这是 AWS 和 Voxel51 共同撰写的联合帖子。 Voxel51 是 FiftyOne 背后的公司,FiftyOne 是用于构建高质量数据集和计算机视觉模型的开源工具包。
一家零售公司正在开发一款移动应用程序来帮助客户购买衣服。 要创建这个应用程序,他们需要一个高质量的数据集,其中包含带有不同类别标签的服装图像。 在这篇文章中,我们展示了如何通过数据清理、预处理和使用零样本分类模型进行预标记来重新调整现有数据集的用途 五十一,并调整这些标签 亚马逊SageMaker地面真相.
您可以使用 Ground Truth 和 FiftyOne 来加速您的数据标记项目。 我们将说明如何无缝地一起使用这两个应用程序来创建高质量的标记数据集。 对于我们的示例用例,我们使用 Fashion200K 数据集, 在 ICCV 2017 上发布。
解决方案概述
Ground Truth 是一种完全自助和托管的数据标记服务,它使数据科学家、机器学习 (ML) 工程师和研究人员能够构建高质量的数据集。 五十一 by 体素51 是一个开源工具包,用于管理、可视化和评估计算机视觉数据集,以便您可以通过加速用例来训练和分析更好的模型。
在以下部分中,我们将演示如何执行以下操作:
- 在 FiftyOne 中可视化数据集
- 在 FiftyOne 中使用过滤和图像去重清理数据集
- 在 FiftyOne 中使用零样本分类对清理后的数据进行预标记
- 使用 Ground Truth 标记较小的精选数据集
- 将来自 Ground Truth 的标记结果注入 FiftyOne 并在 FiftyOne 中查看标记结果
用例概述
假设您拥有一家零售公司,并希望构建一个移动应用程序来提供个性化建议,帮助用户决定穿什么。 您的潜在用户正在寻找一款应用程序,告诉他们衣橱中的哪些衣服搭配得当。 您在这里看到了一个机会:如果您可以识别出好的服装,您可以使用它来推荐新的服装,以补充客户已经拥有的服装。
您想让最终用户的操作尽可能简单。 理想情况下,使用您的应用程序的人只需要为衣橱里的衣服拍照,您的 ML 模型就会在幕后施展魔法。 您可能会训练一个通用模型或通过某种形式的反馈微调模型以适应每个用户的独特风格。
但是,首先,您需要确定用户拍摄的是什么类型的衣服。 是衬衫吗? 一条裤子? 或者是其他东西? 毕竟,您可能不想推荐包含多条裙子或多顶帽子的服装。
为了解决这个最初的挑战,您想要生成一个训练数据集,其中包含具有各种图案和样式的各种服装的图像。 要以有限的预算制作原型,您需要使用现有数据集进行引导。
为了说明并引导您完成本文中的流程,我们使用了在 ICCV 200 上发布的 Fashion2017K 数据集。它是一个成熟且被广泛引用的数据集,但并不直接适合您的用例。
尽管服装物品标有类别(和子类别)并包含从原始产品描述中提取的各种有用标签,但数据并未系统地标有图案或款式信息。 您的目标是将此现有数据集转变为适用于您的服装分类模型的可靠训练数据集。 您需要清理数据,使用样式标签扩充标签模式。 而且您想以尽可能少的花费快速完成。
将数据下载到本地
首先,按照提供的说明下载 women.tar zip 文件和标签文件夹(及其所有子文件夹) Fashion200K 数据集 GitHub 存储库. 将它们都解压后,创建一个父目录 fashion200k,并将 labels 和 women 文件夹移动到其中。 幸运的是,这些图像已经被裁剪到目标检测边界框,所以我们可以专注于分类,而不用担心目标检测。
尽管名称中有“200K”,但我们提取的女性目录包含 338,339 张图像。 为了生成官方的 Fashion200K 数据集,数据集的作者在线抓取了超过 300,000 种产品,只有描述包含超过四个词的产品才被筛选。 出于我们的目的,如果产品描述不是必需的,我们可以使用所有已抓取的图像。
让我们看看这些数据是如何组织的:在女性文件夹中,图像按顶级文章类型(裙子、上衣、裤子、夹克和连衣裙)和文章类型子类别(衬衫、T 恤、长袖)排列最高额)。
在子类别目录中,每个产品列表都有一个子目录。 每一个都包含可变数量的图像。 例如,cropped_pants 子类别包含以下产品列表和相关图片。
