفصیلات کے بارے میں مزید معلومات کے لیے، کا جائزہ لیں۔ GitHub repo.
مصنفین کے بارے میں
لوئس فیلیپ یپیز بیریوس، AWS پروفیشنل سروسز کے ساتھ ایک مشین لرننگ انجینئر ہے، جو مشین لرننگ (ML) کے میدان میں سائنسی اختراع کو تیز کرنے کے لیے توسیع پذیر تقسیم شدہ نظاموں اور آٹومیشن ٹولنگ پر مرکوز ہے۔ مزید برآں، وہ انٹرپرائز کلائنٹس کو AWS سروسز کے ذریعے مشین لرننگ سلوشنز کو بہتر بنانے میں مدد کرتا ہے۔
جنزاؤ فینگ، AWS پروفیشنل سروسز میں مشین لرننگ انجینئر ہے۔ وہ بڑے پیمانے پر جنریٹو AI اور کلاسیکل ML پائپ لائن حل کی تعمیر اور نفاذ پر توجہ مرکوز کرتا ہے۔ وہ FMOps، LLMOps اور تقسیم شدہ تربیت میں مہارت رکھتا ہے۔
ہرش اسنانی، AWS میں مشین لرننگ انجینئر ہے۔ اس کا پس منظر اپلائیڈ ڈیٹا سائنس میں ہے جس کی توجہ کلاؤڈ میں مشین لرننگ کے کام کے بوجھ کو پیمانے پر چلانے پر ہے۔
حسن شجاعی، AWS پروفیشنل سروسز کے ساتھ ایک Sr. ڈیٹا سائنٹسٹ ہے، جہاں وہ مختلف صنعتوں کے صارفین کو بڑے ڈیٹا، مشین لرننگ، اور کلاؤڈ ٹیکنالوجیز کے استعمال کے ذریعے اپنے کاروباری چیلنجوں کو حل کرنے میں مدد کرتا ہے۔ اس کردار سے پہلے، حسن نے اعلیٰ توانائی کمپنیوں کے لیے نئی طبیعیات پر مبنی اور ڈیٹا پر مبنی ماڈلنگ تکنیک تیار کرنے کے لیے متعدد اقدامات کی قیادت کی۔ کام کے علاوہ، حسن کو کتابوں، پیدل سفر، فوٹو گرافی اور تاریخ کا شوق ہے۔
ایلیک جینب، ایک مشین لرننگ انجینئر ہے جو انٹرپرائز صارفین کے لیے پیمانے پر مشین لرننگ سلوشنز تیار کرنے اور اسے چلانے میں مہارت رکھتا ہے۔ ایلک مارکیٹ میں اختراعی حل لانے کے بارے میں پرجوش ہے، خاص طور پر ان علاقوں میں جہاں مشین لرننگ صارف کے آخری تجربے کو معنی خیز طور پر بہتر بنا سکتی ہے۔ کام سے باہر، وہ باسکٹ بال کھیلنے، سنو بورڈنگ کرنے، اور سان فرانسسکو میں چھپے ہوئے جواہرات کو دریافت کرنے سے لطف اندوز ہوتا 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۔ 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۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/automate-amazon-sagemaker-pipelines-dag-creation/
- : ہے
- : نہیں
- :کہاں
- $UP
- 120
- 160
- 7
- 8
- 9
- a
- قابلیت
- ہمارے بارے میں
- تیز
- تک رسائی حاصل
- قابل رسائی
- ایڈجسٹ کریں
- کے مطابق
- اکاؤنٹ
- حصول
- کے پار
- چالو
- تیزابیت
- شامل کریں
- کے بعد
- کے خلاف
- AI
- یلگورتم
- تمام
- کی اجازت
- کی اجازت
- کی اجازت دیتا ہے
- ساتھ
- بھی
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون سیج میکر پائپ لائنز
- ایمیزون ویب سروسز
- کے درمیان
- an
- تجزیہ
- لنگر
- اور
- ایک اور
- کوئی بھی
- اپاچی
- اطلاقی
- نقطہ نظر
- فن تعمیر
- کیا
- علاقوں
- AS
- مدد
- فرض کرو
- At
- خود کار طریقے سے
- خود کار طریقے سے
- خودکار
- میشن
- دستیاب
- AWS
- AWS پروفیشنل سروسز
- پس منظر
