Hôm nay chúng tôi rất vui mừng thông báo rằng giờ đây bạn có thể thực hiện chuyển đổi hàng loạt với Khởi động Amazon SageMaker mô hình ngôn ngữ lớn (LLM) cho Text2Text Generation. Biến đổi hàng loạt rất hữu ích trong các tình huống mà phản hồi không cần phải theo thời gian thực và do đó bạn có thể thực hiện suy luận hàng loạt cho các tập dữ liệu lớn với số lượng lớn. Đối với chuyển đổi hàng loạt, một tác vụ hàng loạt được chạy, lấy đầu vào hàng loạt làm tập dữ liệu và mô hình được đào tạo trước, đồng thời đưa ra dự đoán cho từng điểm dữ liệu trong tập dữ liệu. Chuyển đổi hàng loạt tiết kiệm chi phí vì không giống như các điểm cuối được lưu trữ theo thời gian thực có phần cứng ổn định, các cụm chuyển đổi hàng loạt bị phá bỏ khi công việc hoàn tất và do đó, phần cứng chỉ được sử dụng trong suốt thời gian của công việc hàng loạt.
Trong một số trường hợp sử dụng, các yêu cầu suy luận thời gian thực có thể được nhóm thành các lô nhỏ để xử lý hàng loạt nhằm tạo phản hồi theo thời gian thực hoặc gần thời gian thực. Ví dụ: nếu bạn cần xử lý một luồng dữ liệu liên tục với độ trễ thấp và thông lượng cao, thì việc gọi riêng một điểm cuối thời gian thực cho từng yêu cầu sẽ yêu cầu nhiều tài nguyên hơn và có thể mất nhiều thời gian hơn để xử lý tất cả các yêu cầu vì quá trình xử lý đang được thực hiện theo trình tự . Cách tiếp cận tốt hơn là nhóm một số yêu cầu và gọi điểm cuối thời gian thực ở chế độ suy luận hàng loạt, xử lý các yêu cầu của bạn trong một lần chuyển tiếp của mô hình và trả về phản hồi hàng loạt cho yêu cầu trong thời gian thực hoặc thời gian gần như thực . Độ trễ của phản hồi sẽ phụ thuộc vào số lượng yêu cầu bạn nhóm lại với nhau và kích thước bộ nhớ phiên bản, do đó, bạn có thể điều chỉnh kích thước lô theo yêu cầu kinh doanh của mình về độ trễ và thông lượng. chúng tôi gọi đây là suy luận hàng loạt thời gian thực bởi vì nó kết hợp khái niệm theo đợt trong khi vẫn cung cấp phản hồi theo thời gian thực. Với suy luận lô thời gian thực, bạn có thể đạt được sự cân bằng giữa độ trễ thấp và thông lượng cao, cho phép bạn xử lý khối lượng dữ liệu lớn một cách kịp thời và hiệu quả.
Biến đổi lô khởi động cho các mô hình Tạo Text2Text cho phép bạn chuyển các siêu tham số lô thông qua các biến môi trường giúp tăng thêm thông lượng và giảm thiểu độ trễ.
JumpStart cung cấp các mô hình nguồn mở, được đào tạo trước cho nhiều loại vấn đề khác nhau để giúp bạn bắt đầu với máy học (ML). Bạn có thể dần dần đào tạo và điều chỉnh các mô hình này trước khi triển khai. JumpStart cũng cung cấp các mẫu giải pháp thiết lập cơ sở hạ tầng cho các trường hợp sử dụng phổ biến và sổ ghi chép ví dụ thực thi cho ML với Amazon SageMaker. Bạn có thể truy cập các mô hình, mẫu giải pháp và ví dụ được đào tạo trước thông qua trang đích JumpStart trong Xưởng sản xuất Amazon SageMaker. Bạn cũng có thể truy cập các mô hình JumpStart bằng SageMaker Python SDK.
Trong bài đăng này, chúng tôi trình bày cách sử dụng công cụ được đào tạo trước tiên tiến nhất text2text mô hình FLAN T5 từ Hugging Face để chuyển đổi hàng loạt và suy luận hàng loạt theo thời gian thực.
Tổng quan về giải pháp
Sổ ghi chép đang hiển thị biến đổi hàng loạt của các mẫu Text2Text FLAN T5 được đào tạo trước từ Ôm mặt có sẵn sau đây Kho GitHub. Sổ tay này sử dụng dữ liệu từ Mặt ôm cnn_dailymail tập dữ liệu cho tác vụ tóm tắt văn bản bằng SDK SageMaker.
