describe-compilation-job

Описание

Возвращает информацию о задании компиляции модели.

Чтобы создать задание компиляции модели, используйте CreateCompilationJob . Чтобы получить информацию о нескольких заданиях компиляции модели, используйте ListCompilationJobs .

См. также: Документацию API AWS

Синтаксис

  describe-compilation-job
--compilation-job-name <value>
[--cli-input-json | --cli-input-yaml]
[--generate-cli-skeleton <value>]
[--debug]
[--endpoint-url <value>]
[--no-verify-ssl]
[--no-paginate]
[--output <value>]
[--query <value>]
[--profile <value>]
[--region <value>]
[--version <value>]
[--color <value>]
[--no-sign-request]
[--ca-bundle <value>]
[--cli-read-timeout <value>]
[--cli-connect-timeout <value>]
[--cli-binary-format <value>]
[--no-cli-pager]
[--cli-auto-prompt]
[--no-cli-auto-prompt]

Параметры

--compilation-job-name (строка)

Имя задания компиляции модели, о котором требуется информация.

--cli-input-json | --cli-input-yaml (строка) Читает