мотоцикл №1 в СССР (8 фото)

Подробности

Категория: Ностальгия

Просмотров: 30943

Мотоцикл «Ява» был мечтой многих в СССР! Один вид этого мотоцикла Чешского производства приводил всех в  восторг.

Ява (Jawa) — мотоцикл, производимый в Чехословакии. В советские времена мотоциклы Ява считались одними из лучших из доступных в СССР.

Название мотоциклов «Ява» не имеет ничего общего с островом Ява. Оно является сокращением от имени владельца фабрики Франтишека Яничека (чеш. František Janeček) и от названия фирмы «Вандерер» (Wanderer), у которой предприниматель купил оборудование и лицензию на производство первых мотоциклов под маркой «Ява».
 

Эта модель Явы часто снималась в советских кинофильмах. Например, именно на таком мотоцикле с коляской ездит Геннадий Петрович Козодоев (герой Андрея Миронова) в фильме «Бриллиантовая рука». Также на таком мотоцикле в фильме «Приключения Электроника» перемещается Урри, герой Николая Караченцова. В детективе «Сыщик» герой Леонида Ярмольника — бандит по кличке «Гнус» — следит за курьером при помощи мотоцикла «Ява-350 Кросс».

Одним из народных названий данной модели Явы стало «Ява-старуха» либо просто «старуха». «Старухи» с одноцилиндровым двигателем в народе назывались «чекушки».

Последняя модель Яв, поставлявшаяся в СССР в конце 1980-х, начале 1990-х — «Ява 350 638» — получила народное название «Эксперименталка» или «Тачка». «Тачкой» мотоцикл обязан известной группе «Сектор газа», песней «Ява». Цитата из песни: «… а я Тачку нежно тряпочкой протру». Мотоцикл часто снимался в фильмах той эпохи таких как: «Фанат-2», «Крысы, или Ночная мафия», «Авария — дочь мента», в клипе группы «Черный Обелиск» «Полночь».

В наше время мотоциклы Ява также поставляются в Россию. Это более совершенные модели, но они проигрывают японским мотоциклам и поэтому не пользуются прежней популярностью, хотя удобны для начинающих мотоциклистов и некоторые модели достойны внимания в соотношении цена-качество.

Все модели мотоцикла «Ява»

Модели
Jawa 500 Rumpál (1929)
Jawa 175 Villiers (1932)
Jawa 350 SV (1934)
Jawa 350 OHV SPECIÁL (1935)
Jawa 250 (Zweitakter) (1935)
Jawa-Robot 100 (1937)
Jawa 250 Duplex Blok (1939)
Jawa 250 Pérák typ 10, 11 (1946)
Jawa 350 (Ogar) typ 12 (1948)
Jawa 500 OHC typ 15 (1952)
Jawa 250 Sport (1954)
Jawa-CZ 150 typ 352 (mezityp) (1954)
Jawa 250 Kývačka typ 353 (1954)
Jawa 350 typ 354 (1954)
Jawa 50 Pionýr (1955)
Jawa-CZ 125 typ 351 (mezityp) (1956)
Jawa 175 typ 356 (1956)
Jawa 250 typ 559 (1957)
Jawa 50 typ 05/Jawa 05
Jawa 50 typ 220.100
Jawa 50 typ 223.200
Jawa 50 typ 550
Jawa 50 typ 551 Jawetta Standard (1959)
Jawa 50 typ 555 Pionýr (1958)
Jawa 50 typ 20
Jawa 50 typ 21
Jawa 250 Kývačka typ 559/03 Automatic (1963)
Jawa 350 Kývačka Automatic typ 360/01 (1965)
Jawa 350 Road King typ 361 (1965)
Jawa 250 typ 590 (1965)
Jawa 250 typ 559/05 Automatic (1966—1968)
Jawa 350 Californian IV typ 362, 363 (1969)
Jawa 23 (genannt JAWA Mustang, 50ccm)
Jawa 25
Jawa 350 UŘ typ 633/1 Bizon (1970)
Jawa 350 typ 634, 634.5 (1973—1982)
Jawa 350 typ 639 (1990)
Jawa 350 typ 640 (1991)
Jawa 125 Dandy (1998)
Jawa 50 Dandy typ Minarelli (1999)
Jawa 125 Dakar (2003)
Jawa 650 typ 836 (2004)
Jawa 650 Classic (2004)
Jawa 650 Style (2005)
Jawa 650 Dakar (2006)
Jawa 250 Travel (2007)

Интересное в сети

Ява 350 Прима, пробег 4000 км, фотографии и описание реального владельца | Мотоциклы Ява

Мотоцикл Ява 350 Прима

Мотоцикл Ява 350 Прима

Эта Ява была куплена в ноябре 2019 года, очень удачно — завод Jawa к 90-летнему юбилею в 2019 году объявил акцию для российских покупателей Jawa 350 OHC. Стоимость на эту модель в период действия акции была очень сильно ниже, чем стоимость такого же мотоцикла в Европе. Выгодное предложение.

Но осенью и теплой зимой 2020 года по-настоящему покататься на новой Яве не получилось — климат не тот. Подмосковье, даже теплой зимой, не располагает к поездкам на мотоцикле.

Новая Ява всегда привлекает внимание

Новая Ява всегда привлекает внимание

Мотоциклы Ява хорошо известны практически всем взрослым жителям России (и не только России!) и вызывают у окружающих самые теплые чувства.

По степени привлечения внимания у Явы конкурентов немного. А возможно, и вообще нет.

Мотоцикл Jawa 350 OHC на природе

Мотоцикл Jawa 350 OHC на природе

Весна 2020 года и первые теплые дни совпали «сами-знаете-с-чем». Но введенные ограничения не помешали опробовать Яву в деле.

Новый мотоцикл Ява

Новый мотоцикл Ява

Ява Прима завоевала симпатии всей семьи и не раз участвовала в выездах на природу, на шашлыки, на речку.

Ява Прима

Ява Прима

Небольшое ветровое стекло оказалось вполне «к лицу» этой модели Явы. И пригодилось в поездках «подальше».

Красавица Ява

Красавица Ява

На проселочных дорогах мотоцикл чувствует себя уверенно, управляется легко и просто, неисправности за время эксплуатации не выявились. Но некоторые замечания к этой Яве все же есть.

Первое. В самом начале эксплуатации из-за плохого контакта в одной из клеммных колодок мотоцикл отказывался заводиться. Решилось просто — контакт в соединении восстановлен и все заработало.

Второе. Это не недостаток, а скорее, особенность, которую нужно помнить. На старых моделях Явы такого не было. При включенной передаче на боковой подставке зажигание не работает. Это, наверное, правильно. Но если Вы завели мотоцикл на боковой подставке, он немного прогрелся, Вы сели, выжали сцепление и включили первую — мотор заглохнет, потому, что Вы еще не убрали боковую подставку. Такая вот «защита от дурака». Сначала надо убрать боковую подставку, и только потом включать передачу.

Четырехтактный мотоцикл Ява

Четырехтактный мотоцикл Ява

Третье. На этом мотоцикле, в отличие от мотоциклов в других поставках, амортизаторы изначально были черные, от модели Ява 350/640. Они взаимозаменяемые с оригинальными. И за почти 30 лет использования на двухтактных мотоциклах Ява, эти черные амортизаторы показали себя хорошо. Но на этой модели, почему то, если ехать на мотоцикле вдвоем, амортизаторы от Ява Премьер «просаживаются». Проблема решилась возвратом к оригинальным амортизаторам Ява Прима, с хромированными пружинами. Именно с такими амортизаторами эта модель на всех фотографиях в Европе. Видимо, эксперимент Jawa по унификации запасных частей для разных моделей оказался не очень удачным, завод вернулся к первоначальному варианту.

Ява 350 ОНС Прима

Ява 350 ОНС Прима

В целом, впечатления от новой Явы Прима сложились положительные. Относительно недорогая, экономичная, удобная в управлении и, как показала практика, вполне надежная.

Новая модель мотоцикла Ява

Новая модель мотоцикла Ява

Все фотографии прислал владелец мотоцикла Андрей Korchagin для публикации и сделаны они им собственноручно. Статья написана со слов владельца мотоцикла.

Благодарим Андрея за покупку мотоцикла Ява Прима и за предоставленные материалы.

Делитесь нашими статьями с друзьями, ставьте «нравится» (палец вверх!), подписывайтесь на наш Яндекс Дзен и оставайтесь с нами!

Jawa, история марки Ява, модели Jawa, фото и характеристики: Автомобили Финляндии/ Лаборатория автотюнинга

Началом истории мотоциклетной компании Jawa (Ява) принято считать 1929 год. Именно тогда Франтишек Янечек, который основал фирму в 1922 году, и именно с тех пор занимался работой над трофейными пулемётами, приобрёл лицензию на производство 500-кубового мотоцикла марки Wanderer.

Это был 500-кубовый байк, мощность двигателя которого составляла 18 «лошадок». Однако конструкция мотоцикла оказалась достаточно сложной, в связи с чем, Янечек счёл целесообразным установить далеко не самую низкую цену на него. И эта цена отнюдь не способствовала популяризации байка. Компания терпела убытки, и в результате производство модели было приостановлено.

В 1931 году компания изменила принципы своей деятельности, сконцентрировавшись на производстве небольших мотоциклов, которые оснащались двухтактными двигателями. Первым таким байком стала модель Jawa 175, оборудованная 175-кубовым 5-сильным двигателем. Мотоцикл оказался весьма успешным и популярным, а компания продолжила производство лёгких байков.