labels 文件夹包含每个顶级文章类型的文本文件,用于训练和测试拆分。 在这些文本文件中的每一个中,每个图像都有一个单独的行,指定相对文件路径、分数和产品描述中的标签。
因为我们正在重新调整数据集的用途,所以我们将所有训练图像和测试图像组合在一起。 我们使用这些来生成高质量的特定于应用程序的数据集。 完成此过程后,我们可以将生成的数据集随机拆分为新的训练和测试拆分。
在 FiftyOne 中注入、查看和管理数据集
如果您还没有这样做,请使用 pip 安装开源 FiftyOne:
最佳做法是在新的虚拟(venv 或 conda)环境中这样做。 然后导入相关模块。 导入基础库 fiftyone、具有内置 ML 方法的 FiftyOne Brain、FiftyOne Zoo(我们将从中加载一个将为我们生成零样本标签的模型)和 ViewField(它使我们能够有效地过滤我们数据集中的数据:
您还需要导入 glob 和 os Python 模块,这将帮助我们处理目录内容的路径和模式匹配:
现在我们已准备好将数据集加载到 FiftyOne 中。 首先,我们创建一个名为 fashion200k 的数据集并使其持久化,这允许我们保存计算密集型操作的结果,因此我们只需要计算一次所述数量。
我们现在可以遍历所有子类别目录,将所有图像添加到产品目录中。 我们使用字段名称 article_type 为每个样本添加一个 FiftyOne 分类标签,由图像的顶级文章类别填充。 我们还将类别和子类别信息添加为标签:
此时,我们可以通过启动会话在 FiftyOne 应用程序中可视化我们的数据集:
我们还可以通过运行 Python 打印出数据集的摘要 print(dataset)
:
我们还可以从 labels
我们数据集中样本的目录:
查看数据,一些事情变得清晰:
- 一些图像相当粗糙,分辨率低。 这可能是因为这些图像是通过在对象检测边界框中裁剪初始图像生成的。
- 有的衣服是一个人穿的,有的是自己拍的。 这些细节被封装在
viewpoint
属性。 - 同一产品的许多图像都非常相似,因此至少在最初,每个产品包含一张以上的图像可能不会增加太多的预测能力。 大多数情况下,每个产品的第一张图片(以
_0.jpeg
) 是最干净的。
最初,我们可能希望在这些图像的受控子集上训练我们的服装风格分类模型。 为此,我们使用我们产品的高分辨率图像,并将我们的视图限制在每个产品的一个代表性样本上。
首先,我们过滤掉低分辨率图像。 我们使用 compute_metadata()
计算和存储数据集中每个图像的图像宽度和高度(以像素为单位)的方法。 然后我们使用 FiftyOne ViewField
根据允许的最小宽度和高度值过滤掉图像。 请参见以下代码:
这个高分辨率子集有不到 200,000 个样本。
从这个视图中,我们可以为我们的数据集创建一个新视图,其中每个产品仅包含一个代表性样本(最多)。 我们使用 ViewField
再次,模式匹配以结尾的文件路径 _0.jpeg
:
让我们看一下这个子集中随机打乱顺序的图像:
删除数据集中的冗余图像
此视图包含 66,297 张图像,或刚好超过原始数据集的 19%。 但是,当我们查看视图时,我们会看到有许多非常相似的产品。 保留所有这些副本可能只会增加我们的标签和模型训练成本,而不会显着提高性能。 取而代之的是,让我们摆脱附近的重复项,以创建一个较小的数据集,但仍然包含相同的内容。
因为这些图像不是完全相同的,所以我们无法检查像素方面的相等性。 幸运的是,我们可以使用 FiftyOne Brain 来帮助我们清理数据集。 具体来说,我们将为每个图像计算一个嵌入——表示图像的低维向量——然后寻找嵌入向量彼此接近的图像。 矢量越接近,图像越相似。
我们使用 CLIP 模型为每个图像生成一个 512 维的嵌入向量,并将这些嵌入存储在我们数据集中样本的字段嵌入中:
然后我们计算嵌入之间的紧密度,使用 余弦相似度,并断言相似度大于某个阈值的任何两个向量都可能接近重复。 余弦相似度得分在 [0, 1] 范围内,从数据来看,阈值得分 thresh=0.5 似乎是正确的。 同样,这不需要是完美的。 一些几乎重复的图像不太可能破坏我们的预测能力,并且丢弃一些非重复图像不会对模型性能产生实质性影响。
