نومبر 2022 میں، ہم کا اعلان کیا ہے جس کے ساتھ AWS صارفین متن سے تصاویر بنا سکتے ہیں۔ مستحکم بازی میں ماڈلز ایمیزون سیج میکر جمپ اسٹارٹ. آج، ہم ایک نئی خصوصیت کا اعلان کرتے ہیں جو جمپ سٹارٹ میں مستحکم ڈفیوژن ماڈلز کے ساتھ آپ کو اعلیٰ درجے کی تصاویر (معیار کو کھونے کے بغیر تصویروں کا سائز تبدیل کرنے) دیتا ہے۔ ایک ایسی تصویر جو کم ریزولیوشن، دھندلی اور پکسلیٹ ہو اسے ہائی ریزولوشن والی تصویر میں تبدیل کیا جا سکتا ہے جو ہموار، واضح اور زیادہ تفصیلی دکھائی دیتی ہے۔ یہ عمل، کہا جاتا ہے کی upscaling، کا اطلاق حقیقی امیجز اور امیجز دونوں پر کیا جا سکتا ہے۔ متن سے تصویر کے مستحکم پھیلاؤ کے ماڈل. اس کا استعمال مختلف صنعتوں جیسے کہ ای کامرس اور رئیل اسٹیٹ کے ساتھ ساتھ فنکاروں اور فوٹوگرافروں میں تصویر کے معیار کو بڑھانے کے لیے کیا جا سکتا ہے۔ مزید برآں، ہائی ریزولوشن اسکرینوں پر ڈسپلے ہونے پر اپ اسکیلنگ کم ریزولوشن والی تصاویر کے بصری معیار کو بہتر بنا سکتی ہے۔
Stable Diffusion تصاویر کو اعلیٰ درجے کے لیے ایک AI الگورتھم کا استعمال کرتا ہے، جس سے دستی کام کی ضرورت کو ختم کیا جا سکتا ہے جس کے لیے تصویر میں خالی جگہوں کو دستی طور پر بھرنے کی ضرورت پڑ سکتی ہے۔ اسے لاکھوں امیجز پر تربیت دی گئی ہے اور یہ ہائی ریزولوشن امیجز کی درست پیشین گوئی کر سکتی ہے، جس کے نتیجے میں روایتی امیج اپ سکیلرز کے مقابلے میں تفصیل میں نمایاں اضافہ ہوتا ہے۔ مزید برآں، قریبی پڑوسی جیسی غیر گہری سیکھنے کی تکنیکوں کے برعکس، اسٹیبل ڈفیوژن تصویر کے سیاق و سباق کو مدنظر رکھتا ہے، متنی پرامپٹ کا استعمال کرتے ہوئے اس کو بڑھانے کے عمل کی رہنمائی کرتا ہے۔
اس پوسٹ میں، ہم اس بات کا جائزہ فراہم کرتے ہیں کہ اسٹیبل ڈفیوژن اپ اسکیلر ماڈل کے ساتھ دو طریقوں سے کیسے لگائیں اور کیسے لگائیں: جمپ اسٹارٹ کے یوزر انٹرفیس (UI) کے ذریعے ایمیزون سیج میکر اسٹوڈیو، اور پروگرام کے ذریعے جمپ اسٹارٹ APIs میں دستیاب ہے SageMaker Python SDK.
حل جائزہ
مندرجہ ذیل تصاویر ماڈل کے ذریعے کی گئی اعلیٰ درجے کی مثالیں دکھاتی ہیں۔ بائیں طرف اصل کم ریزولوشن والی تصویر ہے جو ماڈل کے ذریعے تیار کردہ تصویر کے سائز سے مماثل ہے۔ دائیں طرف ماڈل کی طرف سے تیار کردہ تصویر ہے۔
پہلی تیار کردہ تصویر کم ریزولیوشن بلی کی تصویر اور پرامپٹ "ایک سفید بلی" کا نتیجہ ہے۔
دوسری تیار کردہ تصویر کم ریزولیوشن والی تتلی کی تصویر اور "سبز پتی پر تتلی" کا اشارہ ہے۔
Stable Diffusion جیسے بڑے ماڈلز کو چلانے کے لیے حسب ضرورت انفرنس اسکرپٹس کی ضرورت ہوتی ہے۔ اس بات کو یقینی بنانے کے لیے کہ اسکرپٹ، ماڈل، اور مطلوبہ مثال ایک ساتھ موثر طریقے سے کام کرتے ہیں، آپ کو آخر سے آخر تک ٹیسٹ چلانے ہوں گے۔ جمپ اسٹارٹ استعمال کے لیے تیار اسکرپٹ فراہم کرکے اس عمل کو آسان بناتا ہے جن کا مضبوطی سے تجربہ کیا گیا ہے۔ آپ اسٹوڈیو UI کے ذریعے ایک کلک کے ساتھ یا کوڈ کی بہت کم لائنوں کے ساتھ ان اسکرپٹس تک رسائی حاصل کر سکتے ہیں۔ جمپ اسٹارٹ APIs.
