مشین لرننگ (ML) ٹیموں کو کسی پروجیکٹ پر کام کرتے وقت اپنے مربوط ترقیاتی ماحول (IDE) کا انتخاب کرنے کے لیے لچک کی ضرورت ہوتی ہے۔ یہ آپ کو ایک نتیجہ خیز ڈویلپر تجربہ کرنے اور رفتار سے اختراع کرنے کی اجازت دیتا ہے۔ یہاں تک کہ آپ ایک پروجیکٹ کے اندر متعدد IDEs استعمال کر سکتے ہیں۔ ایمیزون سیج میکر ایم ایل ٹیموں کو مکمل طور پر منظم، کلاؤڈ بیسڈ ماحول سے کام کرنے کا انتخاب کرنے دیتا ہے۔ ایمیزون سیج میکر اسٹوڈیو, سیج میکر نوٹ بک کی مثالیں۔، یا استعمال کرتے ہوئے آپ کی مقامی مشین سے مقامی طرز.
SageMaker Jupyter اور RStudio کو ML ماڈلز بنانے، تربیت دینے، ڈیبگ کرنے، تعینات کرنے اور مانیٹر کرنے کے لیے ایک کلک کا تجربہ فراہم کرتا ہے۔ اس پوسٹ میں، ہم بھی شیئر کریں گے۔ حل ہوسٹنگ کے لئے کوڈ سرور سیج میکر پر۔
کوڈ سرور کے ساتھ، صارف چلا سکتے ہیں۔ وی ایس کوڈ ریموٹ مشینوں پر اور ویب براؤزر میں اس تک رسائی حاصل کریں۔ ایم ایل ٹیموں کے لیے، سیج میکر پر ہوسٹنگ کوڈ سرور مقامی ترقی کے تجربے میں کم سے کم تبدیلیاں فراہم کرتا ہے، اور آپ کو قابل توسیع کلاؤڈ کمپیوٹ پر کہیں سے بھی کوڈ کرنے کی اجازت دیتا ہے۔ VS کوڈ کے ساتھ، آپ اپنی ڈیلیوری کو تیز کرنے کے لیے AWS-آپٹمائزڈ TensorFlow اور PyTorch، منظم Git repositories، لوکل موڈ، اور SageMaker کے ذریعے فراہم کردہ دیگر خصوصیات کے ساتھ بلٹ ان کونڈا ماحول بھی استعمال کر سکتے ہیں۔ IT منتظمین کے لیے، یہ آپ کو کلاؤڈ میں منظم، محفوظ IDEs کی فراہمی کو معیاری بنانے اور تیز کرنے کی اجازت دیتا ہے، تاکہ ML ٹیموں کو ان کے پراجیکٹس میں تیزی سے آن بورڈ اور فعال کیا جا سکے۔
حل جائزہ
اس پوسٹ میں، ہم اسٹوڈیو کے ماحول (آپشن A) اور نوٹ بک انسٹینس (آپشن B) دونوں کے لیے انسٹالیشن کا احاطہ کرتے ہیں۔ ہر آپشن کے لیے، ہم ایک دستی تنصیب کے عمل سے گزرتے ہیں جسے ML ٹیمیں اپنے ماحول میں چلا سکتی ہیں، اور ایک خودکار تنصیب جسے IT منتظمین ان کے لیے ترتیب دے سکتے ہیں۔ AWS کمانڈ لائن انٹرفیس (AWS CLI)۔
درج ذیل خاکہ سیج میکر پر کوڈ سرور کی میزبانی کے لیے فن تعمیر کا جائزہ پیش کرتا ہے۔
ہمارا حل آپ کے ماحول میں کوڈ سرور کے انسٹال اور سیٹ اپ کو تیز کرتا ہے۔ یہ JupyterLab 3 (تجویز کردہ) اور JupyterLab 1 دونوں کے لیے کام کرتا ہے جو اسٹوڈیو اور SageMaker نوٹ بک مثالوں میں چلتا ہے۔ یہ شیل اسکرپٹ سے بنا ہے جو آپشن کی بنیاد پر درج ذیل کام کرتا ہے۔
اسٹوڈیو (آپشن اے) کے لیے، شیل اسکرپٹ مندرجہ ذیل کام کرتا ہے:
سیج میکر نوٹ بک مثالوں کے لیے (آپشن بی)، شیل اسکرپٹ مندرجہ ذیل کام کرتا ہے:
- کوڈ سرور انسٹال کرتا ہے۔
- IDE تک تیز رسائی کے لیے Jupyter نوٹ بک فائل مینو اور JupyterLab لانچر پر ایک کوڈ سرور شارٹ کٹ شامل کرتا ہے۔
- انحصار کو منظم کرنے کے لئے ایک سرشار کونڈا ماحول بناتا ہے۔
- انسٹال کرتا ہے۔ ازگر اور میں Docker IDE پر توسیعات۔
مندرجہ ذیل حصوں میں، ہم آپشن A اور آپشن B کے لیے حل انسٹال کرنے کے عمل سے گزرتے ہیں۔ یقینی بنائیں کہ آپ کو اسٹوڈیو یا نوٹ بک مثال تک رسائی حاصل ہے۔
آپشن A: سٹوڈیو پر ہوسٹ کوڈ سرور
اسٹوڈیو پر کوڈ سرور کی میزبانی کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:
- میں سے انتخاب کریں سسٹم ٹرمینل آپ کے اسٹوڈیو لانچر میں۔
- کوڈ سرور حل کو انسٹال کرنے کے لیے، اپنے سسٹم ٹرمینل میں درج ذیل کمانڈز چلائیں:
کمانڈز کو مکمل ہونے میں چند سیکنڈ لگنے چاہئیں۔
- براؤزر کا صفحہ دوبارہ لوڈ کریں، جہاں آپ a دیکھ سکتے ہیں۔ کوڈ سرور آپ کے اسٹوڈیو لانچر میں بٹن۔
- میں سے انتخاب کریں کوڈ سرور ایک نیا براؤزر ٹیب کھولنے کے لیے، آپ کو اپنے براؤزر سے کوڈ سرور تک رسائی کی اجازت دیتا ہے۔
ازگر کی توسیع پہلے سے انسٹال ہے، اور آپ اپنے ایم ایل پروجیکٹ میں کام کر سکتے ہیں۔
آپ اپنے پروجیکٹ فولڈر کو VS کوڈ میں کھول سکتے ہیں اور اپنی Python اسکرپٹس کو چلانے کے لیے پہلے سے بنایا ہوا کونڈا ماحول منتخب کر سکتے ہیں۔
اسٹوڈیو ڈومین میں صارفین کے لیے کوڈ سرور انسٹال کو خودکار بنائیں
بطور آئی ٹی ایڈمن، آپ اسٹوڈیو کے صارفین کے لیے انسٹالیشن کو خودکار کر سکتے ہیں۔ لائف سائیکل ترتیب. یہ اسٹوڈیو ڈومین کے تحت تمام صارفین کے پروفائلز کے لیے یا مخصوص لوگوں کے لیے کیا جا سکتا ہے۔ دیکھیں لائف سائیکل کنفیگریشنز کا استعمال کرتے ہوئے ایمیزون سیج میکر اسٹوڈیو کو حسب ضرورت بنائیں مزید تفصیلات کے لئے.
اس پوسٹ کے لیے، ہم سے لائف سائیکل کنفیگریشن بناتے ہیں۔ انسٹال کوڈ سرور اسکرپٹ، اور اسے موجودہ اسٹوڈیو ڈومین سے منسلک کریں۔ ڈومین میں موجود تمام صارف پروفائلز کے لیے انسٹال کیا جاتا ہے۔
AWS CLI اور مناسب اجازتوں کے ساتھ تشکیل شدہ ٹرمینل سے، درج ذیل کمانڈز چلائیں:
Jupyter سرور کے دوبارہ شروع ہونے کے بعد، کوڈ سرور بٹن آپ کے اسٹوڈیو لانچر میں ظاہر ہوتا ہے۔
آپشن B: سیج میکر نوٹ بک مثال پر کوڈ سرور کی میزبانی کریں۔
SageMaker نوٹ بک مثال پر کوڈ سرور کی میزبانی کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:
- اپنی نوٹ بک مثال کے لیے Jupyter یا JupyterLab کے ذریعے ٹرمینل لانچ کریں۔
اگر آپ Jupyter استعمال کرتے ہیں، تو منتخب کریں۔ ٹرمنل پر نئی مینو.