我们可以查看声称的重复项以验证它们确实是多余的:
当我们对结果感到满意并相信这些图像确实接近重复时,我们可以从每组相似样本中选择一个样本来保留,并忽略其他样本:
现在这个视图有 3,729 张图像。 通过清理数据并识别 Fashion200K 数据集的高质量子集,FiftyOne 使我们能够将关注点从超过 300,000 张图像限制到不到 4,000 张,减少了 98%。 仅使用嵌入来删除近乎重复的图像,就使我们考虑的图像总数减少了 90% 以上,而对要根据此数据训练的任何模型几乎没有影响。
在预先标记这个子集之前,我们可以通过可视化我们已经计算的嵌入来更好地理解数据。 我们可以使用 FiftyOne Brain 的内置 compute_visualization(
) 方法,它采用统一流形近似 (UMAP) 技术将 512 维嵌入向量投影到二维空间中,因此我们可以将它们可视化:
我们开新 嵌入面板 在 FiftyOne 应用程序中并按文章类型着色,我们可以看到这些嵌入粗略地编码了文章类型的概念(以及其他内容!)。
现在我们准备好预先标记这些数据。
检查这些高度独特的高分辨率图像,我们可以生成一个不错的初始样式列表,用作我们预标记零样本分类中的类。 我们预先标记这些图像的目标并不是必须正确标记每张图像。 相反,我们的目标是为人工注释者提供一个良好的起点,以便我们可以减少标记时间和成本。
然后,我们可以为此应用实例化一个零样本分类模型。 我们使用 CLIP 模型,这是一种在图像和自然语言上训练的通用模型。 我们用文本提示“Clothing in the style”实例化一个 CLIP 模型,这样给定一个图像,模型将输出“Clothing in the style [class]”最适合的类别。 CLIP 未针对零售或时尚特定数据进行训练,因此这并不完美,但它可以为您节省标签和注释成本。
然后我们将这个模型应用于我们减少的子集并将结果存储在 article_style
领域:
再次启动 FiftyOne 应用程序,我们可以使用这些预测的样式标签可视化图像。 我们按预测置信度排序,因此我们首先查看最置信度的样式预测:
我们可以看到,置信度最高的预测似乎是针对“球衣”、“动物印花”、“圆点”和“字母”款式。 这是有道理的,因为这些风格相对不同。 在大多数情况下,预测的样式标签似乎也是准确的。
我们还可以查看最低置信度风格的预测:
对于其中一些图像,适当的样式类别在提供的列表中,并且衣服的标签不正确。 例如,网格中的第一张图片显然应该是“迷彩”而不是“人字形”。 然而,在其他情况下,产品并不完全符合样式类别。 例如,第二行第二张图片中的裙子并不完全是“条纹”,但如果使用相同的标签选项,人工注释者可能也会产生冲突。 在构建数据集时,我们需要决定是删除此类边缘情况、添加新样式类别还是扩充数据集。
从 FiftyOne 导出最终数据集
使用以下代码导出最终数据集:
我们可以将较小的数据集,例如 16 张图像导出到文件夹中 200kFashionDatasetExportResult-16Images
. 我们使用它创建一个 Ground Truth 调整作业:
上传修改后的数据集,将标签格式转换为Ground Truth,上传至Amazon S3,并为调整作业创建清单文件
我们可以转换数据集中的标签以匹配 输出清单模式 一个 Ground Truth 边界框作业,并将图像上传到 亚马逊简单存储服务 (Amazon S3) 桶推出 Ground Truth 调整作业:
使用以下代码将清单文件上传到 Amazon S3:
使用 Ground Truth 创建更正样式的标签
要使用 Ground Truth 使用样式标签注释您的数据,请按照以下概述的过程完成必要的步骤以启动边界框标记作业 地面实况入门 指南与同一 S3 存储桶中的数据集。
- 在 SageMaker 控制台上,创建一个 Ground Truth 标记作业。
- 设置 输入数据集位置 成为我们在前面的步骤中创建的清单。
- 指定 S3 路径 输出数据集位置.