Sau đây là các bước chính để triển khai biến đổi hàng loạt và suy luận hàng loạt theo thời gian thực:
- Thiết lập điều kiện tiên quyết.
- Chọn một mô hình được đào tạo trước.
- Lấy hiện vật cho mô hình.
- Chỉ định siêu tham số công việc biến đổi hàng loạt.
- Chuẩn bị dữ liệu cho chuyển đổi hàng loạt.
- Chạy công việc chuyển đổi hàng loạt.
- Đánh giá tổng kết bằng cách sử dụng một ĐỎ (Recall-Oriented Understudy for Gisting Assessment) điểm số.
- Thực hiện suy luận hàng loạt thời gian thực.
Thiết lập điều kiện tiên quyết
Trước khi chạy sổ ghi chép, bạn phải hoàn thành một số bước thiết lập ban đầu. Hãy thiết lập vai trò thực thi SageMaker để vai trò này có quyền thay mặt bạn chạy các dịch vụ AWS:
Chọn một mô hình được đào tạo trước
Chúng tôi sử dụng mô hình hugface-text2text-flan-t5-large làm mô hình mặc định. Theo tùy chọn, bạn có thể truy xuất danh sách các mô hình Text2Text có sẵn trên JumpStart và chọn mô hình ưa thích của mình. Phương pháp này cung cấp một cách đơn giản để chọn các ID kiểu máy khác nhau bằng cùng một sổ ghi chép. Đối với mục đích trình diễn, chúng tôi sử dụng mô hình hugface-text2text-flan-t5-large:
Truy xuất các hiện vật cho mô hình
Với SageMaker, chúng tôi có thể thực hiện suy luận trên mô hình được đào tạo trước, ngay cả khi không tinh chỉnh mô hình đó trước trên tập dữ liệu mới. Chúng tôi bắt đầu bằng cách truy xuất deploy_image_uri
, deploy_source_uri
và model_uri
cho mô hình được đào tạo trước:
Chỉ định siêu tham số công việc biến đổi hàng loạt
Bạn có thể chuyển bất kỳ tập hợp con siêu tham số nào dưới dạng biến môi trường cho tác vụ chuyển đổi hàng loạt. Bạn cũng có thể chuyển các siêu tham số này trong tải trọng JSON. Tuy nhiên, nếu bạn đang đặt các biến môi trường cho siêu tham số như đoạn mã sau hiển thị, thì các siêu tham số nâng cao từ các ví dụ riêng lẻ trong tải trọng dòng JSON sẽ không được sử dụng. Nếu bạn muốn sử dụng siêu tham số từ tải trọng, bạn có thể muốn đặt hyper_params_dict
tham số là null thay thế.
Chuẩn bị dữ liệu cho chuyển đổi hàng loạt
Bây giờ chúng tôi đã sẵn sàng để tải cnn_dailymail tập dữ liệu từ Hugging Face:
Chúng tôi đi qua từng mục nhập dữ liệu và tạo dữ liệu đầu vào ở định dạng được yêu cầu. chúng tôi tạo ra một articles.jsonl
tệp dưới dạng tệp dữ liệu thử nghiệm chứa các bài báo cần được tóm tắt dưới dạng tải trọng đầu vào. Khi chúng tôi tạo tệp này, chúng tôi sẽ thêm lời nhắc "Briefly summarize this text:"
cho mỗi hàng đầu vào thử nghiệm. Nếu bạn muốn có các siêu đường kính khác nhau cho mỗi đầu vào thử nghiệm, bạn có thể nối thêm các siêu đường kính đó như một phần của việc tạo tập dữ liệu.
