AWS کے دسیوں ہزار صارفین AWS مشین لرننگ (ML) خدمات کو مکمل طور پر منظم انفراسٹرکچر اور ٹولز کے ساتھ اپنی ML کی ترقی کو تیز کرنے کے لیے استعمال کرتے ہیں۔ ان صارفین کے لیے جو احاطے میں ML ماڈل تیار کر رہے ہیں، جیسے کہ اپنے مقامی ڈیسک ٹاپ، وہ AWS کلاؤڈ پر اپنے وراثتی ML ماڈلز کو منتقل کرنا چاہتے ہیں تاکہ AWS پر دستیاب ML سروسز، انفراسٹرکچر، اور نفاذ کے وسائل کے سب سے جامع سیٹ سے پوری طرح فائدہ اٹھایا جا سکے۔ .
مدت میراثی کوڈ اس کوڈ سے مراد ہے جو مقامی ڈیسک ٹاپ پر دستی طور پر چلانے کے لیے تیار کیا گیا تھا، اور یہ کلاؤڈ ریڈی SDKs جیسے کہ AWS SDK برائے Python (Boto3) or Amazon SageMaker Python SDK. دوسرے لفظوں میں، یہ میراثی کوڈز کلاؤڈ کی تعیناتی کے لیے موزوں نہیں ہیں۔ ہجرت کے لیے بہترین طریقہ یہ ہے کہ ان میراثی کوڈز کو استعمال کرتے ہوئے ری ایکٹر کریں۔ ایمیزون سیج میکر API یا SageMaker Python SDK۔ تاہم، کچھ معاملات میں، بڑی تعداد میں لیگیسی ماڈلز والی تنظیموں کے پاس ان تمام ماڈلز کو دوبارہ لکھنے کے لیے وقت یا وسائل نہیں ہو سکتے۔
اس پوسٹ میں، ہم وراثت کے ML کوڈ کو AWS کلاؤڈ میں منتقل کرنے کے لیے ایک قابل توسیع اور لاگو کرنے میں آسان طریقہ کا اشتراک کرتے ہیں ایمیزون سیج میکر اور AWS اسٹیپ فنکشنزکوڈ ری فیکٹرنگ کی کم از کم مقدار کے ساتھ۔ مزید فعالیت شامل کرنے کے لیے آپ آسانی سے اس حل کو بڑھا سکتے ہیں۔ ہم یہ ظاہر کرتے ہیں کہ کس طرح دو مختلف شخصیات، ایک ڈیٹا سائنسدان اور ایک MLOps انجینئر، سینکڑوں لیگیسی ماڈلز کو اٹھانے اور منتقل کرنے میں تعاون کر سکتے ہیں۔
حل جائزہ
اس فریم ورک میں، ہم ایک کنٹینر میں لیگیسی کوڈ چلاتے ہیں۔ سیج میکر پروسیسنگ نوکری سیج میکر ایک پروسیسنگ کنٹینر کے اندر میراثی اسکرپٹ چلاتا ہے۔ پروسیسنگ کنٹینر امیج یا تو سیج میکر بلٹ ان امیج یا حسب ضرورت تصویر ہو سکتی ہے۔ پروسیسنگ جاب کے لیے بنیادی ڈھانچہ مکمل طور پر سیج میکر کے زیر انتظام ہے۔ میراثی کوڈ میں کسی تبدیلی کی ضرورت نہیں ہے۔ سیج میکر پروسیسنگ جابز بنانے سے واقفیت ہی ضروری ہے۔
ہم دو شخصیات کی شمولیت فرض کرتے ہیں: ایک ڈیٹا سائنسدان اور ایک MLOps انجینئر۔ ڈیٹا سائنسدان کوڈ کو سیج میکر میں منتقل کرنے کا ذمہ دار ہے، یا تو اسے دستی طور پر یا کوڈ کے ذخیرے سے کلون کرکے جیسے AWS CodeCommit. ایمیزون سیج میکر اسٹوڈیو ایم ایل لائف سائیکل میں مختلف مراحل کو لاگو کرنے کے لیے ایک مربوط ترقیاتی ماحول (IDE) فراہم کرتا ہے، اور ڈیٹا سائنسدان اسے دستی طور پر ایک حسب ضرورت کنٹینر بنانے کے لیے استعمال کرتا ہے جس میں تعیناتی کے لیے ضروری کوڈ کے نمونے ہوتے ہیں۔ کنٹینر کو کنٹینر رجسٹری میں رجسٹر کیا جائے گا جیسے ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر) تعیناتی کے مقاصد کے لیے۔
MLOps انجینئر ایک سٹیپ فنکشنز ورک فلو بنانے کی ملکیت لیتا ہے جسے ہم ڈیٹا سائنسدان کے تیار کردہ حسب ضرورت کنٹینر کو مناسب پیرامیٹرز کے ساتھ تعینات کرنے کے لیے دوبارہ استعمال کر سکتے ہیں۔ سٹیپ فنکشنز کا ورک فلو اتنا ہی ماڈیولر ہو سکتا ہے جتنا کہ استعمال کے معاملے میں فٹ ہونے کی ضرورت ہے، یا یہ ایک ہی عمل کو شروع کرنے کے لیے صرف ایک قدم پر مشتمل ہو سکتا ہے۔ کوڈ کو منتقل کرنے کے لیے درکار کوشش کو کم کرنے کے لیے، ہم نے مکمل طور پر فعال تعیناتی کے عمل کو بنانے کے لیے تین ماڈیولر اجزاء کی نشاندہی کی ہے:
- پیشگی کارروائی
- ارادہ
- پوسٹ پروسیسنگ
درج ذیل خاکہ ہمارے حل کے فن تعمیر اور ورک فلو کو واضح کرتا ہے۔
اس حل میں درج ذیل اقدامات شامل ہیں:
- ڈیٹا سائنسدان شخصیت کوڈ ریپوزٹری سے کلوننگ کے ذریعے میراثی کوڈ درآمد کرنے کے لیے اسٹوڈیو کا استعمال کرتا ہے، اور پھر کوڈ کو الگ الگ اجزاء میں ماڈیولرائز کرتا ہے جو ایم ایل لائف سائیکل (پری پروسیسنگ، انفرنس، اور پوسٹ پروسیسنگ) کے مراحل کی پیروی کرتا ہے۔
- ڈیٹا سائنسدان اسٹوڈیو کا استعمال کرتا ہے، اور خاص طور پر سٹوڈیو امیج بلڈ CLI ڈوکر امیج بنانے کے لیے سیج میکر کے ذریعہ فراہم کردہ ٹول۔ یہ CLI ٹول ڈیٹا سائنسدان کو تصویر کو براہ راست سٹوڈیو میں بنانے کی اجازت دیتا ہے اور خود بخود امیزون ECR میں امیج کو رجسٹر کر دیتا ہے۔
- MLOps انجینئر رجسٹرڈ کنٹینر امیج کا استعمال کرتا ہے اور Step Functions کا استعمال کرتے ہوئے مخصوص استعمال کیس کے لیے ایک تعیناتی تخلیق کرتا ہے۔ Step Functions ایک سرور لیس ورک فلو سروس ہے جو Amazon State Language کے استعمال کے ذریعے SageMaker APIs کو براہ راست کنٹرول کر سکتی ہے۔
سیج میکر پروسیسنگ کا کام
آئیے سمجھتے ہیں کہ کیسے a سیج میکر پروسیسنگ کا کام چلتا ہے مندرجہ ذیل خاکہ دکھاتا ہے کہ کس طرح سیج میکر پروسیسنگ کے کام کو آگے بڑھاتا ہے۔
سیج میکر آپ کا اسکرپٹ لیتا ہے، آپ کے ڈیٹا کو اس سے کاپی کرتا ہے۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3)، اور پھر ایک پروسیسنگ کنٹینر کھینچتا ہے۔ پروسیسنگ کنٹینر امیج یا تو سیج میکر بلٹ ان امیج ہو سکتی ہے یا آپ کی فراہم کردہ حسب ضرورت تصویر۔ پروسیسنگ جاب کے لیے بنیادی ڈھانچہ مکمل طور پر سیج میکر کے زیر انتظام ہے۔ کلسٹر وسائل آپ کی ملازمت کی مدت کے لیے فراہم کیے جاتے ہیں، اور جب کوئی کام مکمل ہو جاتا ہے تو اسے صاف کیا جاتا ہے۔ پروسیسنگ جاب کا آؤٹ پٹ آپ کے بیان کردہ S3 بالٹی میں محفوظ ہے۔ اپنا کنٹینر بنانے کے بارے میں مزید جاننے کے لیے، رجوع کریں۔ اپنا پروسیسنگ کنٹینر بنائیں (جدید منظر نامے).
سیج میکر پروسیسنگ جاب آپ کی پروسیسنگ امیج کو ڈوکر کنٹینر انٹری پوائنٹ اسکرپٹ کا استعمال کرتے ہوئے ترتیب دیتا ہے۔ آپ ContainerEntrypoint اور ContainerArguments کے پیرامیٹرز کا استعمال کر کے اپنا حسب ضرورت انٹری پوائنٹ بھی فراہم کر سکتے ہیں۔ ایپ کی تفصیلات API اگر آپ اپنی مرضی کے مطابق اندراج پوائنٹ استعمال کرتے ہیں، تو آپ کے پاس اپنی تصاویر کو دوبارہ تعمیر کیے بغیر اسٹینڈ اسٹون اسکرپٹ کے طور پر چلانے کے لیے اضافی لچک ہے۔
اس مثال کے لیے، ہم ایک حسب ضرورت کنٹینر بناتے ہیں اور تخمینہ کے لیے SageMaker پروسیسنگ جاب استعمال کرتے ہیں۔ پری پروسیسنگ اور پوسٹ پروسیسنگ جابز پہلے سے بنائے گئے سکیٹ لرن کنٹینر کے ساتھ اسکرپٹ موڈ کا استعمال کرتی ہیں۔
شرائط
اس پوسٹ پر عمل کرنے کے لیے، درج ذیل ضروری مراحل کو مکمل کریں:
- اسٹوڈیو ڈومین بنائیں۔ ہدایات کے لیے، رجوع کریں۔ فوری سیٹ اپ کا استعمال کرتے ہوئے ایمیزون سیج میکر ڈومین پر آن بورڈ.
