میں پہلا حصہ اس تین حصوں کی سیریز میں، ہم نے ایک ایسا حل پیش کیا جو یہ ظاہر کرتا ہے کہ آپ کس طرح AWS AI اور مشین لرننگ (ML) خدمات کا استعمال کرتے ہوئے دستاویز میں چھیڑ چھاڑ اور دھوکہ دہی کا پتہ لگانے کو خود کار طریقے سے کر سکتے ہیں۔
اس پوسٹ میں، ہم گہرائی سے سیکھنے پر مبنی کمپیوٹر ویژن ماڈل تیار کرنے کے لیے ایک نقطہ نظر پیش کرتے ہیں تاکہ مارگیج انڈر رائٹنگ میں جعلی تصاویر کا پتہ لگایا جا سکے اور ان کو نمایاں کیا جا سکے۔ ہم ڈیپ لرننگ نیٹ ورکس کی تعمیر، تربیت، اور تعیناتی کے بارے میں رہنمائی فراہم کرتے ہیں۔ ایمیزون سیج میکر.
حصہ 3 میں، ہم دکھاتے ہیں کہ حل کو کیسے نافذ کیا جائے۔ ایمیزون فراڈ ڈیٹیکٹر.
حل جائزہ
رہن کی انڈر رائٹنگ میں دستاویز میں چھیڑ چھاڑ کا پتہ لگانے کے مقصد کو پورا کرنے کے لیے، ہم اپنے تصویری جعلسازی کا پتہ لگانے کے حل کے لیے SageMaker پر میزبان کمپیوٹر ویژن ماڈل استعمال کرتے ہیں۔ یہ ماڈل ان پٹ کے طور پر ایک ٹیسٹنگ امیج حاصل کرتا ہے اور اس کے آؤٹ پٹ کے طور پر جعلسازی کا امکان پیدا کرتا ہے۔ نیٹ ورک کا فن تعمیر جیسا کہ مندرجہ ذیل خاکہ میں دکھایا گیا ہے۔
تصویری جعلسازی میں بنیادی طور پر چار تکنیکیں شامل ہوتی ہیں: الگ کرنا، کاپی منتقل کرنا، ہٹانا، اور اضافہ کرنا۔ جعل سازی کی خصوصیات پر منحصر ہے، مختلف سراگوں کو پتہ لگانے اور لوکلائزیشن کی بنیاد کے طور پر استعمال کیا جا سکتا ہے۔ ان سراگوں میں JPEG کمپریشن آرٹفیکٹس، کنارے کی تضادات، شور کے نمونے، رنگ کی مستقل مزاجی، بصری مماثلت، EXIF مستقل مزاجی، اور کیمرہ ماڈل شامل ہیں۔
تصویر کی جعلسازی کا پتہ لگانے کے وسیع دائرے کو دیکھتے ہوئے، ہم جعلسازی کا پتہ لگانے کے لیے ایک مثالی طریقہ کے طور پر Error Level Analysis (ELA) الگورتھم کا استعمال کرتے ہیں۔ ہم نے مندرجہ ذیل وجوہات کی بنا پر اس پوسٹ کے لیے ELA تکنیک کا انتخاب کیا:
- اس پر عمل درآمد تیز تر ہے اور تصاویر کی چھیڑ چھاڑ کو آسانی سے پکڑ سکتا ہے۔
- یہ تصویر کے مختلف حصوں کی کمپریشن لیولز کا تجزیہ کرکے کام کرتا ہے۔ یہ اسے ان تضادات کا پتہ لگانے کی اجازت دیتا ہے جو چھیڑ چھاڑ کی نشاندہی کر سکتی ہیں — مثال کے طور پر، اگر ایک ایریا کو دوسری تصویر سے کاپی اور پیسٹ کیا گیا تھا جسے مختلف کمپریشن لیول پر محفوظ کیا گیا تھا۔
- یہ زیادہ لطیف یا ہموار چھیڑ چھاڑ کا پتہ لگانے میں اچھا ہے جسے ننگی آنکھ سے تلاش کرنا مشکل ہوسکتا ہے۔ یہاں تک کہ کسی تصویر میں چھوٹی تبدیلیاں بھی قابل شناخت کمپریشن بے ضابطگیوں کو متعارف کروا سکتی ہیں۔
- یہ موازنہ کے لیے اصل غیر ترمیم شدہ تصویر رکھنے پر انحصار نہیں کرتا ہے۔ ELA چھیڑ چھاڑ کی نشانیوں کی شناخت صرف سوال شدہ تصویر میں ہی کر سکتا ہے۔ دیگر تکنیکوں کے مقابلے میں اکثر غیر ترمیم شدہ اصل کی ضرورت ہوتی ہے۔
- یہ ایک ہلکی پھلکی تکنیک ہے جو صرف ڈیجیٹل امیج ڈیٹا میں کمپریشن آرٹفیکٹس کے تجزیہ پر انحصار کرتی ہے۔ یہ خصوصی ہارڈ ویئر یا فرانزک کی مہارت پر منحصر نہیں ہے۔ یہ ELA کو فرسٹ پاس تجزیہ ٹول کے طور پر قابل رسائی بناتا ہے۔
- آؤٹ پٹ ELA امیج واضح طور پر کمپریشن لیولز میں فرق کو نمایاں کر سکتا ہے، جس سے چھیڑ چھاڑ والے علاقوں کو واضح طور پر ظاہر کیا جا سکتا ہے۔ یہ ایک غیر ماہر کو بھی ممکنہ ہیرا پھیری کی علامات کو پہچاننے کی اجازت دیتا ہے۔
- یہ تصویر کی بہت سی اقسام (جیسے JPEG، PNG، اور GIF) پر کام کرتا ہے اور اس کا تجزیہ کرنے کے لیے صرف تصویر کی ضرورت ہوتی ہے۔ دیگر فرانزک تکنیک فارمیٹس یا اصل تصویر کی ضروریات میں زیادہ محدود ہو سکتی ہیں۔
تاہم، حقیقی دنیا کے منظرناموں میں جہاں آپ کے پاس ان پٹ دستاویزات (JPEG، PNG، GIF، TIFF، PDF) کا مجموعہ ہو سکتا ہے، ہم مختلف دیگر طریقوں کے ساتھ مل کر ELA کو ملازمت دینے کی تجویز کرتے ہیں، جیسے کناروں میں تضادات کا پتہ لگانا, شور کے پیٹرن, رنگ کی یکسانیت, EXIF ڈیٹا کی مستقل مزاجی, کیمرے کے ماڈل کی شناخت، اور فونٹ کی یکسانیت. ہمارا مقصد جعلسازی کا پتہ لگانے کی اضافی تکنیک کے ساتھ اس پوسٹ کے کوڈ کو اپ ڈیٹ کرنا ہے۔