مندرجہ ذیل حصے اس بات کا جائزہ فراہم کرتے ہیں کہ ماڈل کو کیسے تعینات کیا جائے اور اسٹوڈیو UI یا JumpStart APIs کا استعمال کرتے ہوئے اندازہ کیسے چلایا جائے۔
نوٹ کریں کہ اس ماڈل کو استعمال کرکے، آپ اس سے اتفاق کرتے ہیں۔ CreativeML اوپن RAIL++-M لائسنس.
اسٹوڈیو UI کے ذریعے جمپ اسٹارٹ تک رسائی حاصل کریں۔
اس سیکشن میں، ہم اسٹوڈیو UI کے ذریعے جمپ سٹارٹ ماڈلز کو تربیت اور تعینات کرنے کا طریقہ دکھاتے ہیں۔ درج ذیل ویڈیو میں دکھایا گیا ہے کہ جمپ سٹارٹ پر پہلے سے تربیت یافتہ اسٹیبل ڈفیوژن اپ اسکیلر ماڈل کو کیسے تلاش کیا جائے اور اسے کیسے لگایا جائے۔ ماڈل صفحہ ماڈل کے بارے میں قیمتی معلومات اور اسے استعمال کرنے کے طریقہ پر مشتمل ہے۔ اندازہ لگانے کے لیے، ہم ml.p3.2xlarge مثال کی قسم استعمال کرتے ہیں کیونکہ یہ کم قیمت والے مقام پر کم قیاس میں تاخیر کے لیے درکار GPU ایکسلریشن فراہم کرتا ہے۔ سیج میکر ہوسٹنگ مثال کو ترتیب دینے کے بعد، منتخب کریں۔ تعینات. اس میں 5-10 منٹ لگیں گے جب تک کہ اختتامی نقطہ تیار ہو جائے اور چلتا ہو اور تخمینہ کی درخواستوں کا جواب دینے کے لیے تیار ہو۔
اندازہ لگانے کے وقت کو تیز کرنے کے لیے، جمپ سٹارٹ ایک نمونہ نوٹ بک فراہم کرتا ہے جو یہ دکھاتا ہے کہ نئے بنائے گئے اختتامی نقطہ پر اندازہ کیسے چلایا جائے۔ اسٹوڈیو میں نوٹ بک تک رسائی کے لیے، منتخب کریں۔ نوٹ بک کھولیں۔ میں اسٹوڈیو سے اینڈ پوائنٹ کا استعمال کریں۔ ماڈل اینڈ پوائنٹ پیج کا سیکشن۔
SageMaker SDK کے ساتھ JumpStart پروگرام کے مطابق استعمال کریں۔
آپ جمپ سٹارٹ UI استعمال کر سکتے ہیں تاکہ پہلے سے تربیت یافتہ ماڈل کو انٹرایکٹو طور پر صرف چند کلکس میں تعینات کیا جا سکے۔ تاہم، آپ JumpStart ماڈلز کو پروگرام کے مطابق APIs کا استعمال کر کے بھی استعمال کر سکتے ہیں جو SageMaker Python SDK میں ضم ہیں۔
اس سیکشن میں، ہم جمپ سٹارٹ میں ایک مناسب پہلے سے تربیت یافتہ ماڈل کا انتخاب کرتے ہیں، اس ماڈل کو سیج میکر کے اختتامی نقطہ پر تعینات کرتے ہیں، اور تعینات کردہ اختتامی نقطہ پر اندازہ لگاتے ہیں، یہ سب SageMaker Python SDK کا استعمال کرتے ہوئے کرتے ہیں۔ درج ذیل مثالیں کوڈ کے ٹکڑوں پر مشتمل ہیں۔ اس ڈیمو میں تمام مراحل کے ساتھ مکمل کوڈ کے لیے، دیکھیں جمپ سٹارٹ کا تعارف - تصویر کے معیار کو پرامپٹ کے ذریعے بہتر بنائیں مثال کے طور پر نوٹ بک.