Chúng tôi tạo ra highlights.jsonl
dưới dạng tệp sự thật cơ bản chứa các điểm nổi bật của từng bài viết được lưu trữ trong tệp thử nghiệm articles.jsonl
. Chúng tôi lưu trữ cả hai tệp thử nghiệm trong một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) xô. Xem đoạn mã sau:
Chạy công việc chuyển đổi hàng loạt
Khi bạn bắt đầu một tác vụ chuyển đổi hàng loạt, SageMaker sẽ khởi chạy các tài nguyên điện toán cần thiết để xử lý dữ liệu, bao gồm các phiên bản CPU hoặc GPU tùy thuộc vào loại phiên bản đã chọn. Trong tác vụ chuyển đổi hàng loạt, SageMaker tự động cung cấp và quản lý các tài nguyên điện toán cần thiết để xử lý dữ liệu, bao gồm các phiên bản, bộ nhớ và tài nguyên mạng. Khi công việc chuyển đổi hàng loạt hoàn tất, tài nguyên điện toán sẽ tự động được dọn sạch bởi SageMaker. Điều này có nghĩa là các phiên bản và dung lượng lưu trữ được sử dụng trong khi thực hiện tác vụ sẽ bị dừng và xóa, giúp giải phóng tài nguyên và giảm thiểu chi phí. Xem đoạn mã sau:
Sau đây là một bản ghi ví dụ từ articles.jsonl
tập tin thử nghiệm. Lưu ý rằng bản ghi trong tệp này có ID phù hợp với predict.jsonl
bản ghi tệp hiển thị bản ghi tóm tắt dưới dạng đầu ra từ mô hình Text2Text ôm mặt. Tương tự, tệp sự thật cơ bản cũng có ID phù hợp cho bản ghi dữ liệu. ID phù hợp trên tệp thử nghiệm, tệp sự thật cơ sở và tệp đầu ra cho phép liên kết các bản ghi đầu vào với các bản ghi đầu ra để dễ dàng giải thích kết quả.
Sau đây là ví dụ về bản ghi đầu vào được cung cấp để tóm tắt:
Sau đây là đầu ra dự đoán với tóm tắt:
Sau đây là tóm tắt sự thật cơ bản cho mục đích đánh giá mô hình:
Tiếp theo, chúng tôi sử dụng sự thật cơ bản và đầu ra dự đoán để đánh giá mô hình.
Đánh giá mô hình bằng điểm số ROUGE¶
ĐỎ, hay Nghiên cứu định hướng thu hồi để đánh giá Gisting, là một bộ số liệu và gói phần mềm được sử dụng để đánh giá tóm tắt tự động và dịch máy trong xử lý ngôn ngữ tự nhiên. Các số liệu so sánh bản tóm tắt hoặc bản dịch được tạo tự động với bản tóm tắt hoặc bản dịch tham chiếu (do con người tạo ra) hoặc một bộ tài liệu tham khảo.
Trong đoạn mã sau, chúng tôi kết hợp các bản tóm tắt được dự đoán và bản gốc bằng cách nối chúng trên khóa chung id
và sử dụng điều này để tính điểm ROUGE:
Thực hiện suy luận hàng loạt thời gian thực
Tiếp theo, chúng tôi chỉ cho bạn cách chạy suy luận hàng loạt thời gian thực trên điểm cuối bằng cách cung cấp đầu vào dưới dạng danh sách. Chúng tôi sử dụng cùng một ID mô hình và tập dữ liệu như trước đó, ngoại trừ việc chúng tôi lấy một vài bản ghi từ tập dữ liệu thử nghiệm và sử dụng chúng để gọi một điểm cuối thời gian thực.
Đoạn mã sau cho biết cách tạo và triển khai điểm cuối thời gian thực cho suy luận lô thời gian thực:
Tiếp theo, chúng tôi chuẩn bị tải trọng đầu vào của mình. Đối với điều này, chúng tôi sử dụng dữ liệu mà chúng tôi đã chuẩn bị trước đó và trích xuất 10 đầu vào kiểm tra đầu tiên và nối các đầu vào văn bản với siêu tham số mà chúng tôi muốn sử dụng. Chúng tôi cung cấp tải trọng này cho thời gian thực invoke_endpoint
. Tải trọng phản hồi sau đó được trả về dưới dạng danh sách các phản hồi. Xem đoạn mã sau:
Làm sạch
Sau khi bạn đã kiểm tra điểm cuối, hãy nhớ xóa điểm cuối suy luận SageMaker và xóa mô hình để tránh phát sinh phí.
Kết luận
Trong sổ ghi chép này, chúng tôi đã thực hiện chuyển đổi hàng loạt để hiển thị mô hình Trình tạo văn bản Text2 ôm mặt cho các tác vụ tóm tắt. Biến đổi hàng loạt thuận lợi trong việc thu được kết luận từ các bộ dữ liệu lớn mà không yêu cầu điểm cuối liên tục. Chúng tôi đã liên kết các bản ghi đầu vào với các suy luận để hỗ trợ diễn giải kết quả. Chúng tôi đã sử dụng điểm ROUGE để so sánh tóm tắt dữ liệu thử nghiệm với tóm tắt do mô hình tạo.