ELA کی بنیادی بنیاد یہ فرض کرتی ہے کہ ان پٹ امیجز JPEG فارمیٹ میں ہیں، جو اس کے نقصان دہ کمپریشن کے لیے مشہور ہیں۔ بہر حال، طریقہ کار اب بھی مؤثر ہو سکتا ہے یہاں تک کہ اگر ان پٹ امیجز اصل میں بغیر کسی نقصان کے فارمیٹ میں ہوں (جیسے PNG، GIF، یا BMP) اور بعد میں چھیڑ چھاڑ کے دوران JPEG میں تبدیل ہو جائیں۔ جب ای ایل اے کو اصل نقصان کے بغیر فارمیٹس پر لاگو کیا جاتا ہے، تو یہ عام طور پر بغیر کسی بگاڑ کے مستقل تصویری معیار کی نشاندہی کرتا ہے، جس سے تبدیل شدہ علاقوں کی نشاندہی کرنا مشکل ہوتا ہے۔ JPEG امیجز میں، متوقع معیار پوری تصویر کے لیے اسی طرح کے کمپریشن لیولز کو ظاہر کرنا ہے۔ تاہم، اگر تصویر کے اندر کوئی خاص سیکشن واضح طور پر مختلف خرابی کی سطح دکھاتا ہے، تو یہ اکثر تجویز کرتا ہے کہ ڈیجیٹل تبدیلی کی گئی ہے۔
ELA JPEG کمپریشن ریٹ میں فرق کو نمایاں کرتا ہے۔ یکساں رنگنے والے علاقوں میں ممکنہ طور پر کم ELA کا نتیجہ ہو گا (مثال کے طور پر، زیادہ کنٹراسٹ کناروں کے مقابلے میں گہرا رنگ)۔ چھیڑ چھاڑ یا ترمیم کی شناخت کے لیے جن چیزوں کو تلاش کرنا ہے ان میں درج ذیل شامل ہیں:
- ELA نتیجہ میں اسی طرح کے کناروں کی چمک ایک جیسی ہونی چاہیے۔ تمام ہائی کنٹراسٹ کناروں کو ایک دوسرے سے ملتے جلتے نظر آنا چاہیے، اور تمام کم کنٹراسٹ کناروں کو ایک جیسا نظر آنا چاہیے۔ اصل تصویر کے ساتھ، کم کنٹراسٹ کناروں کو ہائی کنٹراسٹ کناروں کی طرح تقریباً روشن ہونا چاہیے۔
- اسی طرح کی ساخت میں ELA کے تحت ایک جیسا رنگ ہونا چاہیے۔ زیادہ سطح کی تفصیل والے علاقے، جیسے باسکٹ بال کا کلوز اپ، ممکنہ طور پر ہموار سطح سے زیادہ ELA کا نتیجہ حاصل کرے گا۔
- سطح کے اصل رنگ سے قطع نظر، تمام فلیٹ سطحوں کا ELA کے تحت تقریباً ایک ہی رنگ ہونا چاہیے۔
JPEG تصاویر نقصان دہ کمپریشن سسٹم کا استعمال کرتی ہیں۔ تصویر کی ہر دوبارہ انکوڈنگ (دوبارہ محفوظ) تصویر میں مزید کوالٹی نقصان کا اضافہ کرتی ہے۔ خاص طور پر، JPEG الگورتھم 8×8 پکسل گرڈ پر کام کرتا ہے۔ ہر 8×8 مربع کو آزادانہ طور پر کمپریس کیا جاتا ہے۔ اگر تصویر مکمل طور پر غیر ترمیم شدہ ہے، تو تمام 8×8 مربعوں میں ایک جیسی غلطی کی صلاحیت ہونی چاہیے۔ اگر تصویر کو غیر ترمیم شدہ اور دوبارہ محفوظ کیا گیا ہے، تو ہر مربع کو تقریباً اسی شرح سے تنزلی کرنی چاہیے۔
ELA تصویر کو ایک مخصوص JPEG معیار کی سطح پر محفوظ کرتا ہے۔ یہ ریسیو پوری امیج میں غلطیوں کی ایک معلوم مقدار کو متعارف کراتا ہے۔ پھر محفوظ شدہ تصویر کا اصل تصویر سے موازنہ کیا جاتا ہے۔ اگر کسی تصویر میں ترمیم کی جاتی ہے، تو ہر 8×8 مربع جس کو ترمیم کے ذریعے چھو لیا گیا تھا، باقی تصویر سے زیادہ خرابی کی صلاحیت پر ہونا چاہیے۔
ELA کے نتائج براہ راست تصویر کے معیار پر منحصر ہیں۔ ہو سکتا ہے آپ جاننا چاہیں کہ کیا کچھ شامل کیا گیا ہے، لیکن اگر تصویر کو متعدد بار کاپی کیا گیا ہے، تو ELA صرف بچاؤ کا پتہ لگانے کی اجازت دے سکتا ہے۔ تصویر کا بہترین کوالٹی ورژن تلاش کرنے کی کوشش کریں۔
تربیت اور مشق کے ساتھ، ELA امیج اسکیلنگ، کوالٹی، کراپنگ، اور تبدیلیوں کو دوبارہ محفوظ کرنا بھی سیکھ سکتا ہے۔ مثال کے طور پر، اگر ایک غیر JPEG تصویر میں مرئی گرڈ لائنیں ہیں (1×8 مربعوں میں 8 پکسل چوڑی)، تو اس کا مطلب ہے کہ تصویر JPEG کے طور پر شروع ہوئی اور غیر JPEG فارمیٹ (جیسے PNG) میں تبدیل ہو گئی۔ اگر تصویر کے کچھ حصوں میں گرڈ لائنوں کی کمی ہے یا گرڈ لائنز شفٹ ہیں، تو یہ غیر JPEG امیج میں اسپلائس یا تیار کردہ حصے کی نشاندہی کرتا ہے۔
مندرجہ ذیل حصوں میں، ہم کمپیوٹر ویژن ماڈل کو ترتیب دینے، تربیت دینے، اور تعینات کرنے کے اقدامات کا مظاہرہ کرتے ہیں۔
شرائط
اس پوسٹ کے ساتھ ساتھ چلنے کے لیے، درج ذیل شرائط کو پورا کریں:
- AWS اکاؤنٹ ہے۔
- قائم ایمیزون سیج میکر اسٹوڈیو. آپ پہلے سے طے شدہ پیش سیٹوں کا استعمال کرتے ہوئے تیزی سے سیج میکر اسٹوڈیو کو شروع کر سکتے ہیں، تیز رفتار لانچ کی سہولت فراہم کرتے ہوئے۔ مزید معلومات کے لیے رجوع کریں۔ ایمیزون سیج میکر انفرادی صارفین کے لیے ایمیزون سیج میکر اسٹوڈیو سیٹ اپ کو آسان بناتا ہے۔.