Уже к середине 30-х линейка Jawa значительно расширилась: сперва дебютировала модель Jawa 250, не отличавшаяся от 175-й модели ничем, кроме объёма двигателя. Затем был представлен мотоцикл Jawa 350, на который устанавливался 346-кубовый 12-сильный силовой агрегат, а в 1936 году компания произвела первый мотовелосипед Jawa Robot, оснащавшийся простеньким двигателем объёмом в 99 кубических сантиметра и мощностью в 2,6 «лошадки».

Настоящий прорыв произошёл в 1939 году. Тогда компания презентовала очередную версию-последовательницу Jawa 175, которая на сей раз была оснащена абсолютно новым двигателем собственного производства, получившим название Jawa Duplex-Block. Этот силовой агрегат обладал мощностью в 9 лошадиных сил при объёме в 248 «кубиков» и стал одним из лучших в мире моторов.

Оккупационный период компания провела под контролем немецких властей, но уже в 1944 году предприятие представило общественности несколько новых моделей мотоциклов, а также двигателей собственного производства объёмом в 250 и 350 кубических сантиметров. Все новые мотоциклы поступили в серийную сборку уже к 1945 году, после того как предприятие было национализировано. Таким образом, послевоенная «акклиматизация» Jawa продлилась совсем недолго, и закончилась она солидным подъёмом.

1946 год ознаменовался получением золотой медали мотоциклом Jawa 250 на выставке в Париже. Байк был оснащён 250-кубовым 9-сильным агрегатом, а уже через два года в параллельное серийное производство поступила его модификация Jawa 350, оснащённая 350-кубовым агрегатом мощностью в 12 «лошадок». В том же 1948 году мотоциклетная компания Ogar вошла в состав Jawa.

В начале 50-х руководство предприятия поставило перед своими специалистами новую цель: произвести лучший в мире мотоцикл, оснащённый 4-тактным двигателем. Вскоре задание было выполнено: уже в 1952 году модель поступила в производство. Байк оборудовался ультрасовременным на те годы силовым агрегатом мощностью в 26 лошадиных сил и объемом в 488 кубических сантиметра. Этот мотоцикл производился вплоть до 1958 года, и стал одним из самых популярных в истории компании.

В тот же период времени дебютировали и абсолютно новые байки с маятниковой задней подвеской – это были модели с индексами 353 и 354, оснащённые 250- и 350-кубовыми двигателями соответственно.

В 1962 году компания осуществила глобальную модернизацию своих основных моделей, оснащённых двигателями объёмом в 250 и 350 «кубиков». Причём байки не только получили новую начинку, но и несколько изменили внешний вид. Основным отличием с дизайнерской точки зрения стала новая форма верхнего кожуха фары, который стал закрывать весь руль. Что касается двигателей, то они также были заменены на 14- и 18-сильные соответственно.

Мотоцикл Jawa Pioneer образца 1960-х годов – пожалуй, наиболее известный в мире байк, оснащавшийся 50-кубовым силовым агрегатом. Отметим, что этот яркий представитель малокубаторной мотоциклетной техники чехословацкого происхождения обладал трёхступенчатой коробкой переключения передач, да и вообще пользовался огромным спросом не только на территории Чехословакии, но и за её пределами.

Начало 70-х ознаменовалось новшествами в подходе к дизайну мотоциклов. Именно тогда дебютировали модели 250-623 и 350-433, которые были оснащены 18-дюймовыми колёсами, а также совершенно непривычный дизайн. Эти мотоциклы тут же получили народное название Jawa Bizon, с которым до сих пор и ассоциируются.

В 1973 году деятельность предприятия остановилась, но у компании хватило средств, дабы выбраться из огромной ямы и продолжить производство. Это произошло в 1984. Тогда же была представлена и первая после длительного перерыва модель Jawa 350-638, которая производится и сегодня.

Практически с первых лет своего существования компания пошла по пути многих мотоциклетных производителей и стала участвовать в разнообразных спортивных состязаниях. Причём в послевоенное время Jawa достигла таких высот в мотоспорте, что выступление за эту команду считалось признаком высочайшего класса. А вот сегодня, к сожалению, в мотоспорте компания не представлена.

Да и вообще уровень производства предприятия на сегодняшний день крайне низок. Периодически выходят новые модели, такие как Jawa 250 Travel, Jawa 350 Tramp, Jawa 650 Classic и другие, но слишком уж популярными они так и не становятся. Тем не менее, быть обладателем мотоцикла Jawa до сих пор считается престижным, поскольку продукция чехословацкой компании всегда соответствовала высочайшим стандартам качества.

JAWA: легенда продолжает жить | Radio Prague International

JAWA 500 OHV, фото: Marek Koudelka, CC BY-SA 3.0

Франтишек Янечек, фото: архив JAWA

Создатель легенды под названием JAWA, Франтишек Янечек родился в селе Клаштер-над-Дединой, что на восток от города Градец-Кралове, 23 января 1878 года. С малых лет мальчик интересовался техникой, поступил в Высшую государственную промышленную школу, после окончания которой перебрался в Берлин, где еще год учился в местном высшем техническом училище.

Несмотря на предложения о трудоустройстве в Германии, Янечек решил вернуться в Прагу и устроился конструктором в мануфактуре Kolben. Талантливый молодой инженер не задержался на этой должности, в 23 года он стал управляющим филиала Kolben в Голландии и параллельно обучался в Политехническом институте в Делфте. Несмотря на стремительный карьерный рост, в 1922 году Янечек, обладатель нескольких десятков патентов, решает открыть собственную фабрику оружия.

Но в мирное время страна нуждалась в товарах для мирной жизни. Значительное сокращение спроса на военную продукцию и потеря крупного контракта подтолкнула его к реорганизации предприятия. Первоначально инженер хотел производить швейные машинки, но в итоге склонился к мототехнике.

Рождение легенды

Завод JAWA в Тынеце над Сазавоу, фото: архив JAWA

Идея возникла спонтанно. Янечек узнал о том, что компания Wanderer продает лицензию и оборудование для производства мотоцикла Wanderer 500 cc. После недолгих раздумий он сделал предложение о покупке, от которого «немцы отказаться не смогли». На пути к конвейеру машина претерпела некоторые изменения, в основном внешние. Новый топливный бак каплеобразной формы, усовершенствованные крылья, шины большей размерности. В остальном JAWA повторяла конструкцию своего немецкого прототипа.

Название нового мотоцикла образовали от двух первых букв фамилии создателя чехословацкой фабрики мотоциклов и марки «донора»: Janeček-Wanderer. Так родилась Ja-Wa. Первые мотоциклы JAWA 500 OHV, показанные в Париже в 1929 году, были выкрашены в красный цвет и украшены декоративными желтыми полосками. Именно с тех пор красный стал фирменным цветом марки.

В те времена в Чехословакии собиралась 21 марка мотоциклов. Неудивительно, что JAWA 500 OHV, который оказался дорогим почти как автомобиль, спросом не пользовался. Тогда на завод пригласили английского конструктора Джорджа Уильяма Патчетта, работавший ранее в фирмах Brough Superior, «Жак-Инвой» и FN, который придумал простой легкий мотоцикл с двухтактным двигателем и характерной для последующих моделей рамой.

Wanderer Mofa (1904), фото: открытый источник

«В Чехословакии новинка JAWA Villiers 175 вытеснила конкурентов, которые предлагали машины с четырехтактным двигателем. Двухтактные были дешевле, они стали общедоступными, и это была первая волна славы JAWA. С учетом остановки производства в период войны, мотоциклов этой модели было выпущено 27 525 штук», — рассказывает Владимир Засадил, экс-генеральный директор компании Jawa Moto.

Вслед за JAWA Villiers 175 последовали ее усовершенствованные варианты, а в 1935 году – 250-кубовый мотоцикл с продувкой по патенту Шнурле. «За основу мы взяли проверенную конструкцию, частично ее модернизировали в попытке довести до совершенства. Мы использовали огромный опыт нашего конструкторского бюро, глубокие знания особенностей материалов и, как и каждое военное предприятие, сделали акцент на надежность производства», — так описывал новинку лично инженер Янечек.

Фото: Архив JAWA

Помимо этого, JAWA выпускала более мощную 350-кубовую модель с четырехтактным двигателем. Спросом пользовалась и 100-кубовая JAWA Robot, разработанная молодым конструктором Йозефом Йозифом. В 1938-м вклад Франтишека Янечека в развитие чехословацкой промышленности был оценен по достоинству: университет ČVUT присвоил ему звание почетного доктора.

Только JAWA стала популярной, как началась Вторая мировая война. После оккупации Чехословакии в 1938 году производственные мощности фирм Янечека были конфискованы администрацией Протектората Богемии и Моравии, по инициативе которых они переориентировались на ремонт немецкой военной техники (в том числе мотоциклов) и изготовлением деталей военного снаряжения. «Работайте, а я ухожу», — такими были последние слова Франтишека Янечека после оккупации его предприятия. Вскоре он скончался от рака легких.

Под контролем государства

Фото: открытый источник

Несмотря на смерть отца-основателя, разработка новых моделей мотоциклов на заводах JAWA продолжилась. К концу 1944 года предприятием в тайне от оккупантов-управляющих были подготовлены новые, опередившие свое время модели мотоциклов JAWA 250 и JAWA 350. Их раскрасили в военные защитные цвета хаки и для конспирации прикрепили на бензобак эмблему немецких мотоциклов DKW, которые завод ремонтировал в годы войны.