پہلے سے تربیت یافتہ ماڈل تعینات کریں۔
سیج میکر ڈوکر کنٹینرز کو مختلف تعمیراتی اور رن ٹائم کاموں کے لیے استعمال کرتا ہے۔ جمپ اسٹارٹ استعمال کرتا ہے۔ سیج میکر ڈیپ لرننگ کنٹینرز (DLCs) جو فریم ورک کے لیے مخصوص ہیں۔ ہم سب سے پہلے کسی بھی اضافی پیکج کے ساتھ ساتھ منتخب کردہ کام کے لیے تربیت اور تخمینہ کو سنبھالنے کے لیے اسکرپٹس لاتے ہیں۔ پھر پہلے سے تربیت یافتہ ماڈل کے نمونے الگ سے لائے جاتے ہیں۔ model_uris
، جو پلیٹ فارم کو لچک فراہم کرتا ہے۔ یہ ایک ہی انفرنس اسکرپٹ کے ساتھ متعدد پہلے سے تربیت یافتہ ماڈلز کو استعمال کرنے کی اجازت دیتا ہے۔ مندرجہ ذیل کوڈ اس عمل کی وضاحت کرتا ہے:
اگلا، ہم ان وسائل کو a میں فراہم کرتے ہیں۔ سیج میکر ماڈل مثال کے طور پر اور ایک اختتامی نقطہ تعینات کریں:
ہمارے ماڈل کے تعینات ہونے کے بعد، ہم اس سے حقیقی وقت میں پیشین گوئیاں حاصل کر سکتے ہیں!
ان پٹ کی شکل
اختتامی نقطہ خام RGB قدروں یا بیس64 انکوڈ شدہ تصویر کے طور پر کم ریزولوشن والی تصویر کو قبول کرتا ہے۔ انفرنس ہینڈلر اس کی بنیاد پر تصویر کو ڈی کوڈ کرتا ہے۔ content_type
:
- کے لئے
content_type = “application/json”
، ان پٹ پے لوڈ خام RGB اقدار، ایک متنی اشارہ، اور دیگر اختیاری پیرامیٹرز کے ساتھ JSON لغت ہونا ضروری ہے - کے لئے
content_type = “application/json;jpeg”
، ان پٹ پے لوڈ بنیادی 64 انکوڈ شدہ امیج کے ساتھ JSON لغت، ایک ٹیکسٹول پرامپٹ، اور دیگر اختیاری پیرامیٹرز ہونا ضروری ہے
آؤٹ پٹ کی شکل
درج ذیل کوڈ کی مثالیں آپ کو اس بات کی ایک جھلک دیتی ہیں کہ آؤٹ پٹس کیسا نظر آتا ہے۔ اسی طرح ان پٹ فارمیٹ کی طرح، اختتامی نقطہ تصویر کی خام RGB اقدار یا ایک base64 انکوڈ شدہ تصویر کے ساتھ جواب دے سکتا ہے۔ یہ ترتیب کے ذریعہ بیان کیا جاسکتا ہے۔ accept
دو قدروں میں سے ایک پر:
- کے لئے
accept = “application/json”
، اختتامی نقطہ تصویر کے لیے RGB اقدار کے ساتھ JSON لغت لوٹاتا ہے۔ - کے لئے
accept = “application/json;jpeg”
، اختتامی نقطہ JPEG امیج کے ساتھ ایک JSON لغت واپس کرتا ہے کیونکہ base64.b64 انکوڈنگ کے ساتھ انکوڈ شدہ بائٹس
نوٹ کریں کہ خام RGB قدروں کے ساتھ پے لوڈ بھیجنا یا وصول کرنا ان پٹ پے لوڈ اور رسپانس سائز کے لیے پہلے سے طے شدہ حد تک پہنچ سکتا ہے۔ لہذا، ہم سیٹنگ کے ذریعہ بیس 64 انکوڈ شدہ تصویر کو استعمال کرنے کی تجویز کرتے ہیں۔ content_type = “application/json;jpeg”
اور accept = “application/json;jpeg”
.
مندرجہ ذیل کوڈ ایک مثال استدلال کی درخواست ہے:
اختتامی جواب ایک JSON آبجیکٹ ہے جس میں تیار کردہ تصاویر اور پرامپٹ شامل ہیں:
تائید شدہ پیرامیٹرز
مستحکم ڈفیوژن اپ اسکیلنگ ماڈل تصویر بنانے کے لیے بہت سے پیرامیٹرز کی حمایت کرتے ہیں:
- تصویر - کم ریزولیوشن والی تصویر۔
- پرامپٹ - امیج جنریشن کی رہنمائی کے لیے ایک اشارہ۔ یہ تار یا تاروں کی فہرست ہو سکتی ہے۔
- num_inference_steps (اختیاری) - تصویر بنانے کے دوران ڈینوائزنگ اقدامات کی تعداد۔ مزید اقدامات اعلی معیار کی تصویر کی طرف لے جاتے ہیں۔ اگر بیان کیا جائے تو اس کا ایک مثبت عدد ہونا چاہیے۔ نوٹ کریں کہ مزید قیاس کے اقدامات سے جوابی وقت کا طویل وقت ہوگا۔
- رہنمائی_پیمانہ (اختیاری) - اعلی رہنمائی کے پیمانے کے نتیجے میں تصویر کے معیار کی قیمت پر، پرامپٹ سے زیادہ قریب سے تعلق رکھنے والی تصویر سامنے آتی ہے۔ اگر بیان کیا گیا ہے، تو یہ ایک فلوٹ ہونا چاہیے۔
guidance_scale<=1
نظر انداز کیا جاتا ہے۔ - منفی_پرامپٹ (اختیاری) - یہ اس پرامپٹ کے خلاف امیج جنریشن کی رہنمائی کرتا ہے۔ اگر متعین کیا گیا ہو، تو یہ سٹرنگ یا تاروں کی فہرست ہونی چاہیے اور اس کے ساتھ استعمال کی جائے۔
guidance_scale
. اگرguidance_scale
غیر فعال ہے، یہ بھی غیر فعال ہے۔ مزید برآں، اگر پرامپٹ تاروں کی فہرست ہے، تو منفی_پرامپٹ بھی تاروں کی فہرست ہونا چاہیے۔ - بیج (اختیاری) - یہ تولیدی صلاحیت کے لیے بے ترتیب حالت کو ٹھیک کرتا ہے۔ اگر متعین کیا جائے تو یہ ایک عدد عدد ہونا چاہیے۔ جب بھی آپ ایک ہی بیج کے ساتھ ایک ہی پرامپٹ کا استعمال کرتے ہیں، نتیجہ کی تصویر ہمیشہ ایک جیسی ہوگی۔
- شور_سطح (اختیاری) - اس سے اویکت ویکٹروں کو اونچا کرنے سے پہلے شور میں اضافہ ہوتا ہے۔ اگر بیان کیا جائے تو یہ ایک عدد صحیح ہونا چاہیے۔
آپ اعلیٰ اور اعلیٰ کوالٹی کی تصاویر حاصل کرنے کے لیے بار بار اینڈ پوائنٹ کو استعمال کر کے ایک تصویر کو بار بار بڑھا سکتے ہیں۔
تصویر کا سائز اور مثال کی اقسام
ماڈل کی طرف سے تیار کردہ تصاویر اصل کم ریزولوشن والی تصویر کے سائز سے چار گنا تک ہو سکتی ہیں۔ مزید برآں، ماڈل کی میموری کی ضرورت (GPU میموری) تیار کردہ امیج کے سائز کے ساتھ بڑھتی ہے۔ لہذا، اگر آپ پہلے سے ہی ہائی ریزولوشن امیج کو بڑھا رہے ہیں یا بار بار امیجز کو بڑھا رہے ہیں، تو بڑی GPU میموری کے ساتھ مثال کی قسم منتخب کریں۔ مثال کے طور پر، ml.g5.2xlarge میں ml.p3.2xlarge مثال کی قسم سے زیادہ GPU میموری ہے جو ہم پہلے استعمال کرتے تھے۔ مختلف مثالوں کی اقسام کے بارے میں مزید معلومات کے لیے رجوع کریں۔ ایمیزون EC2 مثال کی اقسام.
ٹکڑوں کی طرف سے اپ اسکیلنگ تصاویر
بڑی تصویروں کو بڑھاتے وقت میموری کی ضروریات کو کم کرنے کے لیے، آپ تصویر کو چھوٹے حصوں میں توڑ سکتے ہیں، جسے کہا جاتا ہے۔ ٹائل، اور ہر ٹائل کو انفرادی طور پر اونچا کریں۔ ٹائلوں کو بڑھانے کے بعد، حتمی تصویر بنانے کے لیے انہیں ایک ساتھ ملایا جا سکتا ہے۔ یہ طریقہ ہر ٹائل کے لیے پرامپٹ کو اپنانے کی ضرورت ہے تاکہ ماڈل ٹائل کے مواد کو سمجھ سکے اور عجیب و غریب تصاویر بنانے سے بچ سکے۔ ملاوٹ کو آسان بنانے کے لیے پرامپٹ کا اسٹائل حصہ تمام ٹائلوں کے لیے یکساں رہنا چاہیے۔ ہائی ڈینوائزنگ سیٹنگز استعمال کرتے وقت، پرامپٹ میں زیادہ مخصوص ہونا ضروری ہے کیونکہ ماڈل کو تصویر کو اپنانے کی زیادہ آزادی ہوتی ہے۔ جب ٹائل صرف پس منظر پر مشتمل ہو یا تصویر کے مرکزی مواد سے براہ راست متعلق نہ ہو تو یہ مشکل ہو سکتا ہے۔
حدود اور تعصب
اگرچہ اسٹیبل ڈفیوژن اپ اسکیلنگ میں متاثر کن کارکردگی کا حامل ہے، یہ کئی حدود اور تعصبات کا شکار ہے۔ ان میں شامل ہیں لیکن ان تک محدود نہیں ہیں:
- ماڈل درست چہرے یا اعضاء نہیں بنا سکتا کیونکہ تربیتی ڈیٹا میں ان خصوصیات کے ساتھ کافی تصاویر شامل نہیں ہوتی ہیں۔
- ماڈل کو تربیت دی گئی۔ LAION-5B ڈیٹاسیٹ، جس میں بالغوں کا مواد ہے اور ہو سکتا ہے کہ مزید غور و فکر کے بغیر پروڈکٹ کے استعمال کے لیے موزوں نہ ہو۔
- ہو سکتا ہے کہ ماڈل غیر انگریزی زبانوں کے ساتھ اچھی طرح کام نہ کرے کیونکہ ماڈل کو انگریزی زبان کے متن پر تربیت دی گئی تھی۔
- ماڈل تصاویر کے اندر اچھا متن نہیں بنا سکتا
حدود اور تعصب کے بارے میں مزید معلومات کے لیے، ملاحظہ کریں۔ مستحکم بازی اپ اسکیلر ماڈل کارڈ.
صاف کرو
نوٹ بک چلانے کے بعد، اس بات کو یقینی بنانے کے لیے کہ بلنگ روک دی گئی ہے اس عمل میں بنائے گئے تمام وسائل کو حذف کرنا یقینی بنائیں۔ اختتامی نقطہ کو صاف کرنے کا کوڈ متعلقہ میں دستیاب ہے۔ نوٹ بک.
نتیجہ
اس پوسٹ میں، ہم نے دکھایا کہ جمپ اسٹارٹ کا استعمال کرتے ہوئے پہلے سے تربیت یافتہ اسٹیبل ڈفیوژن اپ اسکیلر ماڈل کو کیسے تعینات کیا جائے۔ ہم نے اس پوسٹ میں کوڈ کے ٹکڑوں کو دکھایا — اس ڈیمو کے تمام مراحل کے ساتھ مکمل کوڈ اس میں دستیاب ہے۔ جمپ سٹارٹ کا تعارف - تصویر کے معیار کو پرامپٹ کے ذریعے بہتر بنائیں مثال کے طور پر نوٹ بک. خود ہی حل آزمائیں اور ہمیں اپنی رائے بھیجیں۔
ماڈل کے بارے میں مزید جاننے کے لیے اور یہ کیسے کام کرتا ہے، درج ذیل وسائل دیکھیں:
جمپ اسٹارٹ کے بارے میں مزید جاننے کے لیے، مندرجہ ذیل بلاگ پوسٹس کو دیکھیں:
مصنفین کے بارے میں
ڈاکٹر وویک مدن Amazon SageMaker جمپ سٹارٹ ٹیم کے ساتھ ایک اپلائیڈ سائنٹسٹ ہے۔ انہوں نے Urbana-Champaign میں یونیورسٹی آف الینوائے سے پی ایچ ڈی کی اور جارجیا ٹیک میں پوسٹ ڈاکٹریٹ ریسرچر تھے۔ وہ مشین لرننگ اور الگورتھم ڈیزائن میں ایک فعال محقق ہے اور اس نے EMNLP، ICLR، COLT، FOCS، اور SODA کانفرنسوں میں مقالے شائع کیے ہیں۔
ہیکو ہوٹز نیچرل لینگویج پروسیسنگ (NLP)، لارج لینگویج ماڈلز (LLMs)، اور جنریٹیو AI پر خصوصی توجہ کے ساتھ AI اور مشین لرننگ کے لیے ایک سینئر سولیوشن آرکیٹیکٹ ہے۔ اس کردار سے پہلے، وہ ایمیزون کی EU کسٹمر سروس کے ڈیٹا سائنس کے سربراہ تھے۔ Heiko ہمارے صارفین کو AWS پر ان کے AI/ML سفر میں کامیاب ہونے میں مدد کرتا ہے اور اس نے کئی صنعتوں میں تنظیموں کے ساتھ کام کیا ہے، بشمول انشورنس، مالیاتی خدمات، میڈیا اور تفریح، صحت کی دیکھ بھال، یوٹیلٹیز، اور مینوفیکچرنگ۔ اپنے فارغ وقت میں ہیکو زیادہ سے زیادہ سفر کرتا ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/upscale-images-with-stable-diffusion-in-amazon-sagemaker-jumpstart/
- 100
- 2022
- 7
- a
- ہمارے بارے میں
- رفتار کو تیز تر
- قبول کریں
- قبول کرتا ہے
- تک رسائی حاصل
- اکاؤنٹ
- درست
- درست طریقے سے
- حاصل کیا
- فعال
- اپنانے
- ایڈیشنل
- اس کے علاوہ
- جوڑتا ہے
- بالغ
- کے بعد
- کے خلاف
- AI
- اے آئی اور مشین لرننگ
- AI / ML
- یلگورتم
- تمام
- کی اجازت دیتا ہے
- پہلے ہی
- ہمیشہ
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون سیج میکر جمپ اسٹارٹ
- اور
- اعلان کریں
- اے پی آئی
- APIs
- اطلاقی
- مناسب
- آرٹسٹ
- منسلک
- خود کار طریقے سے
- دستیاب
- AWS
- پس منظر
- کی بنیاد پر
- کیونکہ
- اس سے پہلے
- کیا جا رہا ہے
- تعصب
- بلنگ
- ملاوٹ
- بلاگ
- بلاگ مراسلات
- توڑ
- تعمیر
- کہا جاتا ہے
- حاصل کر سکتے ہیں
- CAT
- چیلنج
- چیک کریں
- میں سے انتخاب کریں
- طبقے
- واضح
- قریب سے
- کوڈ
- تبصروں
- مقابلے میں
- کانفرنسوں
- متواتر
- کنٹینر
- کنٹینر
- پر مشتمل ہے
- مواد
- سیاق و سباق
- تبدیل
- تخلیق
- بنائی
- تخلیق
- اپنی مرضی کے
- گاہک
- کسٹمر سروس
- گاہکوں
- اعداد و شمار
- ڈیٹا سائنس
- کمی
- گہری
- گہری سیکھنے
- پہلے سے طے شدہ
- مظاہرہ
- تعیناتی
- تعینات
- ڈیزائن
- تفصیل
- تفصیلی
- مختلف
- براڈ کاسٹننگ
- براہ راست
- غیر فعال کر دیا
- میں Docker
- نہیں کرتا
- کے دوران
- ہر ایک
- اس سے قبل
- آسان
- ای کامرس
- مؤثر طریقے سے
- یا تو
- ختم کرنا
- آخر سے آخر تک
- اختتام پوائنٹ
- انگریزی
- کو یقینی بنانے کے
- تفریح
- اندراج
- اسٹیٹ
- EU
- مثال کے طور پر
- مثال کے طور پر
- چہرے
- نمایاں کریں
- بازیافت
- چند
- فائل
- فائنل
- مالی
- مالیاتی خدمات
- مل
- پہلا
- فٹ
- لچک
- فلوٹ
- توجہ مرکوز
- کے بعد
- فارمیٹ
- آزادی
- سے
- مکمل
- مزید
- مزید برآں
- پیدا
- پیدا
- نسل
- پیداواری
- پیداواری AI۔
- جارجیا
- حاصل
- دے دو
- جھلک
- اچھا
- GPU
- سبز
- بڑھتا ہے
- رہنمائی
- ہدایات
- ہینڈل
- سر
- صحت کی دیکھ بھال
- اونچائی
- مدد کرتا ہے
- بهترین ریزولوشن
- اعلی
- مارو
- ہوسٹنگ
- کس طرح
- کیسے
- تاہم
- HTML
- HTTPS
- ایلی نوائے
- تصویر
- تصاویر
- اہم
- متاثر کن
- کو بہتر بنانے کے
- in
- شامل
- سمیت
- اضافہ
- انفرادی طور پر
- صنعتوں
- معلومات
- ان پٹ
- مثال کے طور پر
- انشورنس
- ضم
- انٹرفیس
- IT
- سفر
- JSON
- جانا جاتا ہے
- زبان
- زبانیں
- بڑے
- تاخیر
- قیادت
- جانیں
- سیکھنے
- آو ہم
- حدود
- لمیٹڈ
- حدود
- لائنوں
- لسٹ
- اب
- دیکھو
- کی طرح دیکھو
- کھونے
- لو
- مشین
- مشین لرننگ
- مین
- بنا
- دستی
- دستی کام
- دستی طور پر
- مینوفیکچرنگ
- بہت سے
- میچ
- میڈیا
- یاد داشت
- طریقہ
- لاکھوں
- منٹ
- ML
- ماڈل
- ماڈل
- زیادہ
- ایک سے زیادہ
- قدرتی
- قدرتی زبان عملیات
- ضرورت ہے
- نئی
- ویزا
- شور
- نوٹ بک
- نومبر
- تعداد
- اعتراض
- ایک
- کھول
- حکم
- تنظیمیں
- اصل
- دیگر
- مجموعی جائزہ
- خود
- پیکجوں کے
- کاغذات
- پیرامیٹرز
- حصہ
- کارکردگی
- تصویر
- ٹکڑا
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پوائنٹ
- مثبت
- ممکن
- پوسٹ
- مراسلات
- اختیارات
- پیشن گوئی
- پیشن گوئی
- پیش گو
- حال (-)
- قیمت
- پہلے
- عمل
- پروسیسنگ
- مصنوعات
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- شائع
- ازگر
- معیار
- بے ترتیب
- خام
- تیار
- اصلی
- رئیل اسٹیٹ
- وصول کرنا
- سفارش
- متعلقہ
- رہے
- بار بار
- درخواست
- درخواستوں
- کی ضرورت
- ضرورت
- ضروریات
- کی ضرورت ہے
- محقق
- قرارداد
- وسائل
- جواب
- جواب
- نتیجہ
- نتیجے
- نتائج کی نمائش
- واپسی
- واپسی
- RGB
- کردار
- رن
- چل رہا ہے
- sagemaker
- اسی
- پیمانے
- سائنس
- سائنسدان
- سکرین
- سکرپٹ
- sdk
- دوسری
- سیکشن
- سیکشنز
- بیج
- منتخب
- بھیجنا
- سینئر
- سروس
- سروسز
- قائم کرنے
- ترتیبات
- کئی
- ہونا چاہئے
- دکھائیں
- شوز
- اہم
- اسی طرح
- ایک
- سائز
- چھوٹے
- ہموار
- So
- حل
- حل
- خصوصی
- مخصوص
- مخصوص
- مستحکم
- حالت
- مراحل
- بند کر دیا
- سٹوڈیو
- سٹائل
- کامیاب
- اس طرح
- تکلیفیں
- کافی
- حمایت
- لے لو
- لیتا ہے
- ٹاسک
- کاموں
- ٹیم
- ٹیک
- تکنیک
- ٹیسٹ
- ۔
- ان
- لہذا
- کے ذریعے
- وقت
- اوقات
- کرنے کے لئے
- آج
- مل کر
- روایتی
- ٹرین
- تربیت یافتہ
- ٹریننگ
- سفر
- اقسام
- ui
- سمجھ
- یونیورسٹی
- us
- استعمال کی شرائط
- رکن کا
- صارف مواجہ
- افادیت
- استعمال کرتا ہے
- قیمتی
- اقدار
- مختلف
- کی طرف سے
- ویڈیو
- طریقوں
- کیا
- جس
- سفید
- گے
- کے اندر
- بغیر
- کام
- مل کے کام کرو
- کام کیا
- کام کرتا ہے
- تم
- اور
- زیفیرنیٹ