- سیج میکر اسٹوڈیو کھولیں اور سسٹم ٹرمینل لانچ کریں۔
- ٹرمینل میں درج ذیل کمانڈ کو چلائیں:
git clone https://github.com/aws-samples/document-tampering-detection.git
- ایک صارف کے لیے SageMaker اسٹوڈیو چلانے اور نوٹ بک ماحول کی ترتیب کی کل لاگت $7.314 USD فی گھنٹہ ہے۔
ماڈل ٹریننگ نوٹ بک ترتیب دیں۔
اپنی تربیتی نوٹ بک ترتیب دینے کے لیے درج ذیل مراحل کو مکمل کریں:
- کھولو
tampering_detection_training.ipynb
دستاویز سے چھیڑ چھاڑ کا پتہ لگانے والی ڈائرکٹری سے فائل۔ - TensorFlow 2.6 Python 3.8 CPU یا GPU آپٹمائزڈ تصویر کے ساتھ نوٹ بک ماحول ترتیب دیں۔
آپ کو ناکافی دستیابی کے مسئلے کا سامنا کرنا پڑ سکتا ہے یا GPU آپٹمائزڈ مثالوں کو منتخب کرتے وقت آپ کے AWS اکاؤنٹ میں GPU مثالوں کے کوٹہ کی حد تک پہنچ سکتے ہیں۔ کوٹہ بڑھانے کے لیے، سروس کوٹاس کنسول پر جائیں اور آپ کو مطلوبہ مخصوص مثال کی قسم کے لیے سروس کی حد بڑھائیں۔ آپ ایسے معاملات میں CPU آپٹمائزڈ نوٹ بک ماحول بھی استعمال کر سکتے ہیں۔ - کے لئے دانامنتخب کریں Python3.
- کے لئے مثال کی قسممنتخب کریں ml.m5d.24xlarge یا کوئی اور بڑی مثال۔
ہم نے ماڈل کی تربیت کا وقت کم کرنے کے لیے ایک بڑی مثال کی قسم کا انتخاب کیا۔ ml.m5d.24x بڑے نوٹ بک ماحول کے ساتھ، فی گھنٹہ لاگت $7.258 USD فی گھنٹہ ہے۔
تربیتی نوٹ بک چلائیں۔
نوٹ بک میں ہر سیل کو چلائیں۔ tampering_detection_training.ipynb
ترتیب میں. ہم مندرجہ ذیل حصوں میں کچھ خلیوں پر مزید تفصیل سے گفتگو کرتے ہیں۔
اصل اور چھیڑ چھاڑ کی گئی تصاویر کی فہرست کے ساتھ ڈیٹاسیٹ تیار کریں۔
نوٹ بک میں درج ذیل سیل کو چلانے سے پہلے، اپنی مخصوص کاروباری ضروریات کی بنیاد پر اصل اور چھیڑ چھاڑ کی گئی دستاویزات کا ڈیٹاسیٹ تیار کریں۔ اس پوسٹ کے لیے، ہم چھیڑ چھاڑ پے اسٹبس، اور بینک اسٹیٹمنٹس کا نمونہ ڈیٹاسیٹ استعمال کرتے ہیں۔ ڈیٹاسیٹ کی تصاویر ڈائرکٹری میں دستیاب ہے۔ GitHub ذخیرہ.
نوٹ بک اصل اور چھیڑ چھاڑ کی گئی تصاویر کو پڑھتی ہے۔ images/training
ڈائریکٹری.
تربیت کے لیے ڈیٹا سیٹ کو دو کالموں والی CSV فائل کا استعمال کرتے ہوئے بنایا گیا ہے: تصویری فائل کا راستہ اور تصویر کا لیبل (اصل تصویر کے لیے 0 اور چھیڑ چھاڑ کی گئی تصویر کے لیے 1)۔
ہر تربیتی تصویر کے ELA نتائج تیار کرکے ڈیٹاسیٹ پر کارروائی کریں۔
اس مرحلے میں، ہم ان پٹ ٹریننگ امیج کا ELA نتیجہ (90% معیار پر) تیار کرتے ہیں۔ فنکشن convert_to_ela_image
دو پیرامیٹرز لیتا ہے: پاتھ، جو کہ تصویری فائل کا راستہ ہے، اور معیار، جے پی ای جی کمپریشن کے لیے کوالٹی پیرامیٹر کی نمائندگی کرتا ہے۔ فنکشن مندرجہ ذیل اقدامات انجام دیتا ہے:
- تصویر کو RGB فارمیٹ میں تبدیل کریں اور تصویر کو tempresaved.jpg کے نام سے مخصوص معیار کے ساتھ JPEG فائل کے طور پر دوبارہ محفوظ کریں۔
- اصل تصویر اور دوبارہ محفوظ کردہ JPEG امیج (ELA) کے درمیان فرق کا حساب لگائیں تاکہ اصل اور دوبارہ محفوظ کردہ تصویروں کے درمیان پکسل کی قدروں میں زیادہ سے زیادہ فرق کا تعین کیا جا سکے۔
- ELA تصویر کی چمک کو ایڈجسٹ کرنے کے لیے زیادہ سے زیادہ فرق کی بنیاد پر پیمانے کے عنصر کا حساب لگائیں۔
- حسابی پیمانے کے عنصر کا استعمال کرتے ہوئے ELA امیج کی چمک میں اضافہ کریں۔
- ELA نتیجہ کا سائز تبدیل کر کے 128x128x3 کریں، جہاں 3 ٹریننگ کے لیے ان پٹ سائز کو کم کرنے کے لیے چینلز کی تعداد کی نمائندگی کرتا ہے۔
- ELA تصویر واپس کریں۔
نقصان دہ تصویری فارمیٹس جیسے JPEG میں، ابتدائی بچت کا عمل کافی حد تک رنگین نقصان کا باعث بنتا ہے۔ تاہم، جب تصویر کو لوڈ کیا جاتا ہے اور بعد میں اسی نقصان دہ فارمیٹ میں دوبارہ انکوڈ کیا جاتا ہے، تو عام طور پر رنگ میں کمی کا اضافہ ہوتا ہے۔ ELA کے نتائج ان تصویری علاقوں پر زور دیتے ہیں جو محفوظ کرنے پر رنگین انحطاط کے لیے سب سے زیادہ حساس ہیں۔ عام طور پر، تبدیلیاں ان خطوں میں نمایاں طور پر ظاہر ہوتی ہیں جو باقی امیج کے مقابلے میں انحطاط کی زیادہ صلاحیت کو ظاہر کرتے ہیں۔
اس کے بعد، تصاویر کو تربیت کے لیے NumPy صف میں پروسیس کیا جاتا ہے۔ اس کے بعد ہم ان پٹ ڈیٹاسیٹ کو تصادفی طور پر تربیت اور ٹیسٹ یا تصدیقی ڈیٹا (80/20) میں تقسیم کرتے ہیں۔ ان سیلز کو چلاتے وقت آپ کسی بھی انتباہ کو نظر انداز کر سکتے ہیں۔
ڈیٹا سیٹ کے سائز پر منحصر ہے، ان سیلز کو چلانے میں وقت لگ سکتا ہے۔ نمونہ ڈیٹاسیٹ کے لیے جو ہم نے اس ذخیرہ میں فراہم کیا ہے، اس میں 5-10 منٹ لگ سکتے ہیں۔
CNN ماڈل کو ترتیب دیں۔