В результате JAWA оказалась самой подготовленной к мирному производству. Несмотря на национализацию, сборка моделей довоенного образца началась уже в 1945 году, а в 1946-м на Парижском автосалоне состоялась мировая премьера JAWA 250, за мягкость хода получившая прозвище Perák – пружинящий.

Это был мощный и элегантный двухтактный мотоцикл с компактным двигателем, возвратно-переменной продувкой, 4-ступенчатой коробкой передач с автоматическим выключением сцепления и подвеской заднего колеса, который нашел своих покупателей во многих странах мира. В 1948 году в дополнение к модели 250 выпустили двухцилиндровую 350-ку. С этих двух моделей началась современная история марки.

JAWA 884, фото: YouTube

После Второй мировой Чехословакия стала социалистической страной со всеми издержками дружбы с СССР. В JAWA, впрочем, поначалу смогли в полной мере воспользоваться преимуществами плановой системы: в конце 60-х гг. чехословацкие мотоциклы экспортировались в 120 стран мира, на своем пике предприятие ежедневно выпускало несколько сотен машин.

«Новый мотоцикл сходит с конвейера каждые три минуты. Предприятие работает в две смены. Таким образом, ежедневно мы выпускаем 360 новых мотоциклов», — такие данные привел Иржи Писачек, заместитель директора Národní podnik JAWA, в 1970 году.

Несмотря на гигантские масштабы производства, инновационный потенциал предприятия вскоре сошел на нет. Выпускаемые мотоциклы неоднократно модернизировались, но разработка новых моделей существенно замедлилась. Виной тому была и перестройка мотоциклетной промышленности Чехословакии, в рамках которой приоритет был отдан развитию автомобилей, а головной завод объединения JAWA в Праге передан под производство полупроводников.

Фото: Чешское Телевидение

Сборка мотоциклов была перенесена на другой завод, изготовлением двигателя, передних вилок и ступиц колес занялось предприятие CZ. Воспользовавшись случаем, конструкторы решили выпускать унифицированное семейство с общей ходовой частью для всех мотоциклов – от 125 до 350 см3 – однако, требования рынка все же пробивались и сквозь железный занавес.

Смена JAWA-250 Perák подоспела только к 1973 году, еще через 10 лет вышла в свет JAWA 350-638. Новинками их можно назвать с большой натяжкой: двигатель был усовершенствован лишь частично, а из новых частей были разве что рама и подвеска. Некогда прогрессивное предприятие держалось на плаву исключительно благодаря гарантированному сбыту в странах Восточного блока, прежде всего, СССР.

Фото: архив JAWA

«Сотрудничество с Советским Союзом носит комплексный характер. При создании новой модели происходит обмен мнениями между учеными научно-исследовательских институтов Народного предприятия JAWA и Всесоюзного научно-исследовательского конструкторского и технологического института мотоциклов и малолитражных бензиновых двигателей внутреннего сгорания. Они обсуждают конкретные задачи и требования по усовершенствованию отдельных моделей, которые бы смогли функционировать в сложных климатических условиях СССР», — рассказал в 1981 году «Чехословацкому радио» Ладислав Жижала, руководитель торгового отдела Národní podnik JAWA.

В то же время на Западе JAWA окончательно перестала пользоваться популярностью, не помогли даже успехи, которых добилась марка в спорте, прежде всего, в спидвее и спидвее на льду. В 60-70-х годах XX века на JAWA выступали многократные чемпионы мира по спидвею Барри Бриггс, Айвен Можер, Оле Ольсен.

В свободном плавании

К моменту распада СЭВ JAWA не могла конкурировать с основными производителями мотоциклов в мире. В 1990 году производство на всех предприятиях марки резко сократилось, переход на расчеты в свободно-конвертируемой валюте привел к жесточайшему кризису сбыта. Однако ее новые владельцы сумели сохранить производство мотоциклов оригинальной конструкции.

Jawa 300, фото: архив JAWA

В 1996-м JAWA объединилась с компанией Jihostroj, благодаря чему на свет появились модели JAWA 125-810, а в 1998-м, после 33-летнего перерыва, было вновь запущено производство собственных моторов. Вплоть до середины нынешнего десятилетия JAWA занималась производством недорогих моделей, время от времени напоминая о своем существовании различными юбилейными акциями.

В этой связи особые надежды руководство JAWA связывает с новой моделью JAWA 350 ОНС, которая являет собой новое поколение двухколесной техники отечественного производства. «JAWA 350 OHC – это классический дорожный мотоцикл. Помимо того, что это проверенная, испытанная конструкция, которая доказала свою актуальность для ежедневной эксплуатации в различных климатических условиях на существующих дорогах, решающим аргументом в пользу ее покупки является цена. Машина весом 160 кг с максимальной скоростью до 130 км/ч – прекрасный выбор для ежедневной езды по городу и хороший вариант для начинающих мотоциклистов, пусть она и уступает западноевропейской, японской и американской технике с точки зрения конкурентоспособности, комфорта и эффективности», — оценил перспективы модели автоэксперт Йозеф Сршень.

Jawa 600 Vintage, фото: архив JAWA

Ява возвращается на родину в 2020 году

Ява возвращается на родину в 2020 году

В ноябре 2018 года чешский бренд Jawa вернулся на рынок. Вернее, сделал громкую попытку: индийские владельцы бренда развернули масштабную дилерскую сеть, но не были готовы к серьёзному спросу на мотоциклы. Это всё кончилось, разумеется, печально: интерес к бренду был подорван, сроки поставки проданных мотоциклов не соблюдались, а качество удручало (например, новые Явы с завода приходили уже сразу ржавыми — ничего не напоминает?)

Jawa

Кажется, теперь всё станет лучше: вопросы качества проработаны, сроки поставок тоже, а с материнского предприятия поступают интересные новости: Ява возвращается на родину.

Сразу несколько индийских изданий сообщают, что Mahindra омологировала новые мотоциклы Jawa для европейского рынка (точнее, одну модель — Jawa 300) — и этот мотоцикл появится в шоурумах уже в 2020 году. Правда, в отличие от индийского рынка, где Mahindra пошли в масштабную атаку, открыв без малого сотню дилерских центров за несколько месяцев, заход в Европу будет более плавным. Символично, что первый дилер откроется именно на родине бренда — в Чешской республике.

Немного истории: Индийский гигант Mahindra возродил бренд Jawa в конце 2018 года. До этого Jawa была европейской компанией, основанной в Праге в 1929 году. И хотя мы не знаем, продиктовано ли решение о возвращении на европейский рынок через Чехию сентиментальными соображениями, или к тому индусов обязывает заключённый контракт, а может и законодательство Чехии. Независимо от причин, это очень милый штрих вполне в духе индусов: колесо Сансары сделало полный оборот, и можно начинать с нуля обновлённым и помолодевшим.

Jawa 300

По сообщениям индийских СМИ, визуально Jawa 300 ничем не будет отличаться от индийской версии. С точки зрения конструктива, однако, ожидаются несколько изменений для соответствия европейским требованиям, но ни в одном из источников не указаны конкретные особенности европейской версии. Модель была недавно доработана для соответствий индийским эконормам BS6.

На данный момент речи о поставках в другие страны не идёт, но учитывая интерес рынка к малокубатурным утилитарным мотоциклам, не будет удивительно, если в предстоящие годы Jawa появится и на других рынках.

Было бы интересно узнать, как у новой Jawa пойдут дела в России.

2021 Subaru Outback — Фотографии и видео

* Рекомендованная производителем розничная цена не включает сборы по месту назначения и доставки, налоги, титульные и регистрационные сборы. Пункт назначения и доставка включают сборы за обработку и транспортировку по суше и могут отличаться в некоторых штатах. Цены, технические характеристики, опции, функции и модели могут быть изменены без предварительного уведомления.

** Экономия топлива по оценкам Агентства по охране окружающей среды. Фактический пробег может отличаться. Для Crosstrek Hybrid, эквивалент MPG по оценке EPA при полной зарядке аккумулятора.Теперь до 30 июня 2021 года получите 0% годовых на все новые модели Ascent, Forester, Impreza, Legacy и Outback 2021 года. Авансовый платеж не требуется. Предложение может отличаться в зависимости от местоположения. Возможны другие тарифы и условия оплаты. Нельзя сочетать с любым другим купоном, прямым предложением / предложением по электронной почте или рекламным предложением, если это не разрешено этим предложением. Финансирование только для квалифицированных соискателей. Срок действия контракта ограничен. При условии утверждения кредита, утверждения страхования транспортного средства и наличия транспортного средства. См. Подробности у участвующих розничных продавцов.Товар должен быть доставлен со склада продавца до 30 июня 2021 г.

Subaru заботится об окружающей среде и является гордым партнером Leave No Trace. Делая это фото, мы позаботились о том, чтобы не нанести вред окружающей среде.

Subaru, SUBARU BOXER, BRZ, Forester, Impreza, Legacy, Outback, STI, Tribeca, WRX, XV Crosstrek, EyeSight и STARLINK являются зарегистрированными товарными знаками.

iPod и iPad являются зарегистрированными товарными знаками Apple Inc .; Brembo — зарегистрированная торговая марка Freni Brembo S.p.A .; Alcantara является зарегистрированным товарным знаком Alcantara S.p.A, а Alcantara производится Toray Group .; Ultrasuede® — зарегистрированная торговая марка Toray Industries, Inc .; TORSEN является зарегистрированным товарным знаком JTEKT Corporation .; BBS является зарегистрированным товарным знаком BBS Kraftfahrzeugtechnik AG; Bluetooth является зарегистрированным товарным знаком Bluetooth SIG, Inc .; HomeLink ^® и значок дома HomeLink ^® являются зарегистрированными товарными знаками Gentex Corporation .; Aha и Harman Kardon являются зарегистрированными товарными знаками Harman International Industries, Inc.; Android является товарным знаком Google Inc .; HD Radio — зарегистрированная торговая марка iBiquity Digital Corporation; Pandora является зарегистрированным товарным знаком Pandora Media, Inc .; SiriusXM и SiriusXM NavTraffic являются зарегистрированными товарными знаками SiriusXM Satellite Radio, Inc .; iHeart — зарегистрированная торговая марка Clear Channel.

