Sự ra đời của văn bản và tìm kiếm ngữ nghĩa các công cụ đã làm cho các doanh nghiệp thương mại điện tử và bán lẻ tìm kiếm người tiêu dùng dễ dàng hơn. Các công cụ tìm kiếm được cung cấp bởi văn bản và hình ảnh hợp nhất có thể cung cấp thêm tính linh hoạt trong các giải pháp tìm kiếm. Bạn có thể sử dụng cả văn bản và hình ảnh làm truy vấn. Ví dụ: bạn có một thư mục gồm hàng trăm bức ảnh gia đình trong máy tính xách tay của mình. Bạn muốn nhanh chóng tìm thấy một bức ảnh được chụp khi bạn và người bạn thân nhất của bạn ở trước bể bơi của ngôi nhà cũ của bạn. Bạn có thể sử dụng ngôn ngữ đàm thoại như “hai người đứng trước bể bơi” làm truy vấn để tìm kiếm trong công cụ tìm kiếm hình ảnh và văn bản hợp nhất. Bạn không cần phải có từ khóa phù hợp trong tiêu đề hình ảnh để thực hiện truy vấn.
Dịch vụ Tìm kiếm Mở của Amazon bây giờ hỗ trợ cosine tương tự số liệu cho các chỉ số k-NN. Độ tương tự cosin đo cosin của góc giữa hai vectơ, trong đó góc cosin nhỏ hơn biểu thị độ tương tự cao hơn giữa các vectơ. Với độ tương tự cosin, bạn có thể đo hướng giữa hai vectơ, điều này làm cho nó trở thành một lựa chọn tốt cho một số ứng dụng tìm kiếm ngữ nghĩa cụ thể.
Đào tạo trước ngôn ngữ-hình ảnh tương phản (CLIP) là một mạng lưới thần kinh được đào tạo trên nhiều cặp hình ảnh và văn bản. Mạng thần kinh CLIP có thể chiếu cả hình ảnh và văn bản vào cùng một không gian tiềm ẩn, có nghĩa là chúng có thể được so sánh bằng cách sử dụng thước đo độ tương tự, chẳng hạn như độ tương tự cosine. Bạn có thể sử dụng CLIP để mã hóa hình ảnh hoặc mô tả sản phẩm của bạn vào nhúng, sau đó lưu trữ chúng vào chỉ mục k-NN của Dịch vụ tìm kiếm mở. Sau đó, khách hàng của bạn có thể truy vấn chỉ mục để truy xuất các sản phẩm mà họ quan tâm.
Bạn có thể sử dụng CLIP với Amazon SageMaker để thực hiện mã hóa. Suy luận không máy chủ của Amazon SageMaker là một dịch vụ suy luận được xây dựng có mục đích giúp dễ dàng triển khai và mở rộng quy mô các mô hình máy học (ML). Với SageMaker, bạn có thể triển khai serverless cho nhà phát triển và thử nghiệm, sau đó chuyển sang suy luận thời gian thực khi bạn đi vào sản xuất. SageMaker serverless giúp bạn tiết kiệm chi phí bằng cách thu nhỏ cơ sở hạ tầng xuống 0 trong thời gian nhàn rỗi. Điều này là hoàn hảo để xây dựng POC, nơi bạn sẽ có thời gian nhàn rỗi dài giữa các chu kỳ phát triển. Bạn cũng có thể dùng Chuyển đổi hàng loạt Amazon SageMaker để có được suy luận từ bộ dữ liệu lớn.
Trong bài đăng này, chúng tôi trình bày cách xây dựng ứng dụng tìm kiếm bằng CLIP với SageMaker và OpenSearch Service. Mã này là mã nguồn mở và nó được lưu trữ trên GitHub.
Tổng quan về giải pháp
OpenSearch Service cung cấp tìm kiếm k-NN khớp văn bản và nhúng. Chúng tôi sử dụng tìm kiếm k-NN nhúng trong giải pháp này. Bạn có thể sử dụng cả hình ảnh và văn bản làm truy vấn để tìm kiếm các mục từ kho. Việc triển khai ứng dụng tìm kiếm văn bản và hình ảnh hợp nhất này bao gồm hai giai đoạn:
- chỉ số tham chiếu k-NN – Trong giai đoạn này, bạn chuyển một bộ tài liệu văn bản hoặc hình ảnh sản phẩm thông qua mô hình CLIP để mã hóa chúng thành các phần nhúng. Phần nhúng văn bản và hình ảnh lần lượt là các biểu diễn số của kho văn bản hoặc hình ảnh. Bạn lưu các nội dung nhúng đó vào chỉ mục k-NN trong Dịch vụ tìm kiếm mở. Khái niệm nền tảng của k-NN là các điểm dữ liệu tương tự tồn tại gần nhau trong không gian nhúng. Ví dụ: văn bản “hoa đỏ”, văn bản “hoa hồng” và hình ảnh hoa hồng đỏ tương tự nhau, do đó, các phần nhúng văn bản và hình ảnh này gần nhau trong không gian nhúng.
- truy vấn chỉ mục k-NN – Đây là giai đoạn suy luận của ứng dụng. Trong giai đoạn này, bạn gửi truy vấn tìm kiếm văn bản hoặc truy vấn tìm kiếm hình ảnh thông qua mô hình học sâu (CLIP) để mã hóa dưới dạng nhúng. Sau đó, bạn sử dụng các phần nhúng đó để truy vấn chỉ mục k-NN tham chiếu được lưu trữ trong OpenSearch Service. Chỉ mục k-NN trả về các nhúng tương tự từ không gian nhúng. Ví dụ: nếu bạn chuyển văn bản "a red flower", nó sẽ trả về các phần nhúng của hình ảnh hoa hồng đỏ dưới dạng một mục tương tự.
Hình dưới đây minh họa kiến trúc giải pháp.
Các bước quy trình làm việc như sau:
- Tạo ra một Mô hình SageMaker từ một mô hình CLIP được đào tạo trước để suy luận hàng loạt và theo thời gian thực.
- Tạo các nhúng hình ảnh sản phẩm bằng công việc chuyển đổi hàng loạt SageMaker.
- Sử dụng SageMaker Serverless Inference để mã hóa hình ảnh và văn bản truy vấn thành các phần nhúng trong thời gian thực.
- Sử dụng Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) để lưu trữ văn bản thô (mô tả sản phẩm) và hình ảnh (hình ảnh sản phẩm) và nhúng hình ảnh được tạo bởi các công việc chuyển đổi hàng loạt SageMaker.
- Sử dụng OpenSearch Service làm công cụ tìm kiếm để lưu trữ các phần nhúng và tìm các phần nhúng tương tự.
- Sử dụng chức năng truy vấn để sắp xếp mã hóa truy vấn và thực hiện tìm kiếm k-NN.
Chúng tôi sử dụng Xưởng sản xuất Amazon SageMaker máy tính xách tay (không được hiển thị trong sơ đồ) làm môi trường phát triển tích hợp (IDE) để phát triển giải pháp.
Thiết lập tài nguyên giải pháp
Để thiết lập giải pháp, hãy hoàn thành các bước sau:
- Tạo miền SageMaker và hồ sơ người dùng. Để biết hướng dẫn, hãy tham khảo Bước 5 của Tích hợp vào miền Amazon SageMaker bằng cách sử dụng thiết lập nhanh.
- Tạo miền Dịch vụ Tìm kiếm Mở. Để biết hướng dẫn, hãy xem Tạo và quản lý miền Amazon OpenSearch Service.
Bạn cũng có thể sử dụng một Hình thành đám mây AWS mẫu bằng cách làm theo hướng dẫn GitHub để tạo miền.
Bạn có thể kết nối Studio với Amazon S3 từ Đám mây riêng ảo Amazon (Amazon VPC) bằng cách sử dụng điểm cuối giao diện trong VPC của bạn, thay vì kết nối qua internet. Bằng cách sử dụng một điểm cuối VPC giao diện (interface endpoint), giao tiếp giữa VPC của bạn và Studio được tiến hành hoàn toàn và bảo mật trong mạng AWS. Sổ ghi chép Studio của bạn có thể kết nối với Dịch vụ OpenSearch qua VPC riêng để đảm bảo liên lạc an toàn.
Các miền Dịch vụ OpenSearch cung cấp mã hóa dữ liệu khi lưu trữ, đây là một tính năng bảo mật giúp ngăn chặn truy cập trái phép vào dữ liệu của bạn. Mã hóa nút-nút-nút cung cấp một lớp bảo mật bổ sung bên trên các tính năng mặc định của Dịch vụ Tìm kiếm Mở. Amazon S3 tự động áp dụng mã hóa phía máy chủ (SSE-S3) cho từng đối tượng mới trừ khi bạn chỉ định một tùy chọn mã hóa khác.
Trong miền Dịch vụ tìm kiếm mở, bạn có thể đính kèm các chính sách dựa trên danh tính xác định ai có thể truy cập dịch vụ, họ có thể thực hiện những hành động nào và nếu có, các tài nguyên mà họ có thể thực hiện những hành động đó.
Mã hóa hình ảnh và cặp văn bản thành nhúng
Phần này thảo luận về cách mã hóa hình ảnh và văn bản thành phần nhúng. Điều này bao gồm chuẩn bị dữ liệu, tạo mô hình SageMaker và thực hiện chuyển đổi hàng loạt bằng mô hình.
Tổng quan và chuẩn bị dữ liệu
Bạn có thể sử dụng sổ ghi chép SageMaker Studio có nhân Python 3 (Khoa học dữ liệu) để chạy mã mẫu.
Đối với bài đăng này, chúng tôi sử dụng Bộ dữ liệu đối tượng Amazon Berkeley. Bộ dữ liệu là một tập hợp gồm 147,702 danh sách sản phẩm với siêu dữ liệu đa ngôn ngữ và 398,212 hình ảnh danh mục duy nhất. Chúng tôi chỉ sử dụng hình ảnh mặt hàng và tên mặt hàng bằng tiếng Anh Mỹ. Đối với mục đích demo, chúng tôi sử dụng khoảng 1,600 sản phẩm. Để biết thêm chi tiết về tập dữ liệu này, hãy tham khảo README. Tập dữ liệu được lưu trữ trong bộ chứa S3 công khai. Có 16 tệp bao gồm mô tả sản phẩm và siêu dữ liệu của các sản phẩm Amazon ở định dạng listings/metadata/listings_<i>.json.gz
. Chúng tôi sử dụng tệp siêu dữ liệu đầu tiên trong bản demo này.
Bạn sử dụng gấu trúc để tải siêu dữ liệu, sau đó chọn các sản phẩm có tiêu đề tiếng Anh Mỹ từ khung dữ liệu. Pandas là một công cụ thao tác và phân tích dữ liệu nguồn mở được xây dựng dựa trên ngôn ngữ lập trình Python. Bạn sử dụng một thuộc tính gọi là main_image_id
để xác định một hình ảnh. Xem đoạn mã sau:
Có 1,639 sản phẩm trong khung dữ liệu. Tiếp theo, liên kết tên mục với hình ảnh mục tương ứng. images/metadata/images.csv.gz
chứa siêu dữ liệu hình ảnh. Tệp này là tệp CSV được nén bằng gzip với các cột sau: image_id
, height
, width
và path
. Bạn có thể đọc tệp siêu dữ liệu rồi hợp nhất tệp đó với siêu dữ liệu mặt hàng. Xem đoạn mã sau:
Bạn có thể sử dụng máy tính xách tay SageMaker Studio tích hợp nhân Python 3 Thư viện PIL để xem một hình ảnh mẫu từ bộ dữ liệu:
Chuẩn bị người mẫu
Tiếp theo, tạo một Mô hình SageMaker từ một mô hình CLIP được đào tạo trước. Bước đầu tiên là tải xuống tệp trọng số mô hình được đào tạo trước, đặt nó vào một model.tar.gz
tệp và tải tệp đó lên bộ chứa S3. Đường dẫn của mô hình được đào tạo trước có thể được tìm thấy trong kho lưu trữ CLIP. Chúng tôi sử dụng một huấn luyện trước ResNet-50 (RN50) trong bản demo này. Xem đoạn mã sau:
Sau đó, bạn cần cung cấp tập lệnh nhập điểm suy luận cho mô hình CLIP. CLIP được thực hiện bằng cách sử dụng Kim tự tháp, vì vậy bạn sử dụng SageMaker PyTorch khuôn khổ. PyTorch là một khung ML mã nguồn mở giúp đẩy nhanh lộ trình từ nghiên cứu nguyên mẫu đến triển khai sản xuất. Để biết thông tin về cách triển khai mô hình PyTorch với SageMaker, hãy tham khảo Triển khai mô hình PyTorch. Mã suy luận chấp nhận hai biến môi trường: MODEL_NAME
và ENCODE_TYPE
. Điều này giúp chúng ta chuyển đổi giữa các mô hình CLIP khác nhau một cách dễ dàng. Chúng tôi sử dụng ENCODE_TYPE
để chỉ định nếu chúng tôi muốn mã hóa một hình ảnh hoặc một đoạn văn bản. Ở đây, bạn thực hiện các model_fn
, input_fn
, predict_fn
và output_fn
chức năng để ghi đè lên trình xử lý suy luận PyTorch mặc định. Xem mã sau đây:
Giải pháp yêu cầu các gói Python bổ sung trong quá trình suy luận mô hình, vì vậy bạn có thể cung cấp requirements.txt
tệp để cho phép SageMaker cài đặt các gói bổ sung khi lưu trữ các mô hình:
Bạn sử dụng lớp PyTorchModel để tạo một đối tượng chứa thông tin về vị trí Amazon S3 của tạo phẩm mô hình và chi tiết điểm nhập suy luận. Bạn có thể sử dụng đối tượng để tạo các công việc chuyển đổi hàng loạt hoặc triển khai mô hình tới một điểm cuối để suy luận trực tuyến. Xem đoạn mã sau:
Chuyển đổi hàng loạt để mã hóa hình ảnh mục thành nhúng
Tiếp theo, chúng tôi sử dụng mô hình CLIP để mã hóa hình ảnh mục thành các phần nhúng và sử dụng biến đổi hàng loạt SageMaker để chạy suy luận hàng loạt.
Trước khi tạo công việc, hãy sử dụng đoạn mã sau để sao chép hình ảnh mục từ bộ chứa S3 công khai của Bộ dữ liệu đối tượng Amazon Berkeley sang bộ chứa của riêng bạn. Các hoạt động mất ít hơn 10 phút.
Tiếp theo, bạn thực hiện suy luận trên các hình ảnh vật phẩm theo cách hàng loạt. Công việc chuyển đổi hàng loạt SageMaker sử dụng mô hình CLIP để mã hóa tất cả hình ảnh được lưu trữ trong vị trí Amazon S3 đầu vào và tải các phần nhúng đầu ra lên thư mục S3 đầu ra. Công việc mất khoảng 10 phút.
Tải các phần nhúng từ Amazon S3 vào một biến để sau này bạn có thể nhập dữ liệu vào OpenSearch Service:
Tạo một công cụ tìm kiếm hợp nhất do ML cung cấp
Phần này thảo luận cách tạo một công cụ tìm kiếm sử dụng tìm kiếm k-NN với nhúng. Điều này bao gồm định cấu hình cụm Dịch vụ Tìm kiếm Mở, nhập nội dung nhúng và thực hiện các truy vấn tìm kiếm hình ảnh và văn bản miễn phí.
Thiết lập miền Dịch vụ tìm kiếm mở bằng cách sử dụng cài đặt k-NN
Trước đó, bạn đã tạo một cụm OpenSearch. Bây giờ, bạn sẽ tạo một chỉ mục để lưu trữ dữ liệu danh mục và các phần nhúng. Bạn có thể định cấu hình cài đặt chỉ mục để bật chức năng k-NN bằng cách sử dụng cấu hình sau:
Ví dụ này sử dụng Ứng dụng khách Python Elaticsearch để giao tiếp với cụm OpenSearch và tạo một chỉ mục để lưu trữ dữ liệu của bạn. Bạn có thể chạy %pip install elasticsearch
vào vở cài đặt thư viện. Xem đoạn mã sau:
Nhập dữ liệu nhúng hình ảnh vào OpenSearch Service
Bây giờ, bạn lặp qua tập dữ liệu của mình và nhập dữ liệu mục vào cụm. Quá trình nhập dữ liệu cho phương pháp này sẽ hoàn tất trong vòng 60 giây. Nó cũng chạy một truy vấn đơn giản để xác minh xem dữ liệu đã được nhập vào chỉ mục thành công hay chưa. Xem đoạn mã sau:
Thực hiện một truy vấn thời gian thực
Giờ đây, bạn đã có một chỉ mục Dịch vụ OpenSearch đang hoạt động có chứa các phần nhúng của hình ảnh mục làm kho lưu trữ của chúng tôi, hãy xem cách bạn có thể tạo phần nhúng cho các truy vấn. Bạn cần tạo hai điểm cuối SageMaker để xử lý nhúng văn bản và hình ảnh tương ứng.
Bạn cũng tạo hai chức năng để sử dụng các điểm cuối để mã hóa hình ảnh và văn bản. Cho encode_text
chức năng, bạn thêm this is
trước tên vật phẩm để dịch tên vật phẩm thành câu mô tả vật phẩm. memory_size_in_mb
được đặt là 6 GB để phục vụ phần gạch chân Transformer và ResNet người mẫu. Xem đoạn mã sau:
Trước tiên, bạn có thể vẽ sơ đồ bức tranh sẽ được sử dụng.
Hãy xem kết quả của một truy vấn đơn giản. Sau khi truy xuất kết quả từ OpenSearch Service, bạn sẽ nhận được danh sách tên mục và hình ảnh từ dataset
:
Mục đầu tiên có số điểm là 1.0 vì hai hình ảnh giống nhau. Các mục khác là các loại kính khác nhau trong chỉ mục Dịch vụ Tìm kiếm Mở.
Bạn cũng có thể sử dụng văn bản để truy vấn chỉ mục:
Bây giờ bạn có thể lấy ba hình ảnh của cốc nước từ chỉ mục. Bạn có thể tìm thấy hình ảnh và văn bản trong cùng một không gian tiềm ẩn với bộ mã hóa CLIP. Một ví dụ khác về điều này là tìm kiếm từ “pizza” trong chỉ mục:
Làm sạch
Với mô hình trả tiền cho mỗi lần sử dụng, Serverless Inference là một tùy chọn hiệu quả về chi phí cho mẫu lưu lượng truy cập không thường xuyên hoặc không thể đoán trước. Nếu bạn có một nghiêm ngặt thỏa thuận mức dịch vụ (SLA)hoặc không thể chịu được khởi động nguội, điểm cuối thời gian thực là lựa chọn tốt hơn. sử dụng đa mô hình or nhiều container điểm cuối cung cấp các giải pháp có thể mở rộng và tiết kiệm chi phí để triển khai số lượng lớn mô hình. Để biết thêm thông tin, hãy tham khảo Amazon SageMaker Giá.
Chúng tôi khuyên bạn nên xóa các điểm cuối serverless khi chúng không còn cần thiết nữa. Sau khi hoàn thành bài tập này, bạn có thể xóa các tài nguyên theo các bước sau (bạn có thể xóa các tài nguyên này khỏi Bảng điều khiển quản lý AWS, hoặc sử dụng AWS SDK hoặc SageMaker SDK):
- Xóa điểm cuối bạn đã tạo.
- Tùy chọn, xóa các mô hình đã đăng ký.
- Tùy chọn, xóa vai trò thực thi SageMaker.
- Tùy chọn, làm trống và xóa bộ chứa S3.
Tổng kết
Trong bài đăng này, chúng tôi đã trình bày cách tạo ứng dụng tìm kiếm k-NN bằng các tính năng chỉ mục k-NN của SageMaker và OpenSearch Service. Chúng tôi đã sử dụng mô hình CLIP được đào tạo trước từ OpenAI thực hiện.
Việc triển khai nhập dịch vụ Tìm kiếm mở của bài đăng chỉ được sử dụng để tạo nguyên mẫu. Nếu bạn muốn nhập dữ liệu từ Amazon S3 vào OpenSearch Service trên quy mô lớn, bạn có thể khởi chạy một Công việc xử lý Amazon SageMaker với loại phiên bản và số lượng phiên bản thích hợp. Đối với một giải pháp nhập liệu nhúng có thể mở rộng khác, hãy tham khảo Novartis AG sử dụng Amazon OpenSearch Service K-Nearest Neighbor (KNN) và Amazon SageMaker để hỗ trợ tìm kiếm và đề xuất (Phần 3/4).
CLIP cung cấp không bắn khả năng, cho phép áp dụng trực tiếp mô hình được đào tạo trước mà không cần sử dụng học chuyển để tinh chỉnh một mô hình. Điều này đơn giản hóa việc áp dụng mô hình CLIP. Nếu bạn có các cặp hình ảnh sản phẩm và văn bản mô tả, bạn có thể tinh chỉnh mô hình bằng dữ liệu của riêng mình bằng cách sử dụng học chuyển để cải thiện hơn nữa hiệu suất của mô hình. Để biết thêm thông tin, xem Học các mô hình trực quan có thể chuyển đổi từ giám sát ngôn ngữ tự nhiên và Kho lưu trữ CLIP GitHubcâu chuyện.
Về các tác giả
Kevin Du là Kiến trúc sư phòng thí nghiệm dữ liệu cấp cao tại AWS, chuyên hỗ trợ khách hàng đẩy nhanh quá trình phát triển các sản phẩm Machine Learning (ML) và nền tảng MLOps của họ. Với hơn một thập kỷ kinh nghiệm xây dựng các sản phẩm hỗ trợ ML cho cả công ty mới thành lập và doanh nghiệp, trọng tâm của ông là giúp khách hàng hợp lý hóa quá trình sản xuất các giải pháp ML của họ. Khi rảnh rỗi, Kevin thích nấu ăn và xem bóng rổ.
Ananya Roy là kiến trúc sư Phòng thí nghiệm Dữ liệu Cao cấp chuyên về AI và máy học tại Sydney Úc. Cô ấy đã làm việc với nhiều khách hàng khác nhau để cung cấp hướng dẫn về kiến trúc và giúp họ cung cấp giải pháp AI/ML hiệu quả thông qua sự tham gia của phòng thí nghiệm dữ liệu. Trước AWS , cô ấy đã làm việc với tư cách là nhà khoa học dữ liệu cao cấp và xử lý các mô hình ML quy mô lớn trong các ngành khác nhau như Telco, ngân hàng và fintech. Kinh nghiệm của cô ấy về AI/ML đã cho phép cô ấy đưa ra các giải pháp hiệu quả cho các vấn đề kinh doanh phức tạp và cô ấy đam mê tận dụng các công nghệ tiên tiến để giúp các nhóm đạt được mục tiêu của họ.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/implement-unified-text-and-image-search-with-a-clip-model-using-amazon-sagemaker-and-amazon-opensearch-service/
- :là
- ][P
- $ LÊN
- 1
- 10
- 100
- 11
- 7
- 8
- 9
- a
- Có khả năng
- Giới thiệu
- tăng tốc
- Chấp nhận
- truy cập
- Đạt được
- ngang qua
- hành động
- thêm vào
- nhận nuôi
- Sau
- AG
- Hiệp định
- AI
- AI / ML
- Tất cả
- đàn bà gan dạ
- Dịch vụ Tìm kiếm Mở của Amazon
- Amazon SageMaker
- phân tích
- và
- Một
- áp dụng
- Các Ứng Dụng
- các ứng dụng
- thích hợp
- khoảng
- kiến trúc
- kiến trúc
- LÀ
- đối số
- xung quanh
- AS
- At
- đính kèm
- Châu Úc
- tự động
- AWS
- Ngân hàng
- dựa
- Bóng rổ
- BE
- bởi vì
- trước
- Berkeley
- BEST
- Hơn
- giữa
- thân hình
- xây dựng
- Xây dựng
- xây dựng
- được xây dựng trong
- kinh doanh
- các doanh nghiệp
- by
- gọi là
- CAN
- khả năng
- Danh mục hàng
- CD
- kiểm tra
- sự lựa chọn
- khách hàng
- Đóng
- cụm
- mã
- bộ sưu tập
- Cột
- giao tiếp
- Giao tiếp
- so
- hoàn thành
- phức tạp
- khái niệm
- thực hiện
- Cấu hình
- Kết nối
- Kết nối
- liên quan
- Người tiêu dùng
- chứa
- chứa
- nội dung
- đàm thoại
- Tương ứng
- Phí Tổn
- chi phí-hiệu quả
- có thể
- tạo
- tạo ra
- Tạo
- Credentials
- Cup
- khách hàng
- tiên tiến
- chu kỳ
- dữ liệu
- phân tích dữ liệu
- điểm dữ liệu
- khoa học dữ liệu
- nhà khoa học dữ liệu
- bộ dữ liệu
- thập kỷ
- dành riêng
- sâu
- học kĩ càng
- Mặc định
- xác định
- cung cấp
- chứng minh
- chứng minh
- triển khai
- triển khai
- triển khai
- Mô tả
- mong muốn
- chi tiết
- Dev
- phát triển
- Phát triển
- thiết bị
- khác nhau
- kích thước
- trực tiếp
- Giao diện
- khác nhau
- tài liệu
- miền
- lĩnh vực
- dont
- xuống
- tải về
- suốt trong
- mỗi
- dễ dàng hơn
- dễ dàng
- thương mại điện tử
- Hiệu quả
- cho phép
- mã hóa
- Điểm cuối
- Tham gia
- Động cơ
- Động cơ
- Tiếng Anh
- đảm bảo
- doanh nghiệp
- hoàn toàn
- nhập
- Môi trường
- lỗi
- ví dụ
- thực hiện
- Tập thể dục
- kinh nghiệm
- thêm
- gia đình
- Đặc tính
- Tính năng
- Hình
- Tập tin
- Các tập tin
- Tìm kiếm
- hoàn thành
- Tên
- Linh hoạt
- Tập trung
- tiếp theo
- sau
- Trong
- định dạng
- tìm thấy
- FRAME
- Khung
- Miễn phí
- người bạn
- từ
- trước mặt
- chức năng
- chức năng
- chức năng
- chức năng
- xa hơn
- tạo ra
- tạo ra
- được
- đi
- GitHub
- ly
- Go
- Các mục tiêu
- đi
- tốt
- hướng dẫn
- xử lý
- Có
- tiêu đề
- cao
- giúp đỡ
- giúp đỡ
- giúp
- tại đây
- cao hơn
- Đánh
- Số lượt truy cập
- chủ nhà
- tổ chức
- lưu trữ
- Độ đáng tin của
- Hướng dẫn
- HTML
- http
- HTTPS
- Hàng trăm
- i
- xác định
- Nhàn rỗi
- IDX
- hình ảnh
- Tìm kiếm hình ảnh
- hình ảnh
- thực hiện
- thực hiện
- thực hiện
- thực hiện
- nhập khẩu
- nâng cao
- in
- bao gồm
- bao gồm
- chỉ số
- chỉ số
- CHỈ SỐ
- các ngành công nghiệp
- thông tin
- Cơ sở hạ tầng
- đầu vào
- cài đặt, dựng lên
- ví dụ
- thay vì
- hướng dẫn
- tích hợp
- quan tâm
- Giao thức
- Internet
- hàng tồn kho
- IT
- mặt hàng
- ITS
- Việc làm
- việc làm
- jpg
- json
- phòng thí nghiệm
- Ngôn ngữ
- máy tính xách tay
- lớn
- quy mô lớn
- phóng
- lớp
- học tập
- tận dụng
- Thư viện
- Lượt thích
- LINK
- Danh sách
- Các bảng liệt kê
- tải
- tải
- địa điểm thư viện nào
- dài
- còn
- Xem
- máy
- học máy
- thực hiện
- LÀM CHO
- quản lý
- quản lý
- Thao tác
- cách thức
- có nghĩa
- đo
- các biện pháp
- đi
- Siêu dữ liệu
- Siêu dữ liệu
- số liệu
- Phút
- ML
- MLOps
- kiểu mẫu
- mô hình
- chi tiết
- di chuyển
- tên
- tên
- Tự nhiên
- Cần
- mạng
- mạng lưới thần kinh
- Mới
- tiếp theo
- máy tính xách tay
- số
- vật
- đối tượng
- of
- cung cấp
- Xưa
- on
- Trực tuyến
- mở
- mã nguồn mở
- hoạt động
- Tùy chọn
- OS
- Nền tảng khác
- đầu ra
- ghi đè
- tổng quan
- riêng
- gói
- cặp
- gấu trúc
- một phần
- đam mê
- con đường
- Họa tiết
- người
- hoàn hảo
- Thực hiện
- hiệu suất
- biểu diễn
- giai đoạn
- hình ảnh
- Những bức ảnh
- mảnh
- Bánh Pizza
- Nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- PoC
- Điểm
- điểm
- Chính sách
- hồ bơi
- có thể
- Bài đăng
- quyền lực
- -
- thực hành
- dự đoán
- Dự đoán
- chuẩn bị
- ngăn chặn
- Trước khi
- riêng
- vấn đề
- xử lý
- Sản phẩm
- Sản lượng
- Sản phẩm
- Hồ sơ
- Lập trình
- dự án
- tài sản
- tạo mẫu
- cho
- cung cấp
- công khai
- mục đích
- đặt
- Python
- ngọn đuốc
- Nhanh chóng
- Mau
- phạm vi
- Nguyên
- Đọc
- thực
- thời gian thực
- Khuyến nghị
- ghi
- đỏ
- biểu thức chính quy
- khu
- đăng ký
- tẩy
- đòi hỏi
- nghiên cứu
- Thông tin
- phản ứng
- REST của
- kết quả
- Kết quả
- bán lẻ
- trở lại
- Trả về
- Tăng lên
- Vai trò
- ROSE
- chạy
- nhà làm hiền triết
- tương tự
- Lưu
- khả năng mở rộng
- Quy mô
- mở rộng quy mô
- Khoa học
- Nhà khoa học
- Điểm số
- sdk
- Tìm kiếm
- công cụ tìm kiếm
- Công cụ tìm kiếm
- giây
- Phần
- an toàn
- an toàn
- an ninh
- cao cấp
- kết án
- phục vụ
- Không có máy chủ
- dịch vụ
- Phiên
- định
- thiết lập
- Hình dạng
- nên
- thể hiện
- tương tự
- Đơn giản
- Kích thước máy
- nhỏ hơn
- So
- giải pháp
- Giải pháp
- một số
- nguồn
- Không gian
- chuyên nghành
- riêng
- đứng
- bắt đầu
- Startups
- Bước
- Các bước
- là gắn
- hàng
- lưu trữ
- hợp lý hóa
- Nghiêm ngặt
- phòng thu
- trình
- Thành công
- như vậy
- Hỗ trợ
- Công tắc điện
- sydney
- SYS
- mất
- đội
- Công nghệ
- Công ty viễn thông
- mẫu
- thử nghiệm
- việc này
- Sản phẩm
- thông tin
- cung cấp their dịch
- Them
- Kia là
- số ba
- Thông qua
- thời gian
- thời gian
- Yêu sách
- trò chơi
- đến
- mã thông báo
- công cụ
- hàng đầu
- ngọn đuốc
- ngọn đuốc
- giao thông
- đào tạo
- chuyển
- Chuyển đổi
- dịch
- đúng
- loại
- thống nhât
- độc đáo
- không thể đoán trước
- us
- sử dụng
- người sử dang
- giá trị
- nhiều
- xác minh
- thông qua
- Xem
- ảo
- xem
- Nước
- TỐT
- cái nào
- CHÚNG TÔI LÀ
- chiều rộng
- Wikipedia
- sẽ
- với
- ở trong
- không có
- Từ
- đang làm việc
- sẽ
- X
- Bạn
- trên màn hình
- zephyrnet