اس مرحلے میں، ہم VGG نیٹ ورک کا ایک کم سے کم ورژن چھوٹے کنوولیشنل فلٹرز کے ساتھ بناتے ہیں۔ VGG-16 13 convolutional تہوں اور تین مکمل طور پر منسلک تہوں پر مشتمل ہے۔ مندرجہ ذیل اسکرین شاٹ ہمارے Convolutional Neural Network (CNN) ماڈل کے فن تعمیر کو واضح کرتا ہے۔
درج ذیل کنفیگریشنز کو نوٹ کریں:
- ان پٹ - ماڈل 128x128x3 کے امیج ان پٹ سائز میں لیتا ہے۔
- Convolutional تہوں - convolutional تہوں میں ایک کم سے کم قابل قبول فیلڈ (3×3) کا استعمال کیا جاتا ہے، سب سے چھوٹا ممکنہ سائز جو اب بھی اوپر/نیچے اور بائیں/دائیں کو پکڑتا ہے۔ اس کے بعد ایک رییکٹیفائیڈ لائنر یونٹ (ReLU) ایکٹیویشن فنکشن ہوتا ہے جو ٹریننگ کا وقت کم کرتا ہے۔ یہ ایک لکیری فنکشن ہے جو مثبت ہونے پر ان پٹ کو آؤٹ پٹ کرے گا۔ دوسری صورت میں، آؤٹ پٹ صفر ہے. کنولوشن کے بعد مقامی ریزولوشن کو محفوظ رکھنے کے لیے کنوولوشن سٹرائیڈ کو ڈیفالٹ (1 پکسل) پر فکس کیا جاتا ہے (سٹرائیڈ ان پٹ میٹرکس پر پکسل شفٹوں کی تعداد ہے)۔
- مکمل طور پر منسلک تہوں - نیٹ ورک میں دو مکمل طور پر منسلک پرتیں ہیں۔ پہلی گھنی تہہ ReLU ایکٹیویشن کا استعمال کرتی ہے، اور دوسری تصویر کو اصل یا چھیڑ چھاڑ کے طور پر درجہ بندی کرنے کے لیے softmax کا استعمال کرتی ہے۔
ان سیلز کو چلاتے وقت آپ کسی بھی انتباہ کو نظر انداز کر سکتے ہیں۔
ماڈل نمونے کو محفوظ کریں۔
تربیت یافتہ ماڈل کو ایک منفرد فائل نام کے ساتھ محفوظ کریں—مثال کے طور پر، موجودہ تاریخ اور وقت کی بنیاد پر—ایک ڈائرکٹری نامی ماڈل میں۔
ماڈل کو ایکسٹینشن کے ساتھ Keras فارمیٹ میں محفوظ کیا گیا ہے۔ .keras
. ہم نمونے کے نمونے کو 1 نام کی ڈائرکٹری کے طور پر بھی محفوظ کرتے ہیں جس میں سیریلائزڈ دستخط ہوتے ہیں اور ریاست کو ان کو چلانے کے لیے درکار ہوتی ہے، بشمول متغیر اقدار اور ذخیرہ الفاظ کو SageMaker رن ٹائم میں تعینات کرنے کے لیے (جس پر ہم بعد میں اس پوسٹ میں بات کریں گے)۔
ماڈل کی کارکردگی کی پیمائش کریں۔
مندرجہ ذیل نقصان کا منحنی خطوط تربیتی دوروں (اعادہ) پر ماڈل کے نقصان کی ترقی کو ظاہر کرتا ہے۔
نقصان کا فنکشن پیمائش کرتا ہے کہ ماڈل کی پیشین گوئیاں اصل اہداف سے کتنی اچھی طرح ملتی ہیں۔ نچلی اقدار پیشین گوئیوں اور حقیقی اقدار کے درمیان بہتر صف بندی کی نشاندہی کرتی ہیں۔ عہد کے مقابلے میں کم ہونے والے نقصان سے ظاہر ہوتا ہے کہ ماڈل بہتر ہو رہا ہے۔ درستگی کا منحنی خطوط تربیتی دوروں پر ماڈل کی درستگی کو واضح کرتا ہے۔ درستگی پیشین گوئیوں کی کل تعداد کے ساتھ درست پیشین گوئیوں کا تناسب ہے۔ اعلیٰ درستگی بہتر کارکردگی کا مظاہرہ کرنے والے ماڈل کی نشاندہی کرتی ہے۔ عام طور پر، تربیت کے دوران درستگی بڑھ جاتی ہے کیونکہ ماڈل پیٹرن سیکھتا ہے اور اس کی پیشین گوئی کی صلاحیت کو بہتر بناتا ہے۔ یہ آپ کو اس بات کا تعین کرنے میں مدد کریں گے کہ آیا ماڈل اوور فٹنگ ہے (ٹریننگ ڈیٹا پر اچھی کارکردگی کا مظاہرہ کر رہا ہے لیکن ان دیکھے ڈیٹا پر خراب ہے) یا انڈر فٹنگ (ٹریننگ ڈیٹا سے کافی نہیں سیکھ رہا)۔
مندرجہ ذیل کنفیوژن میٹرکس بصری طور پر اس بات کی نمائندگی کرتا ہے کہ ماڈل مثبت (جعلی تصویر، جس کی قدر 1 کے طور پر نمائندگی کی گئی ہے) اور منفی (غیر چھیڑ چھاڑ تصویر، جس کی قدر 0 کے طور پر نمائندگی کی گئی ہے) کلاسوں کے درمیان کتنی اچھی طرح سے فرق ہے۔
ماڈل ٹریننگ کے بعد، ہمارے اگلے مرحلے میں کمپیوٹر ویژن ماڈل کو ایک API کے طور پر تعینات کرنا شامل ہے۔ اس API کو انڈر رائٹنگ ورک فلو کے جزو کے طور پر کاروباری ایپلی کیشنز میں ضم کیا جائے گا۔ اس کو حاصل کرنے کے لیے، ہم Amazon SageMaker Inference استعمال کرتے ہیں، جو ایک مکمل طور پر منظم سروس ہے۔ یہ سروس بغیر کسی رکاوٹ کے MLOps ٹولز کے ساتھ ضم ہو جاتی ہے، جس سے قابل توسیع ماڈل کی تعیناتی، لاگت سے موثر اندازہ، پیداوار میں بہتر ماڈل مینجمنٹ، اور آپریشنل پیچیدگی میں کمی واقع ہوتی ہے۔ اس پوسٹ میں، ہم ماڈل کو ریئل ٹائم انفرنس اینڈ پوائنٹ کے طور پر تعینات کرتے ہیں۔ تاہم، یہ نوٹ کرنا ضروری ہے کہ، آپ کی کاروباری ایپلی کیشنز کے ورک فلو پر منحصر ہے، ماڈل کی تعیناتی کو بیچ پروسیسنگ، غیر مطابقت پذیر ہینڈلنگ، یا سرور لیس تعیناتی فن تعمیر کے ذریعے بھی بنایا جا سکتا ہے۔
ماڈل تعیناتی نوٹ بک ترتیب دیں۔
اپنے ماڈل کی تعیناتی نوٹ بک کو ترتیب دینے کے لیے درج ذیل مراحل کو مکمل کریں:
- کھولو
tampering_detection_model_deploy.ipynb
دستاویز سے چھیڑ چھاڑ کا پتہ لگانے والی ڈائرکٹری سے فائل۔ - تصویر ڈیٹا سائنس 3.0 کے ساتھ نوٹ بک کے ماحول کو ترتیب دیں۔
- کے لئے دانامنتخب کریں Python3.