- 针对 IAM角色,选择 输入自定义 IAM 角色 RNA,然后输入角色 ARN。
- 针对 任务类别,选择 图片 并选择 边界框.
- 下一页.
- 在 工人 部分,选择您想要使用的劳动力类型。
您可以通过以下方式选择劳动力 亚马逊Mechanical Turk、第三方供应商或您自己的私人劳动力。 有关您的劳动力选项的更多详细信息,请参阅 创建和管理劳动力. - 扩大 现有标签显示选项 并选择 我想显示该作业数据集中的现有标签。
- 针对 标签属性 名称,从您的清单中选择与您要显示以进行调整的标签相对应的名称。
您只会看到与您在前面的步骤中选择的任务类型相匹配的标签的标签属性名称。 - 手动输入标签 边界框标注工具.
标签必须包含与公共数据集中使用的标签相同的标签。 您可以添加新标签。 以下屏幕截图显示了如何为标记作业选择工作人员和配置工具。 - 预览 预览图像和原始注释。
我们现在已经在 Ground Truth 中创建了一个标记作业。 工作完成后,我们可以将新生成的标记数据加载到 FiftyOne 中。 Ground Truth 在 Ground Truth 输出清单中生成输出数据。 有关输出清单文件的更多详细信息,请参阅 边界框作业输出. 以下代码显示了此输出清单格式的示例:
在 FiftyOne 中查看来自 Ground Truth 的标记结果
作业完成后,从 Amazon S3 下载标记作业的输出清单。
读取输出清单文件:
创建 FiftyOne 数据集并将清单行转换为数据集中的样本:
您现在可以在 FiftyOne 中查看来自 Ground Truth 的高质量标记数据。
结论
在这篇文章中,我们展示了如何通过结合 五十一 by 体素51,一个开源工具包,允许您管理、跟踪、可视化和管理您的数据集,以及 Ground Truth,一个数据标记服务,允许您通过提供对多个内置的访问权限,高效准确地标记训练机器学习系统所需的数据集- 在任务模板中,通过 Mechanical Turk、第三方供应商或您自己的私人劳动力访问多样化的劳动力。
我们鼓励您通过安装 FiftyOne 实例并使用 Ground Truth 控制台开始尝试这项新功能。 要了解有关 Ground Truth 的更多信息,请参阅 标签数据, Amazon SageMaker 数据标签常见问题解答,并 AWS机器学习博客.
与 机器学习和人工智能社区 如果您有任何问题或反馈!
加入 FiftyOne 社区!
加入成千上万已经在使用 FiftyOne 解决当今计算机视觉中一些最具挑战性的问题的工程师和数据科学家!