- کوڈ سرور حل کو انسٹال کرنے کے لیے، اپنے ٹرمینل میں درج ذیل کمانڈز چلائیں:
کوڈ سرور اور ایکسٹینشن کی تنصیبات نوٹ بک مثال پر مستقل ہیں۔ تاہم، اگر آپ مثال کو روکتے ہیں یا دوبارہ شروع کرتے ہیں، تو آپ کو کوڈ سرور کو دوبارہ ترتیب دینے کے لیے درج ذیل کمانڈ کو چلانے کی ضرورت ہے۔
sudo ./setup-codeserver.shکمانڈز کو چلنے میں چند سیکنڈ لگنے چاہئیں۔ جب آپ مندرجہ ذیل دیکھیں گے تو آپ ٹرمینل ٹیب کو بند کر سکتے ہیں۔
- اب Jupyter صفحہ کو دوبارہ لوڈ کریں اور چیک کریں۔ نئی دوبارہ مینو.
۔ کوڈ سرور آپشن اب دستیاب ہونا چاہئے۔
آپ ایک وقف شدہ لانچر بٹن کا استعمال کرتے ہوئے JupyterLab سے کوڈ سرور بھی لانچ کر سکتے ہیں، جیسا کہ درج ذیل اسکرین شاٹ میں دکھایا گیا ہے۔
انتخاب کوڈ سرور ایک نیا براؤزر ٹیب کھولے گا، جس سے آپ اپنے براؤزر سے کوڈ سرور تک رسائی حاصل کر سکیں گے۔ Python اور Docker ایکسٹینشنز پہلے ہی انسٹال ہیں، اور آپ اپنے ML پروجیکٹ میں کام کر سکتے ہیں۔
نوٹ بک مثال پر کوڈ سرور انسٹال کو خودکار بنائیں
بطور آئی ٹی ایڈمن، آپ کوڈ سرور انسٹال کو خودکار کر سکتے ہیں۔ لائف سائیکل ترتیب مثال کی تخلیق پر چل رہا ہے، اور مثال کے طور پر شروع ہونے والے ایک کے ساتھ سیٹ اپ کو خودکار بنائیں۔
یہاں، ہم استعمال کرتے ہوئے ایک مثال نوٹ بک مثال اور لائف سائیکل کنفیگریشن بناتے ہیں۔ AWS CLI. on-create تشکیل چلتا ہے۔ انسٹال کوڈ سرور، اور on-start چلتا ہے سیٹ اپ کوڈ سرور.