ПОЖАЛУЙСТА, ПРОСМОТРЕТЬ ЭТИ ВАЖНЫЕ СООБЩЕНИЯ.
Subaru of America, Inc. оставляет за собой право вносить изменения в любое время без предварительного уведомления или обязательств в информацию, содержащуюся на этом Интернет-сайте, цены, стимулирующие программы, технические характеристики, оборудование, цвета, материалы, иллюстрации продуктов, а также изменять или прекращать выпуск моделей. .Все цены основаны на рекомендованных розничных ценах производителя («MSRP») в долларах США (если не указано иное) и не включают налоги, сборы за право собственности, лицензирование, опции и сборы за места назначения, если специально не указано иное. Розничные торговцы являются независимыми предприятиями и могут устанавливать свои собственные розничные цены. Вся информация, содержащаяся на этом Интернет-сайте, предназначена только для рынка США.

Минералогическая база данных

Новый , включение Java-апплетов (jPOWD, Krystal) с помощью подключаемого модуля CheerpJ Applet Runner для браузера Chrome.
Как включить Java, если она заблокирована?
Как включить Java через панель управления?

Последний раз база данных минералогии обновлялась
5 сентября 2012 г. и содержит 4714 описаний отдельных видов минералов со ссылками и
обширная библиотека изображений. Посетите «Что
Подробнее в разделе «Новый».

У каждого минерала есть страница, связанная с таблицами, посвященными кристаллографии, кристаллическим структурам, порошковой дифракции рентгеновских лучей, химическому составу, физическим и физическим характеристикам.
оптические свойства, Новая классификация Даны, классификация Струнца, минерал
изображения образцов и алфавитный
списки минеральных видов.Также есть обширные ссылки на другие
внешние источники минеральных данных и информации.

Минеральные изображения
Галерея изображений минералов. php / MySQL база данных.

А
B
C
D
E
F
грамм
ЧАС
я
J
K
L
M
N
О
п
Q
р
S
Т
U
V
W
Икс
Y
Z

Химический состав
Минеральные виды по химическим элементам, выбираемые из
таблица Менделеева или форма поиска.Предусмотрено три варианта: 1) Сортировка по%, 2) Сортировка по названию минерала или 3) Новое.
Пользовательский поиск элемента в процентах веса.

Что такое минерал?
Избранные определения минералов, охватывающие последнее столетие, определяющие минеральное царство как материю, отличную от материи растительного или животного мира.

Кристаллография
В этом разделе содержатся учебные пособия по 36 классам кристаллов.Наряду с этой информацией есть ссылки на таблицы
каждого класса со всеми минералами этого класса. Готовые к печати PDF-файлы
бумажные модели кристаллов (требуется сборка) кристаллов классов можно найти здесь. 3D-модели кристаллов минералов используют апплеты JAVA
от KrystalShaper
которые можно просмотреть в окне браузера.Вращающаяся форма слева от вас
реальный java-апплет, а не анимированное изображение в формате GIF. Если модель не
visible, затем установите JAVA на свой компьютер.

Кристаллические структуры

Минеральные разновидности и другие структуры с данными кристаллической структуры с использованием
апплет jPOWD. Версия jmol находится
здесь.

Порошковая рентгеновская дифракция
Минеральные виды можно искать по D ₁ , D ₂ и D ₃ дифракционным расстоянием.

Новое
Дана Классификация
Минеральные породы по системе New Dana.

Strunz
Классификация
Минеральные породы по новым
Система Никель-Струнц (любезно предоставлена ​​Джимом Феррайоло).

Определяющая минералогия
Виды минералов по физическим и оптическим свойствам и по расчетной радиоактивности.

Список по алфавиту
Списки минеральных пород. В списках есть синонимы, быстрые ссылки на
произношение, изображения и формы кристаллов Java, происхождение имени и химический состав
формула.

А
B
C
D
E
F
грамм
ЧАС
я
J
K
L
M
N
О
п
Q
р
S
Т
U
V
W
Y
Икс
Z
Все

Справка
Темы
Обширные файлы справки
которые объясняют минералогические термины и другие особенности, используемые в веб-минерале.com, включая справку по названию минерала
Произношения и радиоактивность

Другие ссылки
Ссылки на другие сайты с минеральными данными.

Альтернативный поиск с использованием Google

Машинное обучение на Java ускоряет обработку изображений

За последние годы интерес к машинному обучению неуклонно рос. В частности, теперь предприятия используют машинное обучение для распознавания изображений в самых разных сценариях использования.Существуют приложения в автомобильной промышленности, здравоохранении, безопасности, розничной торговле, автоматическом отслеживании продуктов на складах, в сельском хозяйстве и сельском хозяйстве, распознавании продуктов питания и даже переводе в реальном времени путем наведения камеры вашего телефона. Благодаря машинному обучению и визуальному распознаванию машины могут обнаруживать рак и COVID-19 с помощью МРТ и компьютерной томографии.

Сегодня многие из этих решений в основном разрабатываются на Python с использованием открытых и проприетарных наборов инструментов машинного обучения, каждый со своими собственными API. Несмотря на популярность Java на предприятиях, нет никаких стандартов для разработки приложений машинного обучения на Java.JSR-381 был разработан для устранения этого пробела, предлагая разработчикам приложений Java набор стандартных, гибких и дружественных к Java API для приложений визуального распознавания (VisRec), таких как классификация изображений и обнаружение объектов. JSR-381 имеет несколько реализаций, которые полагаются на платформы машинного обучения, такие как TensorFlow, MXNet и DeepNetts. Одна из этих реализаций основана на Deep Java Library (DJL), библиотеке с открытым исходным кодом, разработанной Amazon для создания машинного обучения на Java. DJL предлагает хуки для популярных фреймворков машинного обучения, таких как TensorFlow, MXNet и PyTorch, путем объединения необходимых процедур обработки изображений, что делает его гибким и простым выбором для пользователей JSR-381.

В этой статье мы демонстрируем, как Java-разработчики могут использовать JSR-381 VisRec API для реализации классификации изображений или обнаружения объектов с помощью предварительно обученных моделей DJL менее чем в 10 строках кода. Мы также демонстрируем, как пользователи могут использовать предварительно обученные модели машинного обучения менее чем за 10 минут, на двух примерах. Давайте начнем!

Распознавание рукописных цифр с использованием предварительно обученной модели

Полезное приложение и пример визуального распознавания «привет, мир» — это распознавание рукописных цифр.Казалось бы, человеку легко распознать рукописные цифры. Благодаря способности обработки и взаимодействию визуальных подсистем и подсистем сопоставления с образцом в нашем мозгу, мы обычно можем правильно различить правильную цифру в небрежно написанном от руки документе. Однако эта, казалось бы, простая задача невероятно сложна для машины из-за множества возможных вариантов. Это хороший вариант использования машинного обучения, особенно визуального распознавания. В репозитории JSR 381 есть отличный пример, который использует JSR-381 VisRec API для правильного распознавания рукописных цифр.В этом примере сравниваются рукописные цифры с набором рукописных цифр MNIST, общедоступной базой данных, содержащей более 60К изображений. Прогнозирование того, что представляет собой изображение, называется классификацией изображений. В нашем примере рассматривается новое изображение и делается попытка определить вероятности того, что это за конкретная цифра.

Для этой задачи VisRec API предоставляет интерфейс ImageClassifier, который может быть специализирован для определенных классов Java для входных изображений с использованием общих параметров. Он также предоставляет метод classify (), который выполняет классификацию изображений и возвращает карту вероятностей классов для всех возможных классов изображений.По соглашению в API VisRec каждая модель предоставляет статический метод builder (), который возвращает соответствующий объект построителя и позволяет разработчику настраивать все соответствующие параметры, например imageHeight, imageWidth.

Чтобы определить классификатор изображений для нашего примера рукописных цифр, вы настраиваете обработку ввода с помощью inputClass (BufferedImage.class). При этом вы указываете класс, который используется для представления изображения. Вы используете imageHeight (28) и mageWidth (28) , чтобы изменить размер входного изображения в форму 28×28, поскольку это был исходный размер, который использовался для обучения модели.

После создания объекта классификатора подайте входное изображение в классификатор, чтобы распознать изображение.

AWS

Выполнение этого кода дает следующий результат.

AWS

Модель определяет пять возможных вариантов цифры, встроенной в изображение, с соответствующими вероятностями для каждого варианта. Классификатор правильно предсказывает, что основная цифра равна 0 с подавляющей вероятностью 99,98%

Одним из очевидных обобщений этого случая является вопрос о том, что делать, когда вам нужно обнаружить разные объекты на одном и том же изображении?

Распознавание объектов с помощью предварительно обученной модели Single Shot Detector (SSD)

Single Shot Detector (SSD) — это механизм, который обнаруживает объекты на изображениях с помощью одной глубокой нейронной сети.В этом примере вы распознаете объекты на изображении с помощью предварительно обученной модели SSD. Обнаружение объектов — более сложная задача визуального распознавания. Помимо классификации объектов на изображениях, обнаружение объектов также определяет расположение объектов на изображении. Он также может рисовать ограничивающую рамку вокруг каждого интересующего объекта вместе с меткой класса (текстовой).