作者简介
莎伦德拉·查布拉(Shalendra Chhabra) 目前是 Amazon SageMaker 人在环 (HIL) 服务的产品管理负责人。 此前,Shalendra 孵化并领导了 Microsoft Teams Meetings 的语言和对话智能,是 Amazon Alexa Techstars Startup Accelerator 的 EIR,产品和营销副总裁 讨论.io,Clipboard 的产品和营销主管(被 Salesforce 收购),以及 Swype 的首席产品经理(被 Nuance 收购)。 总的来说,Shalendra 帮助构建、运输和营销了触及超过 XNUMX 亿人生命的产品。
雅各布马克斯 是 Voxel51 的机器学习工程师和开发人员传播者,他帮助提高世界数据的透明度和清晰度。 在加入 Voxel51 之前,Jacob 创立了一家初创公司,帮助新兴音乐家与粉丝建立联系并分享创意内容。 在此之前,他曾在 Google X、三星研究院和 Wolfram Research 工作。 在过去的生活中,雅各布是一名理论物理学家,在斯坦福大学完成了博士学位,在那里他研究了物质的量子相。 在空闲时间,Jacob 喜欢爬山、跑步和阅读科幻小说。
杰森科尔索 是 Voxel51 的联合创始人兼首席执行官,他负责制定战略,通过最先进的灵活软件帮助提高全球数据的透明度和清晰度。 他还是密歇根大学机器人学、电气工程和计算机科学教授,专注于计算机视觉、自然语言和物理平台交叉领域的前沿问题。 在空闲时间,Jason 喜欢与家人共度时光、阅读、亲近大自然、玩棋盘游戏以及各种创意活动。
布赖恩摩尔 是 Voxel51 的联合创始人兼首席技术官,负责领导技术战略和愿景。 他拥有密歇根大学的电气工程博士学位,他的研究重点是解决大规模机器学习问题的高效算法,尤其侧重于计算机视觉应用。 在空闲时间,他喜欢打羽毛球、打高尔夫球、徒步旅行以及和他的双胞胎约克夏犬玩耍。
白珠玲 是 Amazon Web Services 的软件开发工程师。 她致力于开发大型分布式系统来解决机器学习问题。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- 柏拉图爱流。 Web3 数据智能。 知识放大。 访问这里。
- 与 Adryenn Ashley 一起铸造未来。 访问这里。
- 使用 PREIPO® 买卖 PRE-IPO 公司的股票。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/create-high-quality-datasets-with-amazon-sagemaker-ground-truth-and-fiftyone/
- :具有
- :是
- :不是
- :在哪里
- $UP
- 000
- 1
- 10
- 11
- 110
- 13
- 14
- 20
- 200
- 2017
- 23
- 24
- 250
- 28
- 30
- 500
- 66
- 7
- 8
- 9
- a
- 关于
- 加快
- 加速
- 加速器
- ACCESS
- 精准的
- 准确
- 后天
- 活动
- 加
- 添加
- 地址
- 调整
- 调整
- 后
- 再次
- AI
- Alexa的
- 算法
- 所有类型
- 允许
- 单
- 已经
- 还
- Amazon
- 亚马逊alexa
- 亚马逊SageMaker
- 亚马逊SageMaker地面真相
- 亚马逊网络服务
- 其中
- an
- 分析
- 和
- 动物
- 任何
- 应用
- 应用领域
- 应用领域
- 使用
- 适当
- 保健
- 安排
- 刊文
- 刊文
- AS
- 相关
- At
- 作者
- 远离
- AWS
- 基地
- 基于
- BE
- 因为
- 成为
- 很
- before
- 背后
- 在幕后