AWS CLI اور مناسب اجازتوں کے ساتھ تشکیل شدہ ٹرمینل سے، درج ذیل کمانڈز چلائیں:
کوڈ سرور انسٹال اب نوٹ بک مثال کے لیے خودکار ہے۔
نتیجہ
ساتھ کوڈ سرور SageMaker پر میزبانی کی گئی، ML ٹیمیں VS Code کو اسکیل ایبل کلاؤڈ کمپیوٹ، کہیں سے بھی کوڈ، اور اپنے ML پروجیکٹ کی ترسیل کو تیز کر سکتی ہیں۔ IT ایڈمنز کے لیے، یہ انہیں کلاؤڈ میں منظم، محفوظ IDEs کی فراہمی کو معیاری بنانے اور تیز کرنے کی اجازت دیتا ہے، تاکہ اپنے پروجیکٹس میں ایم ایل ٹیموں کو تیزی سے آن بورڈ اور فعال کر سکیں۔
اس پوسٹ میں، ہم نے ایک حل شیئر کیا ہے جسے آپ اسٹوڈیو اور نوٹ بک دونوں صورتوں پر کوڈ سرور کو تیزی سے انسٹال کرنے کے لیے استعمال کر سکتے ہیں۔ ہم نے ایک دستی تنصیب کے عمل کا اشتراک کیا جسے ML ٹیمیں خود چلا سکتی ہیں، اور ایک خودکار تنصیب جسے IT منتظمین ان کے لیے ترتیب دے سکتے ہیں۔
اپنی تعلیم میں مزید جانے کے لیے، ملاحظہ کریں۔ AWSome SageMaker SageMaker کے ساتھ کام کرنے کے لیے درکار تمام متعلقہ اور تازہ ترین وسائل تلاش کرنے کے لیے GitHub پر۔
مصنفین کے بارے میں
جیوسیپ اینجلو پورسیلی ایمیزون ویب سروسز کے لیے پرنسپل مشین لرننگ اسپیشلسٹ سولیوشن آرکیٹیکٹ ہے۔ کئی سالوں سے سافٹ ویئر انجینئرنگ ایک ایم ایل پس منظر کے ساتھ، وہ کسی بھی سائز کے صارفین کے ساتھ کام کرتا ہے تاکہ ان کے کاروبار اور تکنیکی ضروریات کو گہرائی سے سمجھ سکیں اور AI اور مشین لرننگ حل تیار کریں جو AWS Cloud اور Amazon Machine Learning Stack کا بہترین استعمال کرتے ہیں۔ اس نے مختلف ڈومینز میں پروجیکٹس پر کام کیا ہے، بشمول MLOps، Computer Vision، NLP، اور AWS سروسز کا ایک وسیع سیٹ شامل ہے۔ اپنے فارغ وقت میں، Giuseppe فٹ بال کھیلنے سے لطف اندوز ہوتا ہے۔
صوفیان حمیتی۔ AWS میں AI/ML ماہر حل آرکیٹیکٹ ہے۔ وہ تمام صنعتوں کے صارفین کو اینڈ ٹو اینڈ مشین لرننگ سلوشنز بنانے اور چلانے میں مدد کر کے اپنے AI/ML سفر کو تیز کرنے میں مدد کرتا ہے۔
ایرک پینا AWS آرٹیفیشل انٹیلی جنس پلیٹ فارمز ٹیم میں ایک سینئر ٹیکنیکل پروڈکٹ مینیجر ہے، جو Amazon SageMaker Interactive Machine Learning پر کام کر رہا ہے۔ وہ فی الحال سیج میکر اسٹوڈیو پر IDE انضمام پر توجہ مرکوز کرتا ہے۔ اس نے MIT Sloan سے MBA کی ڈگری حاصل کی ہے اور کام کے باہر باسکٹ بال اور فٹ بال کھیلنا پسند ہے۔
- اعلی درجے کی (300)
- AI
- ai آرٹ
- AI آرٹ جنریٹر
- عی روبوٹ
- ایمیزون مشین لرننگ
- ایمیزون سیج میکر
- مصنوعی ذہانت
- مصنوعی ذہانت کا سرٹیفیکیشن
- بینکنگ میں مصنوعی ذہانت
- مصنوعی ذہانت والا روبوٹ
- مصنوعی ذہانت والے روبوٹ
- مصنوعی ذہانت سافٹ ویئر
- AWS مشین لرننگ
- blockchain
- بلاکچین کانفرنس
- coingenius
- بات چیت مصنوعی ذہانت
- crypto کانفرنس ai
- dall-e
- گہری سیکھنے
- گوگل عی
- مشین لرننگ
- پلاٹا
- افلاطون اے
- افلاطون ڈیٹا انٹیلی جنس
- افلاطون گیم
- پلیٹو ڈیٹا
- پلیٹو گیمنگ
- پیمانہ ai
- نحو
- زیفیرنیٹ