- کے لئے مثال کی قسممنتخب کریں ml.t3.medium.
ml.t3.medium نوٹ بک ماحول کے ساتھ، فی گھنٹہ لاگت $0.056 USD ہے۔
تمام Amazon S3 کارروائیوں کی اجازت دینے کے لیے SageMaker کے کردار کے لیے ایک حسب ضرورت ان لائن پالیسی بنائیں
۔ AWS شناخت اور رسائی کا انتظام SageMaker کے لیے (IAM) کا کردار فارمیٹ میں ہوگا۔ AmazonSageMaker- ExecutionRole-<random numbers>
. یقینی بنائیں کہ آپ صحیح کردار استعمال کر رہے ہیں۔ کردار کا نام SageMaker ڈومین کنفیگریشن میں صارف کی تفصیلات کے تحت پایا جا سکتا ہے۔
سب کی اجازت دینے کے لیے ایک ان لائن پالیسی شامل کرنے کے لیے IAM رول کو اپ ڈیٹ کریں۔ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) کے اعمال۔ یہ S3 بالٹیوں کی تخلیق اور حذف کو خود کار طریقے سے کرنے کی ضرورت ہوگی جو ماڈل نمونے کو ذخیرہ کرے گی۔ آپ مخصوص S3 بالٹیوں تک رسائی کو محدود کر سکتے ہیں۔ نوٹ کریں کہ ہم نے IAM پالیسی میں S3 بالٹی کے نام کے لیے وائلڈ کارڈ استعمال کیا ہے (tamperingdetection*
).
تعیناتی نوٹ بک چلائیں۔
نوٹ بک میں ہر سیل کو چلائیں۔ tampering_detection_model_deploy.ipynb
ترتیب میں. ہم مندرجہ ذیل حصوں میں کچھ خلیوں پر مزید تفصیل سے گفتگو کرتے ہیں۔
ایک S3 بالٹی بنائیں
S3 بالٹی بنانے کے لیے سیل چلائیں۔ بالٹی کا نام رکھا جائے گا۔ tamperingdetection<current date time>
اور اسی AWS ریجن میں جہاں آپ کا SageMaker اسٹوڈیو ماحول ہے۔
ماڈل آرٹفیکٹ آرکائیو بنائیں اور Amazon S3 پر اپ لوڈ کریں۔
ماڈل آرٹفیکٹس سے tar.gz فائل بنائیں۔ ہم نے ماڈل کے نمونے کو 1 نامی ڈائریکٹری کے طور پر محفوظ کیا ہے، جس میں سیریلائزڈ دستخط اور ریاست کو ان کو چلانے کے لیے درکار ہے، بشمول متغیر اقدار اور ذخیرہ الفاظ SageMaker رن ٹائم پر تعینات کرنے کے لیے۔ آپ ایک حسب ضرورت انفرنس فائل بھی شامل کر سکتے ہیں جسے کہتے ہیں۔ inference.py
ماڈل آرٹفیکٹ میں کوڈ فولڈر کے اندر۔ اپنی مرضی کے مطابق اندازہ ان پٹ امیج کی پری پروسیسنگ اور پوسٹ پروسیسنگ کے لیے استعمال کیا جا سکتا ہے۔
سیج میکر انفرنس اینڈ پوائنٹ بنائیں
سیج میکر انفرنس اینڈ پوائنٹ بنانے کے لیے سیل کو مکمل ہونے میں چند منٹ لگ سکتے ہیں۔
انفرنس اینڈ پوائنٹ کی جانچ کریں۔
تقریب check_image
ایک تصویر کو ELA امیج کے طور پر پہلے سے پروسیس کرتا ہے، اسے اندازہ کے لیے SageMaker اینڈ پوائنٹ پر بھیجتا ہے، ماڈل کی پیشین گوئیوں کو بازیافت اور پروسیس کرتا ہے، اور نتائج پرنٹ کرتا ہے۔ ماڈل پیشین گوئیاں فراہم کرنے کے لیے ELA امیج کے طور پر ان پٹ امیج کی NumPy سرنی لیتا ہے۔ پیشین گوئیاں 0 کے طور پر آؤٹ پٹ ہیں، ایک غیر چھیڑ چھاڑ والی تصویر کی نمائندگی کرتی ہے، اور 1، جعلی تصویر کی نمائندگی کرتی ہے۔
آئیے ایک پے اسٹب کی بغیر چھیڑ چھاڑ والی تصویر کے ساتھ ماڈل کو مدعو کریں اور نتیجہ چیک کریں۔
ماڈل 0 کے طور پر درجہ بندی کو آؤٹ پٹ کرتا ہے، جو ایک غیر چھیڑ چھاڑ تصویر کی نمائندگی کرتا ہے۔
اب آئیے ایک پے اسٹب کی چھیڑ چھاڑ والی تصویر کے ساتھ ماڈل کو مدعو کریں اور نتیجہ چیک کریں۔
ماڈل ایک جعلی تصویر کی نمائندگی کرتے ہوئے درجہ بندی کو 1 کے طور پر ظاہر کرتا ہے۔
حدود
اگرچہ ELA ترمیم کا پتہ لگانے میں مدد کرنے کے لیے ایک بہترین ٹول ہے، لیکن اس میں بہت سی حدود ہیں، جیسے کہ درج ذیل:
- ایک پکسل تبدیلی یا معمولی رنگ کی ایڈجسٹمنٹ ELA میں نمایاں تبدیلی پیدا نہیں کر سکتی کیونکہ JPEG گرڈ پر کام کرتا ہے۔
- ELA صرف اس بات کی نشاندہی کرتا ہے کہ کن علاقوں میں مختلف کمپریشن لیول ہیں۔ اگر کم کوالٹی کی تصویر کو اعلیٰ کوالٹی کی تصویر میں تقسیم کیا جاتا ہے، تو کم معیار کی تصویر گہرے علاقے کے طور پر ظاہر ہو سکتی ہے۔
- اسکیلنگ، دوبارہ رنگ، یا کسی تصویر میں شور شامل کرنے سے پوری تصویر میں ترمیم ہو جائے گی، جس سے غلطی کی اعلی سطح کی صلاحیت پیدا ہو گی۔
- اگر ایک تصویر کو کئی بار دوبارہ محفوظ کیا جاتا ہے، تو یہ مکمل طور پر کم از کم خرابی کی سطح پر ہو سکتا ہے، جہاں زیادہ دوبارہ محفوظ کرنے سے تصویر تبدیل نہیں ہوتی ہے۔ اس صورت میں، ELA ایک سیاہ تصویر واپس کرے گا اور اس الگورتھم کا استعمال کرتے ہوئے کسی ترمیم کی نشاندہی نہیں کی جا سکتی ہے۔