- کی بنیاد پر
- باسکٹ بال
- BE
- اس سے پہلے
- فوائد
- BEST
- بہترین طریقوں
- بگ
- بگ ڈیٹا
- کتب
- دونوں
- آ رہا ہے
- تعمیر
- کاروبار
- لیکن
- by
- حساب
- حساب
- فون
- کہا جاتا ہے
- کالز
- کر سکتے ہیں
- کیس
- مقدمات
- کیٹر
- وجوہات
- زنجیروں سے جکڑا ہوا
- چیلنج
- چیلنجوں
- چینل
- انتخاب
- کلاس
- درجہ بندی
- صاف
- cli
- کلائنٹس
- بادل
- کوڈ
- جمع
- کامن
- کمپنیاں
- پیچیدہ
- جزو
- اندراج
- آپکا اعتماد
- ترتیب
- مجموعہ
- متواتر
- مشتمل
- کنٹینر
- کنٹینر
- پر مشتمل ہے
- مواد
- سیاق و سباق
- مسلسل
- تعاون کرنا
- احاطہ
- تخلیق
- بنائی
- پیدا
- تخلیق
- مخلوق
- اہم
- اپنی مرضی کے
- گاہکوں
- اپنی مرضی کے مطابق
- ماؤنٹین
- اعداد و شمار
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- اعداد و شمار پر مبنی ہے
- ڈیٹاسیٹس
- کا اعلان کر دیا
- پہلے سے طے شدہ
- وضاحت
- کی وضاحت
- وضاحت کرتا ہے
- ترسیل
- مظاہرہ
- انحصار
- انحصار
- تعیناتی
- تعینات
- تعیناتی
- بیان
- تفصیل
- تفصیلی
- تفصیلات
- ترقی
- ترقی
- ترقی
- آریھ
- مختلف
- ہدایت
- ڈائریکٹریز
- ڈائرکٹری
- دریافت
- بات چیت
- ظاہر
- ممتاز
- تقسیم کئے
- تقسیم شدہ نظام
- تقسیم کی تربیت
- میں Docker
- کرتا
- ڈومین
- کے دوران
- متحرک
- متحرک طور پر
- ہر ایک
- ہنر
- کوشش
- بااختیار بنانا
- کو چالو کرنے کے
- کے قابل بناتا ہے
- کو فعال کرنا
- آخر
- توانائی
- انجینئر
- انجینئرز
- کو یقینی بنانے کے
- انٹرپرائز
- پوری
- اندراج
- ماحولیات
- ماحول
- نقائص
- خاص طور پر
- اندازہ
- اندازہ
- کا جائزہ لینے
- تشخیص
- ہر کوئی
- مثال کے طور پر
- مثال کے طور پر
- تیز کریں
- تجربہ
- واضح طور پر
- برآمد
- توسیع
- چہرہ
- FAIL
- جھوٹی
- تیز تر
- میدان
- اعداد و شمار
- فائل
- فائلوں
- آخر
- مل
- لچک
- لچکدار
- بہاؤ
- توجہ مرکوز
- توجہ مرکوز
- توجہ مرکوز
- کے بعد
- مندرجہ ذیل ہے
- کے لئے
- فارم
- آگے بڑھنا
- فریم ورک
- فریم ورک
- فرانسسکو
- سے
- تقریب
- مزید برآں
- پیدا کرنے والے
- پیداواری
- پیداواری AI۔
- جاؤ
- گلوبل
- گورننس
- گراف
- زیادہ سے زیادہ
- گروپ
- گروپ کا
- ہے
- ہونے
- he
- مدد کرتا ہے
- یہاں
- پوشیدہ
- ان
- تاریخ
- ہوسٹنگ
- ہاؤسنگ
- کس طرح
- کیسے
- HTML
- HTTP
- HTTPS
- حب
- شناخت
- شناختی
- شناخت
- if
- تصویر
- نفاذ
- پر عمل درآمد
- کو بہتر بنانے کے
- in
- دیگر میں
- شامل ہیں
- سمیت
- اشارہ کرتے ہیں
- اشارہ کرتا ہے
- صنعتوں
- اندازہ لگایا
- معلومات
- انفراسٹرکچر
- اقدامات
- جدت طرازی
- جدید
- ان پٹ
- کے اندر
- انسٹال
- مثال کے طور پر
- ہدایات
- انضمام
- بات چیت
- مداخلت
- میں
- IT
- میں
- ایوب
- شمولیت
- فوٹو
- JSON
- کلیدی
- چابیاں
- لیبل
- زبان
- بڑے
- آخری
- بعد
- سیکھنے
- قیادت
- چھوڑ دیا
- لائبریریوں
- کی طرح
- لائن
- لسٹ
- ایل ایل ایم
- لوڈ
- بوجھ
- مقامی