Механизм SSD — это недавняя разработка в области машинного обучения, которая обнаруживает объекты на удивление быстро, сохраняя при этом точность по сравнению с моделями с более интенсивными вычислениями.Вы можете узнать больше о модели SSD из сообщения блога Understanding SSD MultiBox — Real-Time Object Detection In Deep Learning и из этого упражнения в книге Dive into Deep Learning.

Благодаря реализации JSR-381 в DJL пользователи получают доступ к предварительно обученной реализации модели SSD, готовой к немедленному использованию. DJL использует ModelZoo для упрощения развертывания моделей. В следующем блоке кода вы загружаете предварительно обученную модель с помощью ModelZoo.loadModel (), создаете экземпляр класса детектора объектов и применяете эту модель к образцу изображения.

AWS

Вот новый образ, который мы можем использовать.

AWS

Запуск нашего кода на этом изображении дает следующий результат:

AWS

Если вы хотите добавить ограничивающие рамки вокруг каждого обнаруженного объекта на изображение, вы можете сделать это с помощью всего лишь нескольких дополнительных строк кода. Для получения дополнительной информации см. Полный пример GitHub. Модель классифицирует три интересующих объекта (велосипед, автомобиль и собака), рисует ограничивающую рамку вокруг каждого и обеспечивает уровень достоверности, отраженный вероятностями.

AWS

Что дальше?

В этом посте мы лишь поцарапали поверхность того, что вы можете сделать с реализацией DJL API JSR-381. Вы можете изучить и реализовать гораздо больше моделей с помощью репозитория предварительно обученных моделей в ModelZoo или добавить свою собственную модель.

Мы также приглашаем вас ознакомиться с DJL, библиотекой с открытым исходным кодом, созданной Java-разработчиками в Amazon для сообщества Java. Мы попытались упростить разработку и развертывание машинного обучения на Java.Присоединяйтесь к нам в нашей миссии.

Существует множество вариантов использования DJL: вы можете разработать приложение для ответов на вопросы для обслуживания клиентов, реализовать оценку поз для своих поз йоги или обучить свою собственную модель обнаружению злоумышленников на заднем дворе. Наш стартовый комплект Spring Boot также упрощает интеграцию машинного обучения с вашими приложениями Spring Boot. Вы можете узнать больше о DJL в нашем вводном блоге, на веб-сайте и в репозитории примеров. Перейдите в наш репозиторий Github и сотрудничайте с нами на нашем канале Slack.

Copyright © 2020 IDG Communications, Inc.

Руководство по классификации изображений: модели обучения — Машинное обучение Azure

• 26.04.2021
• 14 минут на чтение

В этой статье

В этом руководстве вы обучаете модель машинного обучения на удаленных вычислительных ресурсах.Вы будете использовать рабочий процесс обучения и развертывания для машинного обучения Azure в записной книжке Python Jupyter. Затем вы можете использовать записную книжку в качестве шаблона для обучения собственной модели машинного обучения с вашими собственными данными. Этот учебник является первой частью серии руководств , состоящей из двух частей.

В этом руководстве обучается простая логистическая регрессия с использованием набора данных MNIST и scikit-learn с машинным обучением Azure. MNIST — популярный набор данных, состоящий из 70 000 изображений в оттенках серого. Каждое изображение представляет собой рукописную цифру размером 28 x 28 пикселей, представляющую число от нуля до девяти.Цель состоит в том, чтобы создать мульти-классификатор, чтобы идентифицировать цифру, которую представляет данное изображение.

Узнайте, как выполнять следующие действия:

• Настройте среду разработки.
• Получите доступ к данным и изучите их.
• Обучите простую модель логистической регрессии на удаленном кластере.
• Просмотрите результаты обучения и зарегистрируйте лучшую модель.

Вы узнаете, как выбрать модель и развернуть ее во второй части этого руководства.

Если у вас нет подписки Azure, прежде чем начать, создайте бесплатную учетную запись.Попробуйте бесплатную или платную версию Машинного обучения Azure уже сегодня.

Предварительные требования

Запуск записной книжки на рабочем месте

Машинное обучение Azure включает облачный сервер записной книжки в вашу рабочую область, чтобы его можно было не устанавливать и предварительно настроить. Используйте свою собственную среду, если вы предпочитаете контролировать свою среду, пакеты и зависимости.

Следуйте инструкциям по этому видео или используйте подробные инструкции по клонированию и запуску учебной записной книжки из рабочего пространства.

Клонирование папки блокнота

Вы выполните следующую настройку эксперимента и выполните шаги в студии машинного обучения Azure. Этот консолидированный интерфейс включает инструменты машинного обучения для выполнения сценариев науки о данных для специалистов-практиков в области науки о данных всех уровней квалификации.

1. Войдите в студию машинного обучения Azure.

2. Выберите свою подписку и созданное вами рабочее пространство.

3. Слева выберите Notebooks .

4. Вверху выберите вкладку Samples .

5. Откройте папку Python .

6. Откройте папку с номером версии. Этот номер представляет текущий выпуск Python SDK.

7. Нажмите кнопку … справа от папки обучающих программ , а затем выберите Клонировать .

8. Список папок показывает каждого пользователя, имеющего доступ к рабочей области.Выберите свою папку, чтобы клонировать в нее папку обучающих программ .

Откройте клонированный блокнот

1. Откройте папку обучающих программ , которая была клонирована в ваш раздел Пользовательские файлы .

   Важно

   Вы можете просматривать записные книжки в папке samples , но вы не можете запустить записную книжку оттуда. Чтобы запустить записную книжку, убедитесь, что вы открыли клонированную версию записной книжки в разделе User Files .

2. Выберите файл img-Classification-part1-training.ipynb в папке tutorials / image-Classification-mnist-data .

3. На верхней панели выберите вычислительный экземпляр, который будет использоваться для запуска записной книжки.

Учебное пособие и сопровождающий его файл utils.py также доступны на GitHub, если вы хотите использовать его в своей локальной среде. Если вы не используете вычислительный экземпляр, запустите pip install azureml-sdk [notebooks] azureml-opendatasets matplotlib , чтобы установить зависимости для этого руководства.

Важно

Остальная часть этой статьи содержит то же содержание, что и в записной книжке.

Переключитесь на Jupyter Notebook прямо сейчас, если хотите читать во время выполнения кода.
Чтобы запустить одну ячейку кода в записной книжке, щелкните ячейку кода и нажмите Shift + Enter . Или запустите всю записную книжку, выбрав Запустить все на верхней панели инструментов.

Настройте среду разработки

Все настройки для вашей разработки могут быть выполнены в записной книжке Python.Настройка включает в себя следующие действия:

• Импорт пакетов Python.
• Подключитесь к рабочей области, чтобы ваш локальный компьютер мог связываться с удаленными ресурсами.
• Создайте эксперимент для отслеживания всех ваших пробежек.
• Создайте целевой объект удаленных вычислений, который будет использоваться для обучения.

Импортные пакеты

Импортируйте пакеты Python, которые вам нужны в этом сеансе. Также отобразите версию пакета SDK для машинного обучения Azure:

.

 % matplotlib inline
импортировать numpy как np
import matplotlib.pyplot как plt

импортировать azureml.core
из azureml.core import Workspace

# проверить номер версии основного SDK
print ("Версия пакета SDK для Azure ML:", azureml.core.VERSION)
  

Подключиться к рабочему пространству

Создайте объект рабочего пространства из существующего рабочего пространства. Workspace.from_config () читает файл config.json и загружает детали в объект с именем ws . У вычислительного экземпляра есть копия этого файла, сохраненная в его корневом каталоге. Если вы запустите код в другом месте, вам нужно будет создать файл.

  # загрузить конфигурацию рабочего пространства из файла config.json в текущую папку.
ws = Workspace.from_config ()
print (ws.name, ws.location, ws.resource_group, sep = '\ t')
  

Примечание

Вас могут попросить пройти аутентификацию в вашем рабочем пространстве при первом запуске следующего кода. Следуйте инструкциям на экране.

Создать эксперимент

Создайте эксперимент для отслеживания пробежек в вашем рабочем пространстве. В рабочем пространстве может быть несколько экспериментов:

  от azureml.основной эксперимент по импорту
эксперимент_name = 'Учебник-sklearn-mnist'

exp = эксперимент (рабочая область = ws, name = имя_эксперимента)
  

Создать или присоединить существующую цель вычислений

Используя Azure Machine Learning Compute, управляемую службу, специалисты по данным могут обучать модели машинного обучения на кластерах виртуальных машин Azure. Примеры включают виртуальные машины с поддержкой графического процессора. В этом руководстве вы создадите вычислительную среду машинного обучения Azure в качестве учебной среды. Вы отправите код Python для запуска на этой виртуальной машине позже в руководстве.

Приведенный ниже код создает для вас вычислительные кластеры, если они еще не существуют в вашей рабочей области. Он устанавливает кластер, который будет масштабироваться до 0, когда он не используется, и может масштабироваться максимум до 4 узлов.

Создание целевого объекта вычислений занимает около пяти минут. Если вычислительный ресурс уже находится в рабочей области, код использует его и пропускает процесс создания.

Подсказка

Если вы создали вычислительный кластер в кратком руководстве, убедитесь, что имя_компьютера в приведенном ниже коде использует то же имя.