- 作为
- 相信
- 最佳
- 更好
- 之间
- 亿
- 板
- 棋盘游戏
- 骨
- 引导
- 都
- 盒子
- 箱
- 大脑
- 午休
- 带来
- 带
- 预算
- 建立
- 建筑物
- 内建的
- 但是
- 购买
- by
- CAN
- 捕获
- 案件
- 例
- 类别
- 产品类别
- CEO
- 挑战
- 挑战
- 查
- 明晰
- 程
- 类
- 分类
- 清洁
- 清除
- 明确地
- 客户
- 攀登
- 关闭
- 接近
- 衣服
- 服装
- 联合创始人
- 码
- 结合
- 结合
- 公司
- 补充
- 完成
- 完成
- 计算
- 一台
- 计算机科学
- 计算机视觉
- 计算机视觉应用
- 信心
- 信心
- 分享链接
- 考虑
- 组成
- 安慰
- 包含
- 内容
- Contents
- 受控
- 听起来像对话
- 兑换
- 副本
- 核心
- 更正
- 对应
- 价格
- 成本
- 创建信息图
- 创建
- 创意奖学金
- 资历
- 首席技术官
- 策划
- 策展
- 目前
- 习俗
- 顾客
- 合作伙伴
- 切
- 前沿
- data
- 数据集
- 决定
- 演示
- 牛仔布
- 深度
- 描述
- 详情
- 检测
- 开发商
- 发展
- 研发支持
- 不同
- 直接
- 目录
- 屏 显:
- 不同
- 分布
- 分布式系统
- 不同
- do
- 不会
- 狗
- 做
- 完成
- 别
- DOT
- 向下
- 下载
- 重复
- e
- 每
- 易
- 边缘
- 效果
- 高效
- 有效
- 电气工程
- 嵌入
- 新兴经济体的新市场。
- 重点
- 员工
- 如虎添翼
- 封装
- 鼓励
- 结束
- 工程师
- 工程师
- 工程师
- 输入
- 环境
- 平等
- 必要
- 成熟
- 醚(ETH)
- 评估
- 传播者
- 究竟
- 例子
- 现有
- 出口
- 相当
- 家庭
- 球迷
- 反馈
- 少数
- 小说
- 部分
- 字段
- 文件
- 档
- 过滤
- 过滤
- 最后
- 姓氏:
- 适合
- 柔软
- 专注焦点
- 重点
- 重点
- 以下
- 针对
- 申请
- 格式
- 幸好
- 公司成立
- 四
- Free
- 止
- 充分
- 功能
- Games
- 一般用途
- 生成
- 产生
- 得到
- GitHub上
- 给
- 特定
- 目标
- 高尔夫球
- 非常好
- 谷歌
- 更大的
- 格
- 陆运
- 团队
- 指南
- 快乐
- 有
- he
- 头
- 高度
- 帮助
- 帮助
- 有帮助
- 帮助
- 此处
- 高品质
- 高分辨率
- 最高
- 高度
- 徒步旅行
- 他的
- 持有
- 创新中心
- How To
- 但是
- HTML
- HTTP
- HTTPS
- 人
- i
- IAM
- ID
- 鉴定
- 确定
- IDS
- if
- 图片
- 图片
- 影响力故事
- 进口
- 改善
- in
- 其他
- 包含
- 不正确
- 孵化
- 信息
- 初始
- 原来
- 安装
- 安装
- 例
- 代替
- 说明
- 房源搜索
- 路口
- 成
- IT
- 它的
- 新泽西
- 工作
- 加盟
- 联合
- JSON
- 只是
- 保持
- 保持
- 标签
- 标签
- 标签
- 语言
- 大规模
- 发射
- 发射
- 铅
- 信息
- 学习用品
- 学习
- 最少
- 导致
- 左
- 让
- 自学资料库
- 生活
- 喜欢
- 容易
- 极限
- 有限
- Line
- 线
- 清单
- 清单
- 房源
- 小
- 生活
- 加载
- 看
- 寻找
- 占地
- 低
- 机
- 机器学习
- 制成
- 魔法
- 使
- 制作
- 管理
- 管理
- 颠覆性技术
- 经理
- 许多
- 地图
- 市场
- 营销
- 匹配
- 匹配
- 重大
- 问题
- 可能..