Ngoài ra, chúng tôi đã trình diễn suy luận lô theo thời gian thực, trong đó bạn có thể gửi một lô dữ liệu nhỏ đến điểm cuối thời gian thực để đạt được sự cân bằng giữa độ trễ và thông lượng cho các tình huống như truyền dữ liệu đầu vào. Suy luận hàng loạt thời gian thực giúp tăng thông lượng cho các yêu cầu thời gian thực.
Hãy thử chuyển đổi hàng loạt với các mô hình Tạo Text2Text trong SageMaker ngay hôm nay và cho chúng tôi biết phản hồi của bạn!
Giới thiệu về tác giả
Hemant Singh là Kỹ sư máy học có kinh nghiệm về Amazon SageMaker JumpStart và thuật toán tích hợp sẵn Amazon SageMaker. Anh ấy lấy bằng thạc sĩ tại Viện Khoa học Toán học Courant và B.Tech từ IIT Delhi. Anh ấy có kinh nghiệm làm việc với nhiều vấn đề về học máy khác nhau trong lĩnh vực xử lý ngôn ngữ tự nhiên, thị giác máy tính và phân tích chuỗi thời gian.
rachna chadha là Kiến trúc sư giải pháp chính AI/ML trong Tài khoản chiến lược tại AWS. Rachna là một người lạc quan tin rằng việc sử dụng AI có đạo đức và có trách nhiệm có thể cải thiện xã hội trong tương lai và mang lại sự thịnh vượng về kinh tế và xã hội. Khi rảnh rỗi, Rachna thích dành thời gian cho gia đình, đi bộ đường dài và nghe nhạc.
Tiến sĩ Ashish Khetan là Nhà khoa học ứng dụng cấp cao với các thuật toán tích hợp Amazon SageMaker và giúp phát triển các thuật toán máy học. Ông lấy bằng Tiến sĩ tại Đại học Illinois Urbana-Champaign. Ông là một nhà nghiên cứu tích cực về học máy và suy luận thống kê, đồng thời đã xuất bản nhiều bài báo tại các hội nghị NeurIPS, ICML, ICLR, JMLR, ACL và EMNLP.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoAiStream. Thông minh dữ liệu Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Đúc kết tương lai với Adryenn Ashley. Truy cập Tại đây.
- Mua và bán cổ phần trong các công ty PRE-IPO với PREIPO®. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/perform-batch-transforms-with-amazon-sagemaker-jumpstart-text2text-generation-large-language-models/
- : có
- :là
- :không phải
- :Ở đâu
- $ LÊN
- 000
- 1
- 10
- 100
- 11
- 13
- 14
- 20
- 2014
- 50
- 7
- 8
- 9
- a
- Có khả năng
- Giới thiệu
- ở trên
- chấp nhận
- chấp nhận
- truy cập
- Theo
- Trợ Lý Giám Đốc
- Đạt được
- Mua lại
- ngang qua
- hành động
- hoạt động
- tiên tiến
- thuận lợi
- chống lại
- AI
- AI / ML
- Hỗ trợ
- thuật toán
- Tất cả
- cáo buộc
- cho phép
- Ngoài ra
- đàn bà gan dạ
- Amazon SageMaker
- Khởi động Amazon SageMaker
- Amazon Web Services
- an
- phân tích
- và
- Thông báo
- bất kì
- api
- áp dụng
- phương pháp tiếp cận
- LÀ
- xung quanh
- bài viết
- bài viết
- AS
- At
- Nỗ lực
- ủy quyền
- Tự động
- tự động
- có sẵn
- tránh
- AWS
- Cân đối
- cơ sở
- dựa
- BE