  из azureml.core.compute import AmlCompute
из azureml.core.compute import ComputeTarget
импорт ОС

# выберите имя для вашего кластера
compute_name = os.environ.get ("AML_COMPUTE_CLUSTER_NAME", "cpu-cluster")
compute_min_nodes = os.environ.get ("AML_COMPUTE_CLUSTER_MIN_NODES", 0)
compute_max_nodes = os.environ.get ("AML_COMPUTE_CLUSTER_MAX_NODES", 4)

# В этом примере используется ЦП ВМ. Для использования виртуальной машины с графическим процессором установите для SKU значение STANDARD_NC6.
vm_size = os.environ.get ("AML_COMPUTE_CLUSTER_SKU", "STANDARD_D2_V2")


если compute_name в ws.compute_targets:
    compute_target = ws.compute_targets [compute_name]
    если compute_target и тип (compute_target) - AmlCompute:
        print ('найден целевой объект вычислений. Просто используйте его.' + compute_name)
еще:
    print ('создание новой цели вычислений ...')
    provisioning_config = AmlCompute.provisioning_configuration (vm_size = vm_size,
                                                                min_nodes = compute_min_nodes,
                                                                max_nodes = compute_max_nodes)

    # создать кластер
    compute_target = ComputeTarget.Создайте(
        ws, compute_name, provisioning_config)

    # может опрашивать минимальное количество узлов и определенный тайм-аут.
    # если минимальное количество узлов не указано, будут использоваться настройки масштаба для кластера
    compute_target.wait_for_completion (
        show_output = True, min_node_count = None, timeout_in_minutes = 20)

    # Для более подробного просмотра текущего статуса AmlCompute используйте get_status ()
    печать (compute_target.get_status (). serialize ())
  

Теперь у вас есть необходимые пакеты и вычислительные ресурсы для обучения модели в облаке.

Изучить данные

Перед обучением модели вам необходимо понять, какие данные вы используете для ее обучения. В этом разделе вы узнаете, как:

• Загрузите набор данных MNIST.
• Покажите несколько примеров изображений.

Загрузить набор данных MNIST

Используйте открытые наборы данных Azure для получения файлов необработанных данных MNIST. Открытые наборы данных Azure — это тщательно отобранные общедоступные наборы данных, которые можно использовать для добавления специфичных для сценария функций в решения машинного обучения для получения более точных моделей.Каждый набор данных имеет соответствующий класс, в данном случае MNIST , для получения данных различными способами.

Этот код извлекает данные как объект FileDataset , который является подклассом Dataset . FileDataset ссылается на один или несколько файлов любого формата в ваших хранилищах данных или общедоступных URL-адресах. Класс предоставляет вам возможность загружать или подключать файлы к вашему вычислению, создавая ссылку на расположение источника данных. Кроме того, вы регистрируете набор данных в своем рабочем пространстве для легкого извлечения во время обучения.

Следуйте инструкциям, чтобы узнать больше о наборах данных и их использовании в SDK.

  из набора данных импорта azureml.core
из azureml.opendatasets импортировать MNIST

data_folder = os.path.join (os.getcwd (), 'данные')
os.makedirs (data_folder, exist_ok = True)

mnist_file_dataset = MNIST.get_file_dataset ()
mnist_file_dataset.download (папка_данных, перезапись = True)

mnist_file_dataset = mnist_file_dataset.register (рабочая область = ws,
                                                 name = 'mnist_opendataset',
                                                 description = 'обучающий и тестовый набор данных',
                                                 create_new_version = True)
  

Показать несколько примеров изображений

Загрузите сжатые файлы в массивы numpy .Затем используйте matplotlib для построения 30 случайных изображений из набора данных с их метками над ними. Для этого шага требуется функция load_data , которая включена в файл utils.py . Этот файл находится в папке с образцами. Убедитесь, что он находится в той же папке, что и этот блокнот. Функция load_data просто разбирает сжатые файлы в несколько массивов.

  # убедитесь, что utils.py находится в том же каталоге, что и этот код
из утилит import load_data
импортный глобус


# обратите внимание, что мы также уменьшаем значения интенсивности (X) с 0-255 до 0-1.Это помогает модели быстрее сходиться.
X_train = load_data (glob.glob (os.path.join (data_folder, "** / train-images-idx3-ubyte.gz"), рекурсивный = True) [0], False) / 255,0
X_test = load_data (glob.glob (os.path.join (data_folder, "** / t10k-images-idx3-ubyte.gz"), рекурсивный = True) [0], False) / 255.0
y_train = load_data (glob.glob (os.path.join (data_folder, "** / train-labels-idx1-ubyte.gz"), рекурсивный = True) [0], True) .reshape (-1)
y_test = load_data (glob.glob (os.path.join (data_folder, "** / t10k-labels-idx1-ubyte.gz"), рекурсивный = True) [0], True).изменить форму (-1)


# теперь давайте покажем несколько случайно выбранных изображений из обучающего набора.
count = 0
sample_size = 30
plt.figure (figsize = (16, 6))
для i в np.random.permutation (X_train.shape [0]) [: sample_size]:
    count = count + 1
    plt.subplot (1, размер_элемента, количество)
    plt.axhline ('')
    plt.axvline ('')
    plt.text (x = 10, y = -10, s = y_train [i], fontsize = 18)
    plt.imshow (X_train [i] .reshape (28, 28), cmap = plt.cm.Greys)
plt.show ()
  

Отображается случайная выборка изображений:

Теперь у вас есть представление о том, как выглядят эти изображения и ожидаемый результат прогноза.

Обучить на удаленном кластере

Для этой задачи вы отправляете задание на выполнение в кластере удаленного обучения, который вы настроили ранее. Чтобы отправить вакансию вам:

• Создать каталог
• Создать сценарий обучения
• Создать конфигурацию запуска сценария
• Отправить вакансию

Создать каталог

Создайте каталог для доставки необходимого кода с вашего компьютера на удаленный ресурс.

  импорт ОС
script_folder = os.path.join (os.getcwd (), "sklearn-mnist")
os.makedirs (script_folder, exist_ok = True)
  

Создать сценарий обучения

Чтобы отправить задание в кластер, сначала создайте сценарий обучения. Выполните следующий код, чтобы создать обучающий сценарий с именем train.py в только что созданном каталоге.

  %% writefile $ script_folder / train.py

import argparse
импорт ОС
импортировать numpy как np
импортный глобус

из sklearn.linear_model import LogisticRegression
импорт joblib

из azureml.основной импорт Выполнить
из утилит import load_data

# разрешить пользователю вводить 2 параметра: набор данных для монтирования или загрузки и скорость регуляризации модели логистической регрессии
parser = argparse.ArgumentParser ()
parser.add_argument ('- папка данных', type = str, dest = 'папка_данных', help = 'точка подключения папки данных')
parser.add_argument ('- регуляризация', type = float, dest = 'reg', по умолчанию = 0,01, help = 'скорость регуляризации')
args = parser.parse_args ()

data_folder = args.data_folder
print ('Папка данных:', папка_данных)

# загружаем поезд и набор тестов в массивы numpy
# обратите внимание, что мы масштабируем значения яркости пикселей до 0-1 (разделив его на 255.0), чтобы модель могла сойтись быстрее.
X_train = load_data (glob.glob (os.path.join (data_folder, '** / train-images-idx3-ubyte.gz'), recursive = True) [0], False) / 255,0
X_test = load_data (glob.glob (os.path.join (data_folder, '** / t10k-images-idx3-ubyte.gz'), recursive = True) [0], False) / 255.0
y_train = load_data (glob.glob (os.path.join (data_folder, '** / train-labels-idx1-ubyte.gz'), recursive = True) [0], True) .reshape (-1)
y_test = load_data (glob.glob (os.path.join (data_folder, '** / t10k-labels-idx1-ubyte.gz'), recursive = True) [0], True).изменить форму (-1)

print (X_train.shape, y_train.shape, X_test.shape, y_test.shape, sep = '\ n')

# получить текущий запуск
run = Run.get_context ()

print ('Обучите модель логистической регрессии со скоростью регуляризации', args.reg)
clf = LogisticRegression (C = 1.0 / args.reg, solver = "liblinear", multi_class = "auto", random_state = 42)
clf.fit (X_train, y_train)

print ('Предсказать набор тестов')
y_hat = clf.predict (X_test)

# вычисляем точность прогноза
acc = np.average (y_hat == y_test)
print ('Точность', соотв.)

запустить.log ('уровень регуляризации', np.float (args.reg))
run.log ('точность', np.float (согласно))

os.makedirs ('выходы', exist_ok = True)
# файл заметки, сохраненный в папке выходов, автоматически загружается в запись эксперимента
joblib.dump (значение = clf, filename = 'output / sklearn_mnist_model.pkl')
  

Обратите внимание, как скрипт получает данные и сохраняет модели:

• Сценарий обучения считывает аргумент, чтобы найти каталог, содержащий данные. Когда вы отправляете задание позже, вы указываете на хранилище данных для этого аргумента:
  парсер.add_argument ('- папка данных', type = str, dest = 'папка_данных', help = 'точка подключения каталога данных')

• Сценарий обучения сохраняет вашу модель в каталоге с именем , выводит . Все, что написано в этом каталоге, автоматически загружается в ваше рабочее пространство. Вы получите доступ к своей модели из этого каталога позже в руководстве. joblib.dump (значение = clf, filename = 'output / sklearn_mnist_model.pkl')

• Для обучающего скрипта требуется файл utils.py , чтобы правильно загрузить набор данных. Следующий код копирует utils.py в script_folder , чтобы к файлу можно было получить доступ вместе со сценарием обучения на удаленном ресурсе.