- فوٹوشاپ کے ساتھ، تصویر کو محفوظ کرنے کا آسان عمل ساخت اور کناروں کو خود بخود تیز کر سکتا ہے، جس سے غلطی کی اعلی سطح کی صلاحیت پیدا ہوتی ہے۔ یہ نمونہ جان بوجھ کر ترمیم کی نشاندہی نہیں کرتا ہے۔ یہ شناخت کرتا ہے کہ ایڈوب پروڈکٹ استعمال کی گئی تھی۔ تکنیکی طور پر، ELA ایک ترمیم کے طور پر ظاہر ہوتا ہے کیونکہ Adobe نے خود بخود ایک ترمیم کی تھی، لیکن ضروری نہیں کہ یہ ترمیم صارف کی طرف سے جان بوجھ کر کی گئی ہو۔
تصویری ہیرا پھیری کے کیسز کی ایک بڑی حد کا پتہ لگانے کے لیے ہم بلاگ میں پہلے زیر بحث دیگر تکنیکوں کے ساتھ ELA کا استعمال کرنے کی تجویز کرتے ہیں۔ ELA تصویری تفاوت کو بصری طور پر جانچنے کے لیے ایک آزاد ٹول کے طور پر بھی کام کر سکتا ہے، خاص طور پر جب CNN پر مبنی ماڈل کی تربیت مشکل ہو جاتی ہے۔
صاف کرو
اس حل کے حصے کے طور پر آپ نے جو وسائل بنائے ہیں اسے ہٹانے کے لیے، درج ذیل مراحل کو مکمل کریں:
- کے نیچے نوٹ بک سیل چلائیں۔ صفائی سیکشن یہ درج ذیل کو حذف کر دے گا:
- سیج میکر انفرنس اینڈ پوائنٹ - انفرنس اینڈ پوائنٹ کا نام ہوگا۔
tamperingdetection-<datetime>
. - S3 بالٹی اور S3 بالٹی کے اندر موجود اشیاء - بالٹی کا نام ہوگا۔
tamperingdetection<datetime>
.
- سیج میکر انفرنس اینڈ پوائنٹ - انفرنس اینڈ پوائنٹ کا نام ہوگا۔
- بند کرو سیج میکر اسٹوڈیو نوٹ بک کے وسائل۔
نتیجہ
اس پوسٹ میں، ہم نے ڈیپ لرننگ اور SageMaker کا استعمال کرتے ہوئے دستاویز میں چھیڑ چھاڑ اور دھوکہ دہی کا پتہ لگانے کے لیے ایک اینڈ ٹو اینڈ حل پیش کیا ہے۔ ہم نے تصاویر کو پہلے سے پروسیس کرنے اور کمپریشن لیول میں تضادات کی نشاندہی کرنے کے لیے ELA کا استعمال کیا جو ہیرا پھیری کی نشاندہی کر سکتے ہیں۔ پھر ہم نے اس پروسیس شدہ ڈیٹاسیٹ پر ایک CNN ماڈل کو تربیت دی تاکہ تصویروں کو اصلی یا چھیڑ چھاڑ کی درجہ بندی کی جا سکے۔
ماڈل آپ کی کاروباری ضروریات کے لیے موزوں ڈیٹاسیٹ (جعلی اور اصلی) کے ساتھ 95% سے زیادہ درستگی کے ساتھ مضبوط کارکردگی حاصل کر سکتا ہے۔ اس سے ظاہر ہوتا ہے کہ یہ پے اسٹبس اور بینک اسٹیٹمنٹس جیسی جعلی دستاویزات کا قابل اعتماد طریقے سے پتہ لگا سکتا ہے۔ تربیت یافتہ ماڈل کو SageMaker اینڈ پوائنٹ پر تعینات کیا جاتا ہے تاکہ پیمانے پر کم تاخیر کا اندازہ لگایا جا سکے۔ اس حل کو رہن کے کام کے بہاؤ میں ضم کر کے، ادارے مزید دھوکہ دہی کی تحقیقات کے لیے مشکوک دستاویزات کو خودکار طور پر جھنڈا لگا سکتے ہیں۔
طاقتور ہونے کے باوجود، ELA کی کچھ خاص قسم کی زیادہ لطیف ہیرا پھیری کی نشاندہی کرنے میں کچھ حدود ہیں۔ اگلے اقدامات کے طور پر، تربیت میں اضافی فرانزک تکنیکوں کو شامل کرکے اور بڑے، زیادہ متنوع ڈیٹا سیٹس کا استعمال کرکے ماڈل کو بڑھایا جاسکتا ہے۔ مجموعی طور پر، یہ حل یہ ظاہر کرتا ہے کہ آپ کس طرح گہرائی سے سیکھنے اور AWS خدمات کا استعمال مؤثر حل بنانے کے لیے کر سکتے ہیں جو کارکردگی کو بڑھاتے ہیں، خطرے کو کم کرتے ہیں، اور دھوکہ دہی کو روکتے ہیں۔
حصہ 3 میں، ہم یہ ظاہر کرتے ہیں کہ ایمیزون فراڈ ڈیٹیکٹر پر حل کو کیسے نافذ کیا جائے۔
مصنفین کے بارے میں
انوپ رویندر ناتھ ٹورنٹو، کینیڈا میں مقیم Amazon Web Services (AWS) میں ایک سینئر سولیوشن آرکیٹیکٹ ہے جو مالیاتی خدمات کی تنظیموں کے ساتھ کام کر رہا ہے۔ وہ گاہکوں کو اپنے کاروبار کو تبدیل کرنے اور کلاؤڈ پر اختراع کرنے میں مدد کرتا ہے۔
ونی سینی۔ ٹورنٹو، کینیڈا میں مقیم Amazon Web Services (AWS) میں ایک سینئر سولیوشن آرکیٹیکٹ ہیں۔ وہ فنانشل سروسز کے صارفین کو کلاؤڈ پر تبدیل کرنے میں مدد کر رہی ہے، جس میں AI اور ML سے چلنے والے حل آرکیٹیکچرل ایکسی لینس کے مضبوط بنیادی ستونوں پر رکھے گئے ہیں۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/train-and-host-a-computer-vision-model-for-tampering-detection-on-amazon-sagemaker-part-2/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 056
- 1
- 100
- 13
- 195
- 258
- 408
- 75
- 8
- 95٪
- a
- کی صلاحیت
- ہمارے بارے میں
- تک رسائی حاصل
- قابل رسائی
- اکاؤنٹ
- درستگی
- درست طریقے سے
- حاصل
- کے پار
- ایکٹ
- اعمال
- چالو کرنے کی
- اصل
- شامل کیا
- انہوں نے مزید کہا
- ایڈیشنل
- جوڑتا ہے
- ایڈجسٹ
- ایڈجسٹمنٹ
- ایڈوب
- کے بعد
- کے خلاف
- AI
- مقصد
- یلگورتم