- ایک S3 بالٹی بنائیں۔
- فراہم کردہ کلون GitHub repo سٹوڈیو میں
گٹ ہب ریپو کو مختلف فولڈرز میں منظم کیا گیا ہے جو ایم ایل لائف سائیکل کے مختلف مراحل سے مطابقت رکھتے ہیں، آسان نیویگیشن اور انتظام کی سہولت فراہم کرتے ہوئے:
میراثی کوڈ کو منتقل کریں۔
اس مرحلے میں، ہم ڈیٹا سائنسدان کے طور پر کام کرتے ہیں جو میراثی کوڈ کو منتقل کرنے کے ذمہ دار ہیں۔
ہم کھول کر شروع کرتے ہیں۔ build_and_push.ipynb
کاپی.
نوٹ بک میں ابتدائی سیل آپ کو انسٹال کرنے میں رہنمائی کرتا ہے۔ سٹوڈیو امیج بلڈ CLI. یہ CLI خودکار طور پر دوبارہ قابل استعمال تعمیراتی ماحول بنا کر سیٹ اپ کے عمل کو آسان بناتا ہے جس کے ساتھ آپ اعلیٰ سطحی کمانڈز کے ذریعے تعامل کر سکتے ہیں۔ CLI کے ساتھ، تصویر بنانا اتنا ہی آسان ہے جتنا کہ اسے بنانے کے لیے کہنا، اور نتیجہ Amazon ECR میں آپ کی تصویر کے مقام کا لنک ہوگا۔ یہ نقطہ نظر تصویر بنانے کے عمل کو ہموار کرتے ہوئے CLI کے ذریعہ ترتیب دیئے گئے پیچیدہ بنیادی ورک فلو کو منظم کرنے کی ضرورت کو ختم کرتا ہے۔
بلڈ کمانڈ چلانے سے پہلے، یہ یقینی بنانا ضروری ہے کہ کمانڈ چلانے والے کردار کے پاس ضروری اجازتیں ہیں، جیسا کہ CLI میں بیان کیا گیا ہے۔ GitHub کے ریڈمی یا متعلقہ پوسٹ. مطلوبہ اجازتیں دینے میں ناکامی کے نتیجے میں تعمیراتی عمل کے دوران غلطیاں ہو سکتی ہیں۔
درج ذیل کوڈ دیکھیں:
اپنے لیگیسی کوڈ کو ہموار کرنے کے لیے، اسے preprocessing.py، predict.py، اور postprocessing.py نامی تین الگ Python اسکرپٹس میں تقسیم کریں۔ کوڈ کو فنکشنز میں تبدیل کرکے پروگرامنگ کے بہترین طریقوں پر عمل کریں جنہیں مین فنکشن سے بلایا جاتا ہے۔ اس بات کو یقینی بنائیں کہ تمام ضروری لائبریریاں درآمد کی گئی ہیں اور کسی بھی حسب ضرورت لائبریریوں کو شامل کرنے کے لیے requirements.txt فائل کو اپ ڈیٹ کر دیا گیا ہے۔
کوڈ کو منظم کرنے کے بعد، اسے ڈوکر کنٹینر میں ضروریات کی فائل کے ساتھ پیک کریں۔ آپ درج ذیل کمانڈ کا استعمال کرتے ہوئے اسٹوڈیو کے اندر سے آسانی سے کنٹینر بنا سکتے ہیں۔
پہلے سے طے شدہ طور پر، تصویر کو تازہ ترین ٹیگ کے ساتھ sagemakerstudio کہلانے والے ECR ریپوزٹری میں بھیج دیا جائے گا۔ مزید برآں، پہلے سے طے شدہ SageMaker Python SDK S3 بالٹی کے ساتھ، اسٹوڈیو ایپ کے ایگزیکیوشن رول کو استعمال کیا جائے گا۔ تاہم، مناسب CLI اختیارات کا استعمال کرتے ہوئے ان ترتیبات کو آسانی سے تبدیل کیا جا سکتا ہے۔ درج ذیل کوڈ دیکھیں:
اب جب کہ کنٹینر ECR ریپوزٹری میں بنایا گیا ہے اور رجسٹر ہو چکا ہے، اب وقت آگیا ہے کہ ہم اس بات پر گہرائی میں جائیں کہ ہم اسے predict.py چلانے کے لیے کس طرح استعمال کر سکتے ہیں۔ ہم آپ کو پہلے سے بنایا ہوا استعمال کرنے کا عمل بھی دکھاتے ہیں۔ سائنٹ سیکھنا preprocessing.py اور postprocessing.py چلانے کے لیے کنٹینر۔
کنٹینر کی پیداوار کریں۔
اس مرحلے میں، ہم MLOps انجینئر کے طور پر کام کرتے ہیں جو پچھلے مرحلے میں بنائے گئے کنٹینر کو تیار کرتا ہے۔