    импортный шутил
  shutil.copy ('utils.py', папка_скрипта)
    

Настройка задания на обучение

Создайте объект ScriptRunConfig, чтобы указать детали конфигурации вашего учебного задания, включая ваш обучающий сценарий, среду, которую нужно использовать, и цель вычислений, в которой нужно запускать.Настройте ScriptRunConfig, указав:

• Каталог, содержащий ваши сценарии. Все файлы в этом каталоге загружаются в узлы кластера для выполнения.
• Целевой объект вычислений. В этом случае вы используете созданный вами вычислительный кластер Машинного обучения Azure.
• Имя обучающего скрипта, train.py .
• Среда, содержащая библиотеки, необходимые для запуска сценария.
• Аргументы, необходимые для обучающего сценария.

В этом руководстве целью является AmlCompute. Все файлы в папке сценария загружаются в узлы кластера для запуска. —data_folder настроен на использование набора данных.

Сначала создайте среду, которая содержит: библиотеку scikit-learn, azureml-dataset-runtime, необходимую для доступа к набору данных, и azureml-defaults, которая содержит зависимости для метрик ведения журнала. Azureml-defaults также содержит зависимости, необходимые для развертывания модели как веб-службы позже, во второй части руководства.

После того, как среда определена, зарегистрируйте ее в рабочей области, чтобы повторно использовать ее в части 2 руководства.

  из azureml.core.environment import Environment
из azureml.core.conda_dependencies импорт CondaDependencies

# для установки необходимых пакетов
env = Среда ('учебник-env')
cd = CondaDependencies.create (pip_packages = ['azureml-dataset-runtime [pandas, fuse]', 'azureml-defaults'], conda_packages = ['scikit-learn == 0.22.1'])

env.python.conda_dependencies = cd

# Зарегистрируйте среду для повторного использования позже
окр.зарегистрироваться (рабочая область = ws)
  

Затем создайте ScriptRunConfig, указав обучающий сценарий, цель вычисления и среду.

  из azureml.core импорт ScriptRunConfig

args = ['--data-folder', mnist_file_dataset.as_mount (), '--regularization', 0,5]

src = ScriptRunConfig (source_directory = script_folder,
                      script = 'train.py',
                      аргументы = аргументы,
                      compute_target = compute_target,
                      среда = env)
  

Отправить задание в кластер

Запустите эксперимент, отправив объект ScriptRunConfig:

  пробег = эксп.отправить (config = src)
запустить
  

Поскольку вызов является асинхронным, он возвращает состояние Подготовка или Выполняется сразу после запуска задания.

Мониторинг удаленного запуска

Всего первый запуск занимает около 10 минут . Но для последующих запусков, пока зависимости сценария не изменяются, то же изображение используется повторно. Таким образом, время запуска контейнера намного быстрее.

Что происходит, пока вы ждете:

• Создание образа : создается образ Docker, соответствующий среде Python, заданной средой Azure ML.Изображение загружено в рабочую область. Создание и загрузка изображения занимает около пяти минут .

  Этот этап выполняется один раз для каждой среды Python, поскольку контейнер кэшируется для последующих запусков. Во время создания образа журналы передаются в журнал запусков. Вы можете отслеживать процесс создания образа с помощью этих журналов.

• Масштабирование : Если удаленному кластеру требуется больше узлов для выполнения, чем доступно в настоящее время, дополнительные узлы добавляются автоматически.Масштабирование обычно занимает около пяти минут.

• Запуск : На этом этапе необходимые сценарии и файлы отправляются в целевой объект вычислений. Затем подключаются или копируются хранилища данных. Затем запускается entry_script . Во время выполнения задания stdout и каталог ./logs передаются в журнал выполнения. Вы можете отслеживать ход выполнения с помощью этих журналов.

• Постобработка : .Каталог / output цикла копируется в историю запусков в вашей рабочей области, поэтому вы можете получить доступ к этим результатам.

Проверить ход выполнения задания можно несколькими способами. В этом руководстве используется виджет Jupyter и метод wait_for_completion .

Виджет Jupyter

Наблюдайте за ходом выполнения с помощью виджета Jupyter. Как и отправка запуска, виджет является асинхронным и предоставляет обновления в реальном времени каждые 10–15 секунд до завершения задания:

  от azureml.виджеты импортируют RunDetails
RunDetails (запустить) .show ()
  

В конце обучения виджет будет выглядеть следующим образом:

Если вам нужно отменить запуск, вы можете следовать этим инструкциям.

Получить результаты журнала по завершении

Обучение и мониторинг модели происходят в фоновом режиме. Подождите, пока модель завершит обучение, прежде чем запускать новый код. Используйте wait_for_completion , чтобы показать, когда обучение модели завершено:

  пробег.wait_for_completion (show_output = False) # укажите True для подробного журнала
  

Показать результаты выполнения

Теперь у вас есть модель, обученная на удаленном кластере. Получить точность модели:

  печать (run.get_metrics ())
  

Выходные данные показывают, что удаленная модель имеет точность 0,9204:

.

{'уровень регуляризации': 0,8, 'точность': 0,9204}

В следующем руководстве вы исследуете эту модель более подробно.

Регистровая модель

На последнем этапе обучающего скрипта записан файл output / sklearn_mnist_model.pkl в каталоге с именем выводит в виртуальной машине кластера, где выполняется задание. выводит — это специальный каталог, в котором все содержимое этого каталога автоматически загружается в вашу рабочую область. Это содержимое отображается в записи запуска эксперимента в вашей рабочей области. Таким образом, файл модели теперь также доступен в вашем рабочем пространстве.

Вы можете увидеть файлы, связанные с этим запуском:

  печать (run.get_file_names ())
  

Зарегистрируйте модель в рабочей области, чтобы вы или другие соавторы могли позже запросить, изучить и развернуть эту модель:

  # модель регистра
модель = запустить.register_model (model_name = 'sklearn_mnist',
                           model_path = 'выходы / sklearn_mnist_model.pkl')
print (имя модели, идентификатор модели, версия модели, sep = '\ t')
  

Очистить ресурсы

Важно

Созданные ресурсы можно использовать в качестве предварительных условий для других руководств по машинному обучению Azure и статей с практическими рекомендациями.

Если вы не планируете использовать какие-либо из созданных вами ресурсов, удалите их, чтобы не платить за вас:

1. На портале Azure выберите Группы ресурсов в крайнем левом углу.

2. Из списка выберите созданную вами группу ресурсов.

3. Выберите Удалить группу ресурсов .

4. Введите имя группы ресурсов. Затем выберите Удалить .

Вы также можете удалить только вычислительный кластер машинного обучения Azure. Однако автомасштабирование включено, и минимум кластера равен нулю. Таким образом, этот конкретный ресурс не требует дополнительных затрат на вычисления, когда он не используется:

  # При необходимости удалите вычислительный кластер машинного обучения Azure
compute_target.Удалить()
  

Следующие шаги

В этом руководстве по машинному обучению Azure вы использовали Python для следующих задач:

• Настройте среду разработки.
• Получите доступ к данным и изучите их.
• Обучите несколько моделей в удаленном кластере с помощью популярной библиотеки машинного обучения scikit-learn
• Просмотрите подробности обучения и зарегистрируйте лучшую модель.

Вы готовы развернуть эту зарегистрированную модель, следуя инструкциям в следующей части серии руководств:

К сожалению, запрошенная страница не найдена.

Image Resolution Enhancer — IBM Developer

Обзор

Эта модель может масштабировать пиксельное изображение в 4 раза, создавая фотореалистичные детали.Основой этой нейронной сети является генерирующая состязательная сеть (GAN), обученная на 600000 изображений набора данных OpenImages V4.

Сеть GAN основана на репозитории SRGAN-tensorflow GitHub и этой исследовательской статье.

Бенчмарк

Производительность этой реализации оценивалась на трех наборах данных: Set5, Set14 и BSD100.
Были оценены показатели PSNR (пиковое отношение сигнала к шуму) и SSIM (индекс структурного сходства), хотя в статье обсуждается
MOS (средняя оценка мнения) как наиболее благоприятный показатель. По сути, реализация SRGAN обменивает лучший показатель PSNR или SSIM на результат, более привлекательный для человеческого глаза. Это приводит к набору выходных изображений с более четкими и реалистичными деталями.

ПРИМЕЧАНИЕ: SRGAN в этой статье был обучен на 350k образцах ImageNet, тогда как этот SRGAN был обучен на 600k изображениях OpenImages V4.

Список литературы

• К. Ледиг, Л. Тайс, Ф. Хусар, Дж. Кабальеро, А. Каннингем, А. Акоста, А. Айткен, А. Теджани, Дж. Тотц, З. Ван, В. Ши , фото- Реалистичное одиночное изображение со сверхвысоким разрешением с использованием генерирующей состязательной сети, ArXiv, 2017.
• SRGAN-tensorflow (исходный код модели)
• tensorflow-SRGAN

Лицензии

Варианты, доступные для развертывания этой модели

Данная модель может быть развернута с использованием следующих механизмов:

• Развертывание из Dockerhub:

    docker run -it -p 5000: 5000 codait / max-image-resolution -hancer
    

  Показать ещеПоказать еще значок

• Развертывание в Red Hat OpenShift:

  Следуйте инструкциям для веб-консоли OpenShift или интерфейса командной строки OpenShift Container Platform в этом руководстве и укажите codait / max-image-resolution -hancer в качестве имени образа.