- صف بندی
- تمام
- کی اجازت
- کی اجازت دیتا ہے
- تقریبا
- ساتھ
- شانہ بشانہ
- بھی
- تبدیل
- ایمیزون
- ایمیزون فراڈ ڈیٹیکٹر
- ایمیزون سیج میکر
- ایمیزون سیج میکر اسٹوڈیو
- ایمیزون ویب سروسز
- ایمیزون ویب سروسز (AWS)
- رقم
- an
- تجزیہ
- تجزیے
- تجزیہ
- اور
- ایک اور
- کوئی بھی
- اے پی آئی
- ظاہر
- ظاہر ہوتا ہے
- ایپلی کیشنز
- اطلاقی
- نقطہ نظر
- تقریبا
- ارکیٹیکچرل
- فن تعمیر
- محفوظ شدہ دستاویزات
- کیا
- رقبہ
- علاقوں
- لڑی
- AS
- فرض کرتا ہے
- At
- خود کار طریقے سے
- خود کار طریقے سے
- دستیابی
- دستیاب
- AWS
- بینک
- کی بنیاد پر
- باسکٹ بال
- BE
- کیونکہ
- ہو جاتا ہے
- رہا
- BEST
- بہتر
- کے درمیان
- سیاہ
- بلاگ
- بڑھانے کے
- روشن
- تعمیر
- عمارت
- کاروبار
- بزنس ایپلی کیشنز
- کاروبار
- لیکن
- by
- حساب
- کہا جاتا ہے
- کیمرہ
- کر سکتے ہیں
- کینیڈا
- قبضہ
- کیس
- مقدمات
- پکڑو
- سیل
- خلیات
- کچھ
- چیلنج
- تبدیل
- تبدیلیاں
- چینل
- خصوصیات
- چیک کریں
- میں سے انتخاب کریں
- کلاس
- درجہ بندی
- درجہ بندی کرنا۔
- واضح طور پر
- بادل
- سی این این
- کوڈ
- رنگ
- کالم
- مجموعہ
- موازنہ
- مقابلے میں
- موازنہ
- مکمل
- مکمل طور پر
- پیچیدگی
- جزو
- کمپیوٹر
- کمپیوٹر ویژن
- ترتیب دیں
- الجھن
- مجموعہ
- منسلک
- کافی
- متواتر
- مشتمل
- کنسول
- تعمیر
- پر مشتمل ہے
- تبدیل
- تبدیل
- مجاز اعصابی نیٹ ورک
- درست
- قیمت
- سکتا ہے
- CPU
- تخلیق
- بنائی
- تخلیق
- مخلوق
- موجودہ
- وکر
- اپنی مرضی کے
- گاہکوں
- گہرا
- اعداد و شمار
- ڈیٹا سائنس
- ڈیٹاسیٹس
- تاریخ
- کمی
- گہری
- گہری سیکھنے
- پہلے سے طے شدہ
- مظاہرہ
- ثبوت
- اشارہ کرتا ہے
- گھنے
- انحصار
- انحصار
- منحصر ہے
- تعیناتی
- تعینات
- تعینات
- تعیناتی
- تفصیل
- تفصیلات
- کا پتہ لگانے کے
- کھوج
- اس بات کا تعین
- ترقی
- آریھ
- فرق
- اختلافات
- مختلف
- ڈیجیٹل
- براہ راست
- بات چیت
- بات چیت
- دکھاتا ہے
- ممتاز
- متنوع
- do
- دستاویز
- دستاویزات
- نہیں کرتا
- ڈومین
- مواقع
- کارفرما
- کے دوران
- ہر ایک
- آسانی سے
- ایج
- موثر
- کارکردگی
- پر زور
- ملازم
- کو چالو کرنے کے
- کو فعال کرنا
- آخر سے آخر تک
- اختتام پوائنٹ
- بہتر
- اضافہ
- کافی
- پوری
- مکمل
- ماحولیات
- زمانے
- خرابی
- نقائص
- خاص طور پر
- Ether (ETH)
- بھی
- ہر کوئی
- جانچ کر رہا ہے
- مثال کے طور پر
- ایکسیلنس
- بہترین
- نمائش
- نمائش کر رہا ہے
- وسیع
- توقع
- مہارت
- مدت ملازمت میں توسیع
- آنکھ
- سہولت
- عنصر
- چند
- میدان
- فائل
- فلٹر
- مالی
- مالیاتی خدمات
- مل
- پہلا
- مقرر
- فلیٹ
- پر عمل کریں
- پیچھے پیچھے
- کے بعد
- کے لئے
- فرانزک
- فارنکس
- جعلی
- فارمیٹ
- ملا
- فاؤنڈیشن
- بنیادی
- چار
- دھوکہ دہی
- سے
- مکمل طور پر
- تقریب
- مزید
- عام طور پر
- پیدا
- پیدا ہوتا ہے
- پیدا کرنے والے
- GIF
- جاؤ
- اچھا
- GPU
- زیادہ سے زیادہ
- گرڈ
- رہنمائی
- تھا
- ہینڈلنگ
- ہارڈ
- ہارڈ ویئر
- ہے
- ہونے
- he
- مدد
- مدد
- مدد کرتا ہے
- اعلی
- نمایاں کریں
- پر روشنی ڈالی گئی
- مارو
- میزبان
- میزبانی کی
- گھنٹہ
- کس طرح
- کیسے
- تاہم
- HTML
- HTTP
- HTTPS
- IAM
- کی نشاندہی
- شناخت
- شناخت
- کی نشاندہی
- شناختی
- IEEE
- if
- نظر انداز
- وضاحت کرتا ہے
- تصویر
- تصاویر
- مؤثر
- پر عملدرآمد
- اہم
- بہتر ہے
- کو بہتر بنانے کے
- in
- شامل
- سمیت
- متضاد
- شامل کرنا
- اضافہ
- اضافہ
- آزاد
- آزادانہ طور پر
- اشارہ کرتے ہیں
- اشارہ کرتا ہے
- انفرادی
- معلومات
- ابتدائی
- شروع
- اختراعات
- ان پٹ
- مثال کے طور پر
- واقعات
- اداروں
- ضم
- انٹیگریٹٹس
- انضمام کرنا
- جان بوجھ کر
- میں
- متعارف کرانے
- متعارف کرواتا ہے
- تحقیقات
- شامل ہے
- مسئلہ
- IT
- تکرار
- میں
- خود
- فوٹو
- رکھیں
- کیرا
- جان
- جانا جاتا ہے
- لیبل
- نہیں
- بڑے
- بڑے
- بعد
- شروع
- پرت
- تہوں
- لیڈز
- جانیں
- سیکھنے
- کم
- سطح
- سطح
- ہلکا پھلکا
- کی طرح
- امکان
- امکان
- LIMIT
- حدود
- لکیری
- لائنوں
- لسٹ
- لوکلائزیشن
- دیکھو
- بند
- کم
- مشین
- مشین لرننگ
- بنا
- بنیادی طور پر
- بنا
- بناتا ہے
- بنانا
- میں کامیاب
- انتظام
- ہیرا پھیری
- بہت سے
- میچ
- میٹرکس
- زیادہ سے زیادہ
- مئی..