- 机械
- 媒体
- 会议
- 元
- 元数据
- 方法
- 方法
- 密歇根州
- 微软
- 微软团队
- 可能
- 最低限度
- ML
- 联络号码
- 移动应用
- 模型
- 模型
- 模块
- 更多
- 最先进的
- 移动
- 许多
- 多
- 音乐家
- 必须
- 姓名
- 命名
- 名称
- 自然
- 自然语言
- 自然
- 近
- 一定
- 必要
- 需求
- 需要
- 全新
- 明显
- 概念
- 现在
- 灯罩
- 数
- 对象
- 物体检测
- 对象
- of
- 官方
- on
- 一旦
- 一
- 在线
- 仅由
- 打开
- 开放源码
- 运营
- ZAP优势
- 附加选项
- or
- 举办
- 原版的
- OS
- 其他名称
- 其它
- 我们的
- 输出
- 概述
- 产量
- 超过
- 己
- 拥有
- Hauliga 套装
- 配对
- 部分
- 特别
- 过去
- 径
- 模式
- 模式
- 性能
- 人
- 个性化你的
- 物质阶段
- 的
- 挑
- 图片
- 平面
- 朴素
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 点
- 人口稠密
- 可能
- 帖子
- 功率
- 在练习上
- 都曾预测
- 预测
- 预测
- 预览
- 以前
- 先前
- 打印
- 先
- 私立
- 大概
- 问题
- 过程
- 产品
- 产品管理
- 产品经理
- 热销产品
- 教授
- 项目
- 财产
- 预期
- 原型
- 提供
- 提供
- 优
- 国家
- 冲床
- 目的
- 蟒蛇
- 量子
- 有疑问吗?
- 很快
- 范围
- 宁
- 阅读
- 准备
- 建议
- 建议
- 减少
- 减少
- 减少
- 相对
- 发布
- 相应
- 去掉
- 代表
- 代表
- 必须
- 研究
- 研究人员
- 分辨率
- 限制
- 导致
- 导致
- 成果
- 零售
- 回报
- 检讨
- 摆脱
- 机器人
- 健壮
- 角色
- περίπου
- 行
- 毁
- 运行
- sagemaker
- 说
- Salesforce的
- 同
- Samsung
- 保存
- 场景
- 科学
- 科幻小说
- 科学家
- 得分了
- 无缝
- 其次
- 部分
- 部分
- 看到
- 似乎
- 似乎
- 选
- 感
- 分开
- 服务
- 特色服务
- 会议
- 集
- Share
- 她
- 应该
- 显示
- 作品
- SIM
- 类似
- 简易
- 小
- So
- 软件
- 软件开发
- 解决
- 一些
- 有人
- 东西
- 太空
- 花
- 花费
- 分裂
- 拆分
- 斯坦福
- 开始
- 开始
- 开始
- 启动
- 启动加速器
- 国家的最先进的
- 步骤
- 仍
- 存储
- 商店
- 策略
- 样式
- 风格
- 概要
- 支持
- 产品
- 采取
- 任务
- 队
- 文案
- TechStars的
- 告诉
- 模板
- test
- 比
- 这
- 其
- 他们
- 然后
- 理论
- 那里。
- 博曼
- 他们
- 事
- 认为
- 第三方
- Free Introduction
- 数千
- 门槛
- 通过
- 投掷
- 次
- 至
- 一起
- 工具
- 工具箱
- 最佳
- 顶级
- 上衣
- 合计
- 感动
- 跟踪时
- 培训
- 熟练
- 产品培训
- 改造
- 用户评论透明
- true
- 真相
- 转
- 二
- 类型
- 类型
- 下
- 理解
- 独特
- 大学
- 密歇根大学
- 更新
- us
- 使用
- 用例
- 用过的
- 用户
- 用户
- 运用
- 价值观
- 各种
- 各个
- 厂商
- 确认
- 非常
- 通过
- 查看
- 在线会议
- 愿景
- 想
- 是
- we
- 卷筒纸
- Web服务
- 井
- 为
- 什么是
- ,尤其是
- 是否
- 这
- 维基百科上的数据
- 将
- 中
- 也完全不需要
- 女性
- 话
- 工作
- 工作
- 工人
- 劳动力
- 合作
- 世界
- 担心
- 将
- 写
- X
- 您
- 您一站式解决方案
- 和风网
- 压缩
- 动物园