ہم کام کے بہاؤ کو ترتیب دینے کے لیے Step Functions کا استعمال کرتے ہیں۔ سٹیپ فنکشنز ورک فلو میں خدمات کی متنوع رینج کو ضم کرنے میں غیر معمولی لچک کی اجازت دیتا ہے، کسی بھی موجودہ انحصار کو ایڈجسٹ کرتے ہوئے جو میراثی نظام میں موجود ہو سکتا ہے۔ یہ نقطہ نظر اس بات کو یقینی بناتا ہے کہ تمام ضروری اجزاء بغیر کسی رکاوٹ کے مربوط ہوں اور مطلوبہ ترتیب میں چلائے جائیں، جس کے نتیجے میں ایک موثر اور موثر ورک فلو حل ہوتا ہے۔
سٹیپ فنکشنز بعض AWS سروسز کو براہ راست Amazon State Language سے کنٹرول کر سکتے ہیں۔ Step Functions کے ساتھ کام کرنے اور SageMaker کے ساتھ اس کے انضمام کے بارے میں مزید جاننے کے لیے، رجوع کریں۔ سٹیپ فنکشنز کے ساتھ سیج میکر کا نظم کریں۔. SageMaker کے ساتھ سٹیپ فنکشنز انٹیگریشن کی صلاحیت کا استعمال کرتے ہوئے، ہم اسکرپٹ موڈ میں SageMaker پروسیسنگ جاب کا استعمال کرتے ہوئے پری پروسیسنگ اور پوسٹ پروسیسنگ اسکرپٹس چلاتے ہیں اور سیج میکر پروسیسنگ جاب کے طور پر انفرنس چلاتے ہیں۔ کسٹم کنٹینر. ہم Python (Boto3) کے لیے AWS SDK کا استعمال کرتے ہوئے ایسا کرتے ہیں۔ پروسیسنگ جاب بنائیں API کالز۔
پیشگی کارروائی
سیج میکر اپنی مرضی کے کوڈ کو چلانے کے لیے کئی اختیارات پیش کرتا ہے۔ اگر آپ کے پاس صرف اسکرپٹ ہے بغیر کسی کسٹم انحصار کے، تو آپ اسکرپٹ کو Bring Your Own Script (BYOS) کے طور پر چلا سکتے ہیں۔ ایسا کرنے کے لیے، اپنے اسکرپٹ کو پہلے سے بنائے گئے اسکِٹ لرن فریم ورک کنٹینر میں منتقل کریں اور کنٹینر آرگیومینٹس اور کنٹینر اینٹری پوائنٹ پیرامیٹرز کا استعمال کرتے ہوئے اسکرپٹ موڈ میں سیج میکر پروسیسنگ جاب چلائیں۔ ایپ کی تفصیلات API یہ سادہ سکرپٹ چلانے کے لیے ایک سیدھا اور آسان طریقہ ہے۔
میں "پری پروسیسنگ اسکرپٹ موڈ" اسٹیٹ کنفیگریشن کو چیک کریں۔ نمونہ مرحلہ افعال ورک فلو یہ سمجھنے کے لیے کہ کسٹم اسکرپٹ کو چلانے کے لیے CreateProcessingJob API کال کو کنفیگر کرنا ہے۔
ارادہ
آپ استعمال کر کے اپنی مرضی کے مطابق کنٹینر چلا سکتے ہیں۔ اپنا پروسیسنگ کنٹینر خود بنائیں نقطہ نظر سیج میکر پروسیسنگ کا کام اس کے ساتھ چلتا ہے۔ /opt/ml
local path، اور آپ اپنے ProcessingInputs اور ان کے مقامی راستے کو کنفیگریشن میں بتا سکتے ہیں۔ پروسیسنگ جاب پھر نمونے کو مقامی کنٹینر میں کاپی کرتا ہے اور کام شروع کرتا ہے۔ کام مکمل ہونے کے بعد، یہ پروسیسنگ آؤٹ پٹ کے مقامی راستے میں مخصوص نمونے کو اس کے مخصوص بیرونی مقام پر کاپی کرتا ہے۔
میں "انفرنس کسٹم کنٹینر" اسٹیٹ کنفیگریشن کو چیک کریں۔ نمونہ مرحلہ افعال ورک فلو یہ سمجھنے کے لیے کہ کسٹم کنٹینر چلانے کے لیے CreateProcessingJob API کال کو کنفیگر کرنا ہے۔
پوسٹ پروسیسنگ
آپ اسٹیپ فنکشنز CreateProcessingJob اسٹیپ کا استعمال کرتے ہوئے پری پروسیسنگ اسکرپٹ کی طرح پوسٹ پروسیسنگ اسکرپٹ چلا سکتے ہیں۔ پوسٹ پروسیسنگ اسکرپٹ کو چلانے سے آپ کو تخمینہ جاب مکمل ہونے کے بعد حسب ضرورت پروسیسنگ کے کام کرنے کی اجازت ملتی ہے۔
سٹیپ فنکشنز ورک فلو بنائیں
فوری پروٹو ٹائپنگ کے لیے، ہم سٹیپ فنکشنز استعمال کرتے ہیں۔ ایمیزون ریاستوں کی زبان. آپ سٹیٹس لینگویج کا استعمال کر کے سٹیپ فنکشنز کی تعریف میں براہ راست ترمیم کر سکتے ہیں۔ سے رجوع کریں۔ نمونہ مرحلہ افعال ورک فلو.