- کا مطلب ہے کہ
- اقدامات
- درمیانہ
- سے ملو
- طریقہ
- طریقوں
- کم سے کم
- کم سے کم
- معمولی
- منٹ
- ML
- ایم ایل اوپس
- ماڈل
- ترمیم
- نظر ثانی کی
- نظر ثانی کرنے
- زیادہ
- رہن
- سب سے زیادہ
- ایک سے زیادہ
- نام
- نامزد
- ضروری ہے
- ضرورت ہے
- ضرورت
- منفی
- نیٹ ورک
- نیٹ ورک
- عصبی
- عصبی نیٹ ورک
- پھر بھی
- اگلے
- نہیں
- شور
- براہ مہربانی نوٹ کریں
- نوٹ بک
- تعداد
- عجیب
- مقصد
- واضح
- of
- اکثر
- on
- ایک
- صرف
- چل رہا ہے
- آپریشنل
- اصلاح
- or
- حکم
- تنظیمیں
- اصل
- اصل میں
- دیگر
- دوسری صورت میں
- ہمارے
- نتائج
- پیداوار
- نتائج
- پر
- مجموعی طور پر
- پیرامیٹر
- پیرامیٹرز
- حصہ
- خاص طور پر
- حصے
- راستہ
- پیٹرن
- فی
- کارکردگی
- کارکردگی
- کارکردگی کا مظاہرہ
- کارکردگی کا مظاہرہ
- تصویر
- فوٹوشاپ
- تصویر
- ستون
- دانہ
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- پلاٹ
- پالیسی
- حصہ
- مثبت
- ممکن
- پوسٹ
- ممکنہ
- صلاحیتیں
- طاقتور
- پریکٹس
- کی پیشن گوئی
- پیشن گوئی
- پیشن گوئی
- تیار
- ضروریات
- حال (-)
- پیش
- محفوظ
- کی روک تھام
- پہلے
- پرنٹس
- عمل
- عملدرآمد
- عمل
- پروسیسنگ
- مصنوعات
- پیداوار
- بڑھنے
- فراہم
- فراہم
- ازگر
- معیار
- سوال کیا
- تیز
- بے ترتیب
- رینج
- تیزی سے
- شرح
- تناسب
- حقیقی دنیا
- اصل وقت
- دائرے میں
- وجوہات
- موصول
- تسلیم
- سفارش
- بہتر
- کو کم
- کم
- کم
- کا حوالہ دیتے ہیں
- خطے
- خطوں
- relu
- انحصار کرو
- ہٹانے
- ہٹا
- رینڈرنگ
- ذخیرہ
- نمائندگی
- نمائندگی
- کی نمائندگی کرتا ہے
- کی ضرورت
- ضرورت
- ضروریات
- کی ضرورت ہے
- قرارداد
- وسائل
- باقی
- محدود
- نتیجہ
- نتائج کی نمائش
- واپسی
- RGB
- رسک
- کردار
- رن
- چل رہا ہے
- sagemaker
- سیج میکر کا اندازہ
- اسی
- نمونہ ڈیٹاسیٹ
- محفوظ کریں
- محفوظ
- بچت
- توسیع پذیر
- پیمانے
- سکیلنگ
- منظرنامے
- سائنس
- ہموار
- بغیر کسی رکاوٹ کے
- دوسری
- سیکشن
- سیکشنز
- منتخب
- منتخب
- بھیجتا ہے
- سینئر
- سیریز
- خدمت
- بے سرور
- سروس
- سروسز
- مقرر
- سیٹ اپ
- وہ
- منتقل
- شفٹوں
- ہونا چاہئے
- شوز
- دستخط
- اشارہ کرتا ہے
- نشانیاں
- اسی طرح
- سادہ
- آسان بناتا ہے۔
- ایک
- سائز
- چھوٹے
- ہموار
- حل
- حل
- کچھ
- کچھ
- مقامی
- خصوصی
- مخصوص
- خاص طور پر
- مخصوص
- تقسیم
- کمرشل
- چوک میں
- چوکوں
- شروع
- حالت
- بیانات
- مرحلہ
- مراحل
- ابھی تک
- ذخیرہ
- ذخیرہ
- ترقی
- مضبوط
- سٹوڈیو
- بعد میں
- اس طرح
- پتہ چلتا ہے
- اس بات کا یقین
- سطح
- مناسب
- مشکوک
- تیزی سے
- کے نظام
- موزوں
- لے لو
- لیتا ہے
- اہداف
- تکنیکی طور پر
- تکنیک
- تکنیک
- ٹیسسرور
- ٹرمنل
- ٹیسٹ
- ٹیسٹنگ
- سے
- کہ
- ۔
- ریاست
- ان
- ان
- تو
- وہاں.
- یہ
- چیزیں
- اس
- تین
- کے ذریعے
- وقت
- اوقات
- کرنے کے لئے
- کے آلے
- اوزار
- ٹورنٹو
- کل
- چھوڑا
- ٹرین
- تربیت یافتہ
- ٹریننگ
- تبدیل
- تبدیلی
- سچ
- کوشش
- دو
- قسم
- اقسام
- عام طور پر
- کے تحت
- بنیادی
- لکھا ہوا
- منفرد
- یونٹ
- اپ ڈیٹ کریں
- صلی اللہ علیہ وسلم
- امریکی ڈالر
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- رکن کا
- استعمال
- کا استعمال کرتے ہوئے
- توثیق
- قیمت
- اقدار
- متغیر
- مختلف
- ورژن
- نظر
- نقطہ نظر
- دورہ
- بصری
- ضعف
- چاہتے ہیں
- تھا
- we
- ویب
- ویب خدمات
- اچھا ہے
- تھے
- کیا
- جب
- جس
- وسیع
- گے
- ساتھ
- کے اندر
- بغیر
- کام کا بہاؤ
- کام کے بہاؤ
- کام کر
- کام کرتا ہے
- آپ
- اور
- زیفیرنیٹ
- صفر