KENNETH – 페이지 692 – 지락문화예술공작단

Debug memory leaks with the Microsoft Edge Detached Elements tool

2021-12-10 KENNETH 0

Debug memory leaks with the Microsoft Edge Detached Elements tool Memory leaks occur when the JavaScript code of an application retains more and more objects in memory that it doesn’t need any longer instead of releasing them for the browser to garbage collect (GC). For long-running apps, small memory leaks of only a few kilobytes can add up to noticeably degrade performance over time. Web developers who use the React framework know that React maintains a virtualized copy of the DOM. Failing to properly unmount components can potentially lead to an application leaking large parts of the virtual DOM. The Microsoft Edge team is very excited to announce the new Detached Elements tool in Microsoft Edge DevTools. It will help you investigate and resolve DOM memory leaks. This tool, inspired by our friends at Microsoft Teams, has already helped us [ more… ]

새로운 기능 – Amazon SageMaker Studio로 EMR 클러스터 및 Spark 작업 생성 및 관리

2021-12-09 KENNETH 0

새로운 기능 – Amazon SageMaker Studio로 EMR 클러스터 및 Spark 작업 생성 및 관리 이제 Amazon SageMaker Studio 서비스에 세 가지 새로운 개선 사항을 제공하게 되어 매우 기쁩니다. 현재 SageMaker Studio의 사용자는 단일 AWS 계정 내에서 그리고 조직 전체의 공유 계정에서 실행되는 Amazon EMR 클러스터를 생성, 종료, 관리, 검색 및 연결할 수 있습니다. 이 모든 작업을 SageMaker Studio에서 직접 수행할 수 있습니다. 또한 SageMaker Studio Notebook 사용자는 SparkUI를 활용하여 Amazon EMR 클러스터에서 실행되는 Spark 작업을 SageMaker Studio Notebook에서 직접 모니터링하고 디버깅할 수 있습니다! 지금까지의 이야기… 오늘까지 SageMaker 스튜디오 사용자는 SageMaker 스튜디오와 동일한 계정에서 실행 중이라는 조건으로 EMR 클러스터를 찾고 연결할 수 있었습니다. 많은 상황에서 유용하지만 실행 중인 모델 또는 분석의 요구 사항에 적합한 클러스터가 없는 경우 데이터 사이언티스트는 개발 환경을 떠나 필요에 맞는 클러스터를 수동으로 구성해야 합니다. 데이터 사이언티스트의 워크플로를 방해할 뿐만 아니라, 데이터 사이언티스트가 작업을 계속할 수 있도록 클러스터를 [ more… ]

Amazon SageMaker Inference Recommender 신규 기능 출시 – 자동 ML 인스턴스 로드 테스트 및 모델 성능 최적화

2021-12-09 KENNETH 0

Amazon SageMaker Inference Recommender 신규 기능 출시 – 자동 ML 인스턴스 로드 테스트 및 모델 성능 최적화 오늘, 기계 학습(ML) 인스턴스 전반에서 부하 테스트를 자동화하고 모델 성능을 최적화하는 새로운 Amazon SageMaker Studio 기능인 Amazon SageMaker Inference Recommender를 발표하게 되어 기쁘게 생각합니다. 더 나아가 이 기능은 개발부터 프로덕션에 이르기까지 기계 학습 모델을 얻는 데 걸리는 시간을 줄이고 운영과 관련된 비용을 최적화합니다. 지금까지 모델에 가장 적합한 기계 학습 인스턴스를 선택할 수 있는 수단을 MLOps 엔지니어에게 제공하는 서비스는 없었습니다. MLOps 엔지니어는 비용을 최적화하고 인스턴스 사용률을 극대화하기 위해 기계 학습 실행 요구사항을 기반으로 엔지니어 및 해당 모델을 잘 지원할 수 있는 기계 학습 인스턴스 유형을 선택하는 데 있어서 자신의 경험과 직관을 활용해야 했습니다. 또한 사용 가능한 기계 학습 인스턴스가 매우 많고 각 모델의 의미 차이가 매우 크다는 것을 고려할 때, 올바른 인스턴스 유형을 선택하기 위해서는 여러 번의 시도가 필요할 것입니다. 이제 SageMaker Inference Recommender를 [ more… ]

Amazon SageMaker Ground Truth Plus 신규 기능 출시 – 데이터 레이블 전문가를 통한 턴키 솔루션

2021-12-09 KENNETH 0

Amazon SageMaker Ground Truth Plus 신규 기능 출시 – 데이터 레이블 전문가를 통한 턴키 솔루션 오늘, Amazon SageMaker 제품군의 최신 서비스를 발표하게 되어 기쁩니다. 이를 통해 이전보다 훨씬 쉽게 데이터 집합에 레이블을 지정할 수 있습니다. Ground Truth Plus는 전문 인력을 사용하여 고품질 훈련 데이터 집합을 빠르게 제공하고 비용을 최대 40% 절감하는 턴키 서비스입니다. 기계 학습 모델 생성의 과제 기계 학습(ML) 모델을 구축하고 훈련하는 데 있어 가장 큰 과제 중 하나는 정확한 예측을 할 수 있도록 해당 모델에 공급하고 이러한 모델을 훈련할 수 있는 충분한 고품질의 레이블이 지정된 데이터를 소싱하는 것입니다. 이 경우 데이터에 레이블을 지정하는 것이 매우 간단한 태스크처럼 보일 수 있습니다… 1단계: 데이터 가져오기 2단계: 레이블 지정 … 하지만 이것은 실제와는 다릅니다. 레이블 지정 작업자가 주석을 달기 전에도 고품질 데이터 집합을 얻으려면 프로젝트에 맞는 사용자 지정의 레이블 지정 워크플로와 사용자 인터페이스가 필요합니다. 이는 강력한 도구와 숙련된 작업자의 조합에 의존하며 [ more… ]

Amazon SageMaker Training Complier 신규 기능 출시 – 딥러닝 모델 훈련 속도 가속화

2021-12-09 KENNETH 0

Amazon SageMaker Training Complier 신규 기능 출시 – 딥러닝 모델 훈련 속도 가속화 오늘, 딥 러닝(DL) 모델 훈련을 최대 50% 가속화할 수 있는 새로운Amazon SageMaker 기능인 Amazon SageMaker Training Complier 를 발표하게 되어 기쁩니다. DL 모델의 복잡성이 커짐에 따라 최적화 및 훈련에 소요되는 시간도 늘어납니다. 예를 들어 널리 사용되는 자연어 처리(NLP) 모델 “RoBERTa“를 훈련하는 데 25,000시간의 GPU가 소요될 수 있습니다. 고객이 모델 훈련에 소요되는 시간을 줄이기 위해 적용할 수 있는 기술과 최적화가 있지만, 구현하기에는 시간이 걸리며 드문 기술이 필요합니다. 이는 인공 지능(AI) 의 광범위한 채택에서 혁신과 진보를 방해할 수 있습니다. 지금까지 어떻게 이루어 졌습니까? 일반적으로 훈련 속도를 높이는 세 가지 방법이 있습니다. 보다 강력한 개별 기계를 사용하여 계산 처리 GPU 인스턴스 클러스터 전체에 컴퓨팅을 분산하여 모델을 병렬로 훈련 적은 메모리와 컴퓨팅을 활용하여 GPU에서 더욱 효율적으로 실행되도록 모델 코드 최적화 실제로 기계 학습(ML) 코드를 최적화하는 것은 어렵고 시간이 오래 걸리며 습득하기에는 [ more… ]