• Развернуть в Kubernetes:

    kubectl apply -f https://raw.githubusercontent.com/IBM/MAX-Image-Resolution-Enhancer/master/max-image-resolution-enhancer.yaml
    

  Показать ещеПоказать еще значок

  Более подробное руководство по развертыванию этой модели MAX для производства в IBM Cloud можно найти здесь.

• Локально: следуйте инструкциям модели README на GitHub

Пример использования

Вы можете протестировать или использовать эту модель, используя cURL

Протестируйте модель с помощью cURL

Используйте конечную точку модель / прогноз для загрузки тестового изображения (вы можете использовать одно из тестовых изображений из папки assets / test_examples / low_resolution ), чтобы получить возвращаемое выходное изображение с высоким разрешением.

После развертывания вы можете протестировать модель из командной строки. Например:

  curl -F "image=@samples/test_examples/low_resolution/food.png" -XPOST http: // localhost: 5000 / model / pred> food_high_res.png
  

Показать ещеПоказать еще значок

Приведенная выше команда отправит в модель файл food.png с низким разрешением и сохранит выходное изображение с высоким разрешением в файл food_high_res.png в корневом каталоге.

Идеальным входным изображением является файл PNG с разрешением от 100 × 100 до 500 × 500, желательно без какой-либо обработки после захвата и ярких цветов.Модель способна генерировать детали из пиксельного изображения (низкий DPI), но не может исправить «размытое» изображение.

Слева: исходное изображение (128 × 80). Справа: выходное изображение (512 × 320)

Ресурсы и взносы

Если вы заинтересованы в участии в проекте Model Asset Exchange или у вас есть какие-либо вопросы, следуйте инструкциям здесь.

awslabs / multi-model-server: Multi-Model Server — это инструмент для обслуживания моделей нейронных сетей для вывода

Multi Model Server (MMS) — это гибкий и простой в использовании инструмент для обслуживания моделей глубокого обучения, обученных с использованием любой инфраструктуры ML / DL.

Используйте интерфейс командной строки сервера MMS или предварительно настроенные образы Docker, чтобы запустить службу, которая настраивает конечные точки HTTP для обработки запросов на вывод модели.

Краткий обзор и примеры подачи и упаковки приведены ниже.Подробная документация и примеры представлены в папке docs.

Присоединяйтесь к нашему каналу Slack, чтобы связаться с командой разработчиков, задать вопросы, узнать, что готовят, и многое другое!

Содержание этого документа

Другие соответствующие документы

Быстрый старт

Предварительные требования

Прежде чем продолжить работу с этим документом, убедитесь, что у вас есть следующие предварительные условия.

1. Ubuntu, CentOS или macOS. Поддержка Windows экспериментальная.Следующие инструкции относятся только к Linux и macOS.

2. Python — многомодельный сервер требует python для запуска рабочих процессов.

3. pip — Pip — это система управления пакетами Python.

4. Java 8 — Multi Model Server требует для запуска Java 8. У вас есть следующие варианты установки Java 8:

   Для Ubuntu:

    sudo apt-get install openjdk-8-jre-headless 

   Для CentOS:

    sudo yum install java-1.8.0-openjdk 

   Для macOS:

    кран для домашнего пивоварения / бочонка
   варить обновление
   заваривать бочонок установить accepttopenjdk8 

Установка многомодельного сервера с pip

Настройка

Шаг 1: Настройка виртуальной среды

Мы рекомендуем установить и запустить Multi Model Server в виртуальной среде. Рекомендуется запускать и устанавливать все зависимости Python в виртуальных средах. Это обеспечит изоляцию зависимостей и упростит управление зависимостями.

Один из вариантов — использовать Virtualenv. Это используется для создания виртуальных сред Python. Вы можете установить и активировать virtualenv для Python 2.7 следующим образом:

Затем создайте виртуальную среду:

 # Предполагая, что мы хотим запустить python2.7 в /usr/local/bin/python2.7
virtualenv -p /usr/local/bin/python2.7 / tmp / pyenv2
# Войдите в эту виртуальную среду следующим образом
источник / tmp / pyenv2 / bin / активировать 

Обратитесь к документации Virtualenv для получения дополнительной информации.

Шаг 2: Установите MXNet
MMS не устанавливает движок MXNet по умолчанию.Если он еще не установлен в вашей виртуальной среде, вы должны установить один из пакетов MXNet pip.

Для вывода ЦП рекомендуется mxnet-mkl . Установите его следующим образом:

 # Рекомендуется для запуска Multi Model Server на хостах ЦП
pip install mxnet-mkl 

Для вывода на GPU рекомендуется mxnet-cu92mkl . Установите его следующим образом:

 # Рекомендуется для запуска Multi Model Server на хостах GPU
pip install mxnet-cu92mkl 

Шаг 3: Установите или обновите MMS следующим образом:

 # Установить последнюю выпущенную версию multi-model-server
pip install multi-model-server 

Для обновления предыдущей версии multi-model-server см. Справочный документ по миграции.

Примечания:

• Минимальная версия архиватора моделей будет установлена ​​с MMS в качестве зависимости. См. Модель-архиватор для получения дополнительных опций и деталей.
• Дополнительные параметры и способы устранения неполадок см. На странице расширенной установки.

Подавать модель

После установки вы можете очень быстро запустить и запустить сервер модели MMS. Попробуйте --help , чтобы увидеть все доступные параметры интерфейса командной строки.

 многомодельный сервер - справка 

В этом кратком руководстве мы пропустим большинство функций, но обязательно просмотрите полную документацию по серверу, когда будете готовы.

Вот простой пример обслуживания модели классификации объектов:

 многомодельный сервер --start --models squeezenet = https: //s3.amazonaws.com/model-server/model_archive_1.0/squeezenet_v1.1.mar 

Выполнив приведенную выше команду, на вашем хосте будет запущено MMS, которое прислушивается к запросам логического вывода. Обратите внимание, что если вы укажете модель (ы) во время запуска MMS — она ​​автоматически масштабирует backend worker до количества, равного доступным vCPU (если вы работаете на экземпляре CPU) или количеству доступных GPU (если вы работаете на GPU). пример).В случае мощных хостов с большим количеством вычислительных ресурсов (виртуальных ЦП или графических процессоров) этот запуск и процесс автомасштабирования могут занять значительное время. Если вы хотите минимизировать время запуска MMS, вы можете попытаться избежать регистрации и масштабирования модели во время запуска и перенести это на более поздний этап, используя соответствующие вызовы Management API (это позволяет более точно контролировать количество ресурсов, выделенных для любая конкретная модель).

Чтобы проверить это, вы можете открыть новое окно терминала рядом с тем, в котором запущено MMS.Затем вы можете использовать curl , чтобы загрузить одну из этих милых картинок с котенком, и флаг curl -o назовет его за вас kitten.jpg . Затем вы выполните curl a POST в конечную точку прогноза MMS с изображением котенка.

В приведенном ниже примере мы предоставляем ярлык для этих шагов.

 завиток -O https://s3.amazonaws.com/model-server/inputs/kitten.jpg
curl -X POST http://127.0.0.1:8080/predictions/squeezenet -T kitten.jpg 

Конечная точка прогнозирования вернет ответ прогнозирования в формате JSON. Это будет выглядеть примерно так:

 [
  {
    "вероятность": 0,85822325944,
    "class": "n02124075 Египетская кошка"
  },
  {
    «вероятность»: 0,09159987419843674,
    "class": "n02123045 полосатый кот, полосатый кот"
  },
  {
    «вероятность»: 0,0374876894056797,
    "класс": "n02123159 тигровый кот"
  },
  {
    "вероятность": 0,006165083032101393,
    "класс": "n02128385 леопард, Panthera pardus"
  },
  {
    «вероятность»: 0.0031716004014015198,
    "класс": "n02127052 рысь, катамаунт"
  }
] 

Вы увидите этот результат в ответе на ваш вызов curl к конечной точке прогнозирования и в журналах сервера в окне терминала, в котором запущено MMS. Он также регистрируется локально с метриками.

Другие модели можно загрузить из зоопарка моделей, так что попробуйте некоторые из них.

Теперь вы увидели, насколько легко можно использовать модель глубокого обучения с помощью MMS! Хочешь узнать больше?

Остановка работающей модели сервера

Чтобы остановить текущий работающий экземпляр модели-сервера, выполните следующую команду:

 $ многомодельный сервер - остановка 

Вы увидите вывод, указывающий, что сервер с несколькими моделями остановлен.

Создание архива модели

MMS позволяет упаковать все артефакты модели в единый архив модели. Это упрощает совместное использование и развертывание ваших моделей.
Чтобы упаковать модель, ознакомьтесь с документацией архиватора моделей

.

Рекомендуемые производственные развертывания

• MMS не поддерживает аутентификацию. У вас должен быть собственный прокси-сервер аутентификации перед MMS.
• MMS не имеет троттлинга, уязвим для DDoS-атак. Рекомендуется запускать MMS через брандмауэр.
• MMS по умолчанию разрешает доступ только к локальному хосту, подробности см. В разделе «Конфигурация сети».
• SSL не включен по умолчанию, подробности см. В разделе «Включение SSL».
• MMS использует файл config.properties для настройки поведения MMS. Подробные сведения о настройке MMS см. На странице «Управление MMS».
• Для большей безопасности мы рекомендуем запускать MMS внутри контейнера докеров. Этот проект включает файлы Dockerfiles для создания контейнеров, рекомендуемых для производственного развертывания. Эти контейнеры демонстрируют, как настроить собственное производственное развертывание MMS.Основное использование можно найти в файле readme для Docker.

Другие функции

Просмотрите файл readme для документов, чтобы получить полный указатель документации.