آپ منتخب کرکے اسٹیپ فنکشنز کنسول پر ایک نئی اسٹیپ فنکشنز اسٹیٹ مشین بنا سکتے ہیں۔ اپنے ورک فلو کو کوڈ میں لکھیں۔.
Step Functions ان وسائل کو دیکھ سکتے ہیں جنہیں آپ استعمال کرتے ہیں اور ایک کردار بنا سکتے ہیں۔ تاہم، آپ مندرجہ ذیل پیغام دیکھ سکتے ہیں:
"اسٹیپ فنکشنز IAM پالیسی نہیں بنا سکتے ہیں اگر RoleArn for SageMaker کسی راستے سے ہے۔ اپنی ریاستی مشین کی تعریف میں SageMaker RoleArn کو ہارڈ کوڈ کریں، یا SageMaker کو کال کرنے کے لیے Step Functions کے لیے مناسب اجازتوں کے ساتھ موجودہ کردار کا انتخاب کریں۔
اس سے نمٹنے کے لیے، آپ کو ایک بنانا ہوگا۔ AWS شناخت اور رسائی کا انتظام سٹیپ فنکشنز کے لیے (IAM) کا کردار۔ ہدایات کے لیے، رجوع کریں۔ اپنی ریاستی مشین کے لیے ایک IAM رول بنانا. پھر ورک فلو کو چلانے کے لیے مطلوبہ اجازتیں فراہم کرنے کے لیے درج ذیل IAM پالیسی منسلک کریں:
درج ذیل اعداد و شمار اسٹیپ فنکشنز ورک فلو کے ہر مرحلے میں ڈیٹا اور کنٹینر امیجز کے بہاؤ کو واضح کرتا ہے۔
اسٹیپ فنکشنز میں شروع کرنے کے لیے کم از کم مطلوبہ پیرامیٹرز کی فہرست درج ذیل ہے۔ آپ بھی حوالہ دے سکتے ہیں۔ نمونہ ان پٹ پیرامیٹرز JSON:
- input_uri - ان پٹ فائلوں کے لیے S3 URI
- output_uri - آؤٹ پٹ فائلوں کے لیے S3 URI
- code_uri - اسکرپٹ فائلوں کے لیے S3 URI
- custom_image_uri - آپ کے بنائے ہوئے حسب ضرورت کنٹینر کے لیے کنٹینر URI
- scikit_image_uri - پہلے سے بنائے گئے اسکیٹ لرن فریم ورک کے لیے کنٹینر URI
- کردار - کام کو چلانے کے لیے عملدرآمد کا کردار
- instance_type - مثال کی قسم جس کی آپ کو کنٹینر چلانے کے لیے استعمال کرنے کی ضرورت ہے۔
- حجم_سائز - سٹوریج والیوم سائز جس کی آپ کو کنٹینر کے لیے ضرورت ہے۔
- max_runtime - کنٹینر کے لیے زیادہ سے زیادہ رن ٹائم، 1 گھنٹے کی ڈیفالٹ ویلیو کے ساتھ
ورک فلو چلائیں۔
ہم نے لیگیسی کوڈ کو قابل انتظام حصوں میں توڑ دیا ہے: پری پروسیسنگ، انفرنس، اور پوسٹ پروسیسنگ۔ اپنی تشخیصی ضروریات کو پورا کرنے کے لیے، ہم نے لائبریری کے ضروری انحصار سے لیس ایک حسب ضرورت کنٹینر بنایا ہے۔ ہمارا منصوبہ SageMaker API کو کال کرنے کی صلاحیت کا فائدہ اٹھاتے ہوئے Step Functions کو استعمال کرنا ہے۔ ہم نے سیج میکر API کا استعمال کرتے ہوئے کسٹم کوڈ کو چلانے کے لیے دو طریقے دکھائے ہیں: ایک سیج میکر پروسیسنگ جاب جو پہلے سے بنی ہوئی امیج کو استعمال کرتی ہے اور رن ٹائم کے وقت ایک کسٹم اسکرپٹ لیتی ہے، اور ایک سیج میکر پروسیسنگ جاب جو ایک حسب ضرورت کنٹینر استعمال کرتی ہے، جو ضروری پیکج کے ساتھ پیک کیا جاتا ہے۔ اپنی مرضی کے مطابق اندازہ چلانے کے لیے نمونے
مندرجہ ذیل اعداد و شمار سٹیپ فنکشنز ورک فلو کو دکھاتا ہے۔
خلاصہ