- đã trở thành
- bởi vì
- trở thành
- trước
- được
- Tin
- tin
- cây bồ đề
- Hơn
- giữa
- thân hình
- cả hai
- Cả hai mặt
- ranh giới
- một thời gian ngắn
- mang lại
- Mang lại
- được xây dựng trong
- kinh doanh
- nhưng
- by
- cuộc gọi
- CAN
- không thể
- trường hợp
- Nguyên nhân
- tải
- Chọn
- tốt nghiệp lớp XNUMX
- khách hàng
- gần gũi hơn
- CNN
- mã
- kết hợp
- kết hợp
- kết hợp
- Đến
- cam kết
- cam kết
- Chung
- so sánh
- hoàn thành
- Tính
- máy tính
- Tầm nhìn máy tính
- khái niệm
- Tiến hành
- hội nghị
- Container
- tiếp tục
- liên tục
- đóng góp
- Phí Tổn
- chi phí-hiệu quả
- có thể
- tư vấn
- phản tác dụng
- nước
- Tòa án
- tạo
- Tạo
- Tội phạm
- Hình sự
- dữ liệu
- nhập dữ liệu
- bộ dữ liệu
- chết
- quyết định
- Mặc định
- Delhi
- chứng minh
- chứng minh
- bộ
- Tùy
- triển khai
- triển khai
- mô tả
- Xác định
- phát triển
- Phát triển
- khác nhau
- sự khác biệt
- khác nhau
- trực tiếp
- khác nhau
- do
- phu bến tàu
- miền
- thực hiện
- dont
- Cửa
- xuống
- thời gian
- suốt trong
- mỗi
- Sớm hơn
- Đông
- dễ dàng
- Kinh tế
- hiệu quả
- những nỗ lực
- đủ điều kiện
- cho phép
- cuối
- Điểm cuối
- ky sư
- đảm bảo
- Nhập cảnh
- nhập
- Môi trường
- Kỷ nguyên
- đạo đức
- đánh giá
- đánh giá
- đánh giá
- Ngay cả
- bằng chứng
- ví dụ
- ví dụ
- Trừ
- kích thích
- thực hiện
- kinh nghiệm
- trích xuất
- Đối mặt
- đức tin
- gia đình
- vài
- Tập tin
- Các tập tin
- Tên
- tiếp theo
- Trong
- Buộc
- nước ngoài
- chính thức
- Chính thức
- định dạng
- Forward
- thành lập
- từ
- Full
- xa hơn
- tương lai
- thế hệ
- máy phát điện
- được
- cho
- Go
- Các mục tiêu
- Chính phủ
- GPU
- lớn hơn
- Mặt đất
- Nhóm
- phần cứng
- Có
- he
- giúp đỡ
- giúp
- cô
- tại đây
- Cao
- nổi bật
- của mình
- tổ chức
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- HTML
- http
- HTTPS
- ÔmKhuôn Mặt
- Nhân loại
- nhân quyền
- Nhân loại
- ID
- id
- if
- Illinois
- hình ảnh
- ngay
- thực hiện
- nhập khẩu
- nâng cao
- in
- bao gồm
- Bao gồm
- Tăng lên
- độc lập
- hệ thống riêng biệt,
- Cá nhân
- thông tin
- Cơ sở hạ tầng
- ban đầu
- sự bất công
- đầu vào
- đầu vào
- yêu
- ví dụ
- thay vì
- Viện
- Quốc Tế
- giải thích
- trong
- điều tra
- điều tra
- Điều tra
- Israel
- IT
- ITS
- Tháng một
- Việc làm
- tham gia
- tham gia
- jpg
- json
- thẩm phán
- tháng sáu
- quyền hạn
- chỉ
- Tư pháp
- Key
- Biết
- hạ cánh
- Ngôn ngữ
- lớn
- Họ
- Độ trễ
- một lát sau
- ra mắt
- học tập
- trái
- cho phép
- nhẹ nhàng
- Lượt thích
- Lượt thích
- Dòng
- dòng
- liên kết
- liên kết
- Danh sách
- Listening
- tải
- dài
- còn
- Thấp
- máy
- học máy
- làm cho
- Làm
- quản lý
- cách thức
- nhiều
- đánh dấu
- phù hợp
- phù hợp
- toán học
- Có thể..