- مقامی طور پر
- لاگ ان
- دیکھو
- کی طرح دیکھو
- بند
- مشین
- مشین لرننگ
- بنا
- بناتا ہے
- بنانا
- انتظام
- مینیجنگ
- دستی
- بہت سے
- مارکیٹ
- میچ
- میٹرک۔
- پیمائش کا معیار
- کم سے کم
- کم سے کم
- ML
- ایم ایل اوپس
- موڈ
- ماڈل
- ماڈلنگ
- ماڈل
- ماڈیول
- زیادہ
- ایک سے زیادہ
- نام
- ضروری
- ضرورت ہے
- ضرورت
- ضروریات
- نیٹ ورکنگ
- اگلے
- نہیں
- ناول
- اعتراض
- of
- تجویز
- on
- ایک
- صرف
- اصلاح
- or
- آرکسٹری
- آرکیسٹریٹنگ
- آرکیسٹرا
- دیگر
- دوسری صورت میں
- پیداوار
- نتائج
- باہر
- مجموعی طور پر
- منسوخی
- پیکجوں کے
- پیرامیٹر
- پیرامیٹرز
- جذباتی
- راستہ
- راستے
- فی
- کارکردگی
- کارکردگی
- فوٹو گرافی
- پائپ لائن
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیل
- پوائنٹ
- پوسٹ
- طریقوں
- پیش وضاحتی
- پیشن گوئی
- پیشن گوئی
- ضروریات
- حال (-)
- پیش
- قیمت
- پرنسپل
- پہلے
- نجی
- عمل
- عمل
- پروسیسنگ
- تیار
- پیداوار
- پیشہ ورانہ
- منصوبے
- فروغ دیتا ہے
- کو فروغ دینے
- مجوزہ
- فراہم
- فراہم کرتا ہے
- خرید
- ازگر
- جلدی سے
- رینج
- پڑھیں
- آسانی سے
- پڑھنا
- سفارش
- سفارش کی
- کو کم
- کم
- کمی
- کا حوالہ دیتے ہیں
- خطے
- رجسٹر
- رجسٹرڈ
- رجسٹر
- رجسٹریشن
- رجسٹری
- باقی
- دوبارہ
- رپورٹ
- ذخیرہ
- نمائندگی
- ضرورت
- ضروریات
- وسائل
- وسائل
- متعلقہ
- باقی
- نتائج کی نمائش
- آمدنی
- کا جائزہ لینے کے
- کردار
- کردار
- رن
- چل رہا ہے
- چلتا ہے
- رن ٹائم
- sagemaker
- سیج میکر پائپ لائنز
- اسی
- سان
- سان فرانسسکو
- توسیع پذیر
- پیمانے
- سائنس
- سائنسی
- سائنسدان
- سائنسدانوں
- اسکرپٹ
- سکرپٹ
- سیکشن
- سیکشنز
- سیکورٹی
- تسلسل
- سروسز
- مقرر
- سیٹ
- کئی
- ہونا چاہئے
- شوز
- سادہ
- چھ
- ہموار
- So
- حل
- حل
- حل
- ماخذ
- ماخذ کوڈ
- خصوصی
- مہارت دیتا ہے
- مخصوص
- تقسیم
- الگ ہوجاتا ہے
- شروع ہوتا ہے
- مرحلہ
- مراحل
- بند کرو
- ذخیرہ
- ذخیرہ کرنے
- کارگر
- منظم
- ساخت
- سٹوڈیو
- موضوع
- ذیلی نیٹ
- بعد میں
- کامیابی
- کامیابی کے ساتھ
- اس طرح
- فراہم کی
- نحو
- سسٹمز
- لے لو
- لیتا ہے
- تکنیک
- ٹیکنالوجی
- ٹیسسرور
- ٹرمنل
- ٹیسٹ
- ٹیسٹنگ
- متن
- کہ
- ۔
- رجسٹر
- ان
- ان
- تو
- لہذا
- یہ
- اس
- تین
- کے ذریعے
- بھر میں
- وقت
- کرنے کے لئے
- سب سے اوپر
- ٹریکنگ
- ٹرین
- تربیت یافتہ
- ٹریننگ
- تبدیل
- درخت
- سچ
- دو
- اقسام
- ui
- کے تحت
- یونٹ
- یونٹس
- اپ ڈیٹ کریں
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- رکن کا
- صارف کا تجربہ
- استعمال
- کا استعمال کرتے ہوئے
- کی افادیت
- اقدار
- متغیر
- ورژن
- کی طرف سے
- مجازی
- بصری
- we
- ویب
- ویب خدمات
- اچھا ہے
- جب
- چاہے
- جس
- ڈبلیو
- وسیع
- وسیع رینج
- گے
- ساتھ
- کے اندر
- بغیر
- کام
- کام کا بہاؤ
- XGBoost
- یامل
- تم
- اور
- زیفیرنیٹ