اس پوسٹ میں، ہم نے مقامی ترقیاتی ماحول سے میراثی ML Python کوڈ کو منتقل کرنے اور معیاری MLOps طریقہ کار کو نافذ کرنے کے عمل پر تبادلہ خیال کیا۔ اس نقطہ نظر کے ساتھ، آپ آسانی سے سینکڑوں ماڈلز کو منتقل کر سکتے ہیں اور اپنے مطلوبہ انٹرپرائز تعیناتی کے طریقوں کو شامل کر سکتے ہیں۔ ہم نے SageMaker پر حسب ضرورت کوڈ چلانے کے لیے دو مختلف طریقے پیش کیے ہیں، اور آپ اپنی ضروریات کے مطابق ایک کو منتخب کر سکتے ہیں۔
اگر آپ کو انتہائی حسب ضرورت حل درکار ہے، تو یہ تجویز کیا جاتا ہے کہ اپنی مرضی کے مطابق کنٹینر اپروچ استعمال کریں۔ اگر آپ کے پاس بنیادی اسکرپٹ ہیں اور آپ کو اپنا حسب ضرورت کنٹینر بنانے کی ضرورت نہیں ہے تو آپ اپنی مرضی کے مطابق اسکرپٹ کو چلانے کے لیے پہلے سے تیار کردہ تصاویر کا استعمال کرنا زیادہ مناسب محسوس کر سکتے ہیں، جیسا کہ پہلے ذکر کردہ پری پروسیسنگ مرحلے میں بیان کیا گیا ہے۔ مزید برآں، اگر ضرورت ہو تو، آپ اس حل کو میراثی ماڈل کی تربیت اور تشخیص کے مراحل کو کنٹینرائز کرنے کے لیے لاگو کر سکتے ہیں، بالکل اسی طرح جیسے اس پوسٹ میں تخمینہ کے مرحلے کو کنٹینرائز کیا گیا ہے۔
مصنفین کے بارے میں
بھاونا چیرومیلا ڈیٹا اور مشین لرننگ آپریشنز کے لیے ایک مضبوط جذبہ کے ساتھ AWS میں ایک سینئر ریذیڈنٹ آرکیٹیکٹ ہے۔ وہ انٹرپرائزز کو موثر ڈیٹا اور ML حکمت عملی بنانے میں مدد کرنے کے لیے بہت زیادہ تجربہ اور جوش و خروش لاتی ہے۔ اپنے فارغ وقت میں، بھاونا اپنے خاندان کے ساتھ وقت گزارنے اور مختلف سرگرمیوں جیسے کہ سفر، پیدل سفر، باغبانی، اور دستاویزی فلمیں دیکھنا پسند کرتی ہیں۔
شیام ناماورم ایمیزون ویب سروسز (AWS) میں ایک سینئر مصنوعی ذہانت (AI) اور مشین لرننگ (ML) ماہر حل آرکیٹیکٹ ہے۔ وہ تکنیکی رہنمائی فراہم کرکے اور AWS پر محفوظ کلاؤڈ سلوشنز کو اختراع کرنے اور بنانے میں ان کی مدد کرکے اپنے AI اور ML کو اپنانے میں تیزی لانے کے لیے گاہکوں کے ساتھ جوش سے کام کرتا ہے۔ وہ AI اور ML، کنٹینرز، اور تجزیاتی ٹیکنالوجیز میں مہارت رکھتا ہے۔ کام سے باہر، اسے کھیل کھیلنا اور ٹریکنگ کے ساتھ فطرت کا تجربہ کرنا پسند ہے۔
چنگ وی لی ایمیزون ویب سروسز میں مشین لرننگ کا ماہر ہے۔ اس نے آپریشنز ریسرچ میں پی ایچ ڈی اس وقت حاصل کی جب اس نے اپنے مشیر کے ریسرچ گرانٹ اکاؤنٹ کو توڑ دیا اور نوبل انعام دینے میں ناکام رہے جس کا اس نے وعدہ کیا تھا۔ فی الحال، وہ مالیاتی خدمات اور انشورنس انڈسٹری میں صارفین کو AWS پر مشین لرننگ سلوشنز بنانے میں مدد کرتا ہے۔ اپنے فارغ وقت میں وہ پڑھنا اور پڑھانا پسند کرتے ہیں۔
سری نواسا شیک بوسٹن میں مقیم AWS میں ایک حل آرکیٹیکٹ ہے۔ وہ انٹرپرائز صارفین کو کلاؤڈ تک اپنے سفر کو تیز کرنے میں مدد کرتا ہے۔ وہ کنٹینرز اور مشین لرننگ ٹیکنالوجیز کے بارے میں پرجوش ہے۔ اپنے فارغ وقت میں، وہ اپنے خاندان کے ساتھ وقت گزارنے، کھانا پکانے اور سفر میں لطف اندوز ہوتا 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/bring-legacy-machine-learning-code-into-amazon-sagemaker-using-aws-step-functions/
- : ہے
- $UP
- 1
- 10
- 100
- 214
- 8
- a
- کی صلاحیت
- ہمارے بارے میں
- رفتار کو تیز تر
- تک رسائی حاصل
- اکاؤنٹ
- ایکٹ
- عمل
- سرگرمیوں
- شامل کیا
- اس کے علاوہ
- پتہ
- مان لیا
- منہ بولابیٹا بنانے
- اعلی درجے کی
- فائدہ
- کے بعد
- AI
- تمام
- کی اجازت دیتا ہے
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- ایمیزون ویب سروسز (AWS)
- رقم
- تجزیاتی
- اور
- اے پی آئی
- APIs
- اپلی کیشن
- کا اطلاق کریں
- نقطہ نظر
- مناسب
- فن تعمیر
- کیا
- مصنوعی
- مصنوعی ذہانت
- مصنوعی انٹیلی جنس (AI)
- AS
- At
- منسلک کریں
- خود کار طریقے سے
- دستیاب
- AWS
- AWS مشین لرننگ
- AWS اسٹیپ فنکشنز
- کی بنیاد پر
- بنیادی
- BE
- شروع کریں
- BEST
- بوسٹن
- لانے
- لاتا ہے
- توڑ دیا
- ٹوٹ
- تعمیر
- عمارت
- تعمیر
- تعمیر میں
- by
- فون
- کہا جاتا ہے
- کالز
- کر سکتے ہیں
- نہیں کر سکتے ہیں
- کیس
- مقدمات
- کچھ
- تبدیل
- میں سے انتخاب کریں
- کلائنٹ
- بادل
- کلسٹر
- کوڈ
- کوڈ
- تعاون
- COM
- مکمل
- پیچیدہ
- اجزاء
- وسیع
- شرط
- ترتیب
- کنسول
- تعمیر
- کنٹینر
- کنٹینر
- پر مشتمل ہے
- کنٹرول
- آسان
- کھانا پکانے
- تخلیق
- پیدا
- تخلیق
- اس وقت
- اپنی مرضی کے
- گاہکوں
- مرضی کے مطابق
- اعداد و شمار
- ڈیٹا سائنسدان
- گہرے
- پہلے سے طے شدہ
- نجات
- مظاہرہ
- تعیناتی
- تعیناتی
- بیان کیا
- ڈیسک ٹاپ
- ترقی یافتہ
- ترقی
- ترقی
- مختلف
- براہ راست
- بات چیت
- مختلف
- متنوع
- میں Docker
- ڈوکر کنٹینر
- دستاویزی
- ڈومین
- نہیں
- نیچے
- کے دوران
- ہر ایک
- اس سے قبل
- آسانی سے
- آسان
- اثر
- موثر
- ہنر
- کوشش
- یا تو
- ختم
- مشغول
- انجینئر
- کو یقینی بنانے کے
- یقینی بناتا ہے
- انٹرپرائز
- انٹرپرائز گاہکوں
- اداروں
- حوصلہ افزائی
- ماحولیات
- ماحول
- لیس
- نقائص
- Ether (ETH)
- تشخیص
- مثال کے طور پر
- غیر معمولی
- پھانسی
- موجودہ
- تجربہ
- تجربہ کرنا
- توسیع
- بیرونی
- سہولت
- ناکام
- واقفیت
- خاندان
- اعداد و شمار
- فائل
- مالی
- مالی خدمات
- مل
- فٹ
- لچک
- بہاؤ
- پر عمل کریں
- کے بعد
- کے لئے
- فریم ورک
- سے
- مکمل طور پر
- تقریب
- فنکشنل
- فعالیت
- افعال
- مزید برآں
- پیدا
- GitHub کے
- عطا
- رہنمائی
- ہدایات
- ہے
- مدد
- مدد
- مدد کرتا ہے
- اعلی سطحی
- انتہائی
- لمبی پیدل سفر
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- سینکڑوں
- IAM
- کی نشاندہی
- شناختی
- تصویر
- تصاویر
- نفاذ
- پر عمل درآمد
- درآمد
- اہم
- in
- دیگر میں
- شامل
- شامل
- صنعت
- انفراسٹرکچر
- ابتدائی
- شروع
- اختراعات
- ان پٹ
- انسٹال
- انسٹال کرنا
- مثال کے طور پر
- ہدایات
- انشورنس
- انشورنس انڈسٹری
- ضم
- انضمام کرنا
- انضمام
- انٹیلی جنس
- بات چیت
- ملوث
- ملوث ہونے
- IT
- میں
- ایوب
- نوکریاں
- سفر
- فوٹو
- JSON
- صرف ایک
- زبان
- بڑے
- تازہ ترین
- جانیں
- سیکھنے
- کی وراست
- لائبریریوں
- لائبریری
- زندگی کا دورانیہ
- کی طرح
- LINK
- لسٹ
- مقامی
- محل وقوع
- دیکھو
- مشین
- مشین لرننگ
- مین
- انتظام
- میں کامیاب
- انتظام
- دستی طور پر
- زیادہ سے زیادہ
- ذکر کیا
- پیغام
- طریقہ
- طریقوں
- منتقلی
- منتقلی
- کم سے کم
- کم سے کم
- ML
- ایم ایل اوپس
- موڈ
- ماڈل
- ماڈل
- ماڈیولر
- زیادہ
- سب سے زیادہ
- منتقل
- نامزد
- فطرت، قدرت
- سمت شناسی
- ضروری
- ضرورت ہے
- ضرورت
- ضروریات
- نئی
- نوبل انعام
- نوٹ بک
- تعداد
- of
- تجویز
- on
- ایک
- کھولنے
- چل رہا ہے
- آپریشنز
- اصلاح
- آپشنز کے بھی
- آرکسٹری
- تنظیمیں
- منظم
- دیگر
- پیداوار
- باہر
- خود
- ملکیت
- پیکج
- پیرامیٹرز
- حصے
- جذبہ
- جذباتی
- راستہ
- انجام دینے کے
- اجازتیں
- منصوبہ
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- کھیل
- پالیسی
- پوسٹ
- پریکٹس
- طریقوں
- پیشن گوئی
- پیش
- پچھلا
- انعام
- عمل
- پروسیسنگ
- پروگرامنگ
- وعدہ
- مناسب
- prototyping کے
- فراہم
- فراہم
- فراہم کرتا ہے
- فراہم کرنے
- ھیںچتی
- مقاصد
- دھکیل دیا
- ازگر
- فوری
- جلدی سے
- رینج
- پڑھنا
- موصول
- سفارش کی
- ریفیکٹر
- مراد
- رجسٹرڈ
- رجسٹر
- رجسٹری
- ذخیرہ
- کی ضرورت
- ضرورت
- ضروریات
- تحقیق
- وسائل
- وسائل
- ذمہ دار
- نتیجہ
- نتیجے
- قابل اعتماد
- کردار
- رن
- چل رہا ہے
- sagemaker
- توسیع پذیر
- منظر نامے
- سائنسدان
- سائنٹ سیکھنا
- سکرپٹ
- sdk
- بغیر کسی رکاوٹ کے
- محفوظ بنانے
- منتخب
- سینئر
- علیحدہ
- تسلسل
- بے سرور
- سروس
- سروسز
- مقرر
- سیٹ
- ترتیبات
- سیٹ اپ
- کئی
- سیکنڈ اور
- منتقل
- دکھائیں
- دکھایا گیا
- شوز
- سادہ
- صرف
- ایک
- سائز
- So
- حل
- حل
- کچھ
- ماہر
- مہارت دیتا ہے
- مخصوص
- خاص طور پر
- مخصوص
- خرچ کرنا۔
- اسپین
- اسپورٹس
- مراحل
- اسٹینڈ
- شروع ہوتا ہے
- حالت
- بیان
- امریکہ
- مرحلہ
- مراحل
- ذخیرہ
- ذخیرہ
- براہ راست
- حکمت عملیوں
- کارگر
- منظم
- مضبوط
- سٹوڈیو
- اس طرح
- موزوں
- سوٹ
- حمایت
- کے نظام
- TAG
- لے لو
- لیتا ہے
- لینے
- کاموں
- پڑھانا
- ٹیکنیکل
- ٹیکنالوجی
- کہ
- ۔
- ان
- ان
- یہ
- ہزاروں
- تین
- کے ذریعے
- وقت
- کرنے کے لئے
- کے آلے
- اوزار
- ٹریننگ
- منتقل
- سفر
- بنیادی
- سمجھ
- اپ ڈیٹ
- URI
- استعمال کی شرائط
- استعمال کیس
- کی افادیت
- استعمال
- استعمال کیا
- استعمال کرتا ہے
- قیمت
- مختلف
- ورژن
- حجم
- دیکھ
- ویلتھ
- ویب
- ویب خدمات
- جس
- ڈبلیو
- گے
- ساتھ
- کے اندر
- بغیر
- الفاظ
- کام
- کام کا بہاؤ
- کام کر
- کام کرتا ہے
- اور
- زیفیرنیٹ