- có nghĩa
- hội viên
- Các thành viên
- thành viên
- Bộ nhớ
- phương pháp
- Metrics
- giảm thiểu
- ML
- Chế độ
- kiểu mẫu
- mô hình
- tháng
- chi tiết
- di chuyển
- Âm nhạc
- phải
- tên
- Tự nhiên
- Xử lý ngôn ngữ tự nhiên
- cần thiết
- Cần
- đàm phán
- Cũng không
- Nước Hà Lan
- mạng lưới
- Mới
- tin tức
- tin tức bác bỏ
- máy tính xách tay
- tại
- vật
- có được
- of
- Office
- Chính thức
- on
- ONE
- có thể
- mở
- mã nguồn mở
- mở
- phản đối
- phản đối
- or
- nguyên
- OS
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- đầu ra
- kết thúc
- gói
- trang
- Palestine
- giấy tờ
- tham số
- thông số
- một phần
- bên
- vượt qua
- con đường
- Lát
- hòa bình
- người
- Thực hiện
- quyền
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- xin vui lòng
- Điểm
- có thể
- Bài đăng
- dự đoán
- dự đoán
- dự đoán
- Dự đoán
- Predictor
- ưa thích
- Chuẩn bị
- chuẩn bị
- điều kiện tiên quyết
- Chủ tịch
- áp lực
- Thủ tướng Chính phủ
- thủ tướng
- Hiệu trưởng
- Vấn đề
- vấn đề
- quá trình
- Quy trình
- xử lý
- Sản xuất
- sự thịnh vượng
- cho
- cung cấp
- cung cấp
- cung cấp
- công bố
- mục đích
- Python
- phạm vi
- sẵn sàng
- thực
- thời gian thực
- ghi
- hồ sơ
- tài liệu tham khảo
- đề cập
- phát hành
- Đã loại bỏ
- NHIỀU LẦN
- báo cáo
- yêu cầu
- yêu cầu
- yêu cầu
- cần phải
- Yêu cầu
- nhà nghiên cứu
- Thông tin
- phản ứng
- phản ứng
- trách nhiệm
- chịu trách nhiệm
- kết quả
- Kết quả
- trở lại
- Trả về
- xem xét
- quyền
- Vai trò
- rome
- HÀNG
- chạy
- s
- nhà làm hiền triết
- Suy luận của SageMaker
- Nói
- tương tự
- nói
- kịch bản
- KHOA HỌC
- Nhà khoa học
- Điểm số
- sdk
- xem
- tìm kiếm
- chọn
- gửi
- cao cấp
- Loạt Sách
- DỊCH VỤ
- định
- thiết lập
- thiết lập
- chia sẻ
- chị ấy
- nên
- hiển thị
- giới thiệu
- Chương trình
- Sides
- Ký kết
- Tương tự
- Đơn giản
- kể từ khi
- tình hình
- tình huống
- Kích thước máy
- nhỏ
- So
- Mạng xã hội
- Xã hội
- Phần mềm
- giải pháp
- Giải pháp
- một số
- nói
- nói
- Chi
- Bắt đầu
- bắt đầu
- Tiểu bang
- Bộ Ngoại giao
- nhà nước-of-the-art
- Tuyên bố
- Bang
- thống kê
- Bước
- Các bước
- Vẫn còn
- dừng lại
- là gắn
- hàng
- lưu trữ
- đơn giản
- Chiến lược
- dòng
- trực tuyến
- mạnh mẽ
- Tiêu đề
- tóm tắt
- TÓM TẮT
- mùa hè
- hỗ trợ
- Hãy
- Lấy
- mất
- Nhiệm vụ
- nhiệm vụ
- công nghệ cao
- mẫu
- vùng lãnh thổ
- lãnh thổ
- thử nghiệm
- hơn
- việc này
- Sản phẩm
- thông tin
- Hà Lan
- Nhà nước
- thế giới
- cung cấp their dịch
- Them
- sau đó
- vì thế
- Kia là
- họ
- điều này
- những
- Thông qua
- thông lượng
- thời gian
- Chuỗi thời gian
- đến
- bây giờ
- bên nhau
- rách
- đối với
- Train
- Chuyển đổi
- biến áp
- biến đổi
- Dịch
- đúng
- Sự thật
- kiểu
- loại
- Phá hoại
- Kỳ
- Hoa Kỳ
- phổ cập
- trường đại học
- không giống
- Đang tải lên
- trên
- us
- sử dụng
- đã sử dụng
- sử dụng
- Phó Chủ Tịch
- tầm nhìn
- khối lượng
- W
- muốn
- chiến tranh
- là
- Đồng hồ đeo tay
- Đường..
- we
- web
- các dịch vụ web
- Thứ Tư
- chào mừng
- hoan nghênh
- TỐT
- Điều gì
- khi nào
- liệu
- cái nào
- trong khi
- CHÚNG TÔI LÀ
- rộng
- Phạm vi rộng
- sẽ
- với
- ở trong
- không có
- đang làm việc
- thế giới
- sẽ
- Bạn
- trên màn hình
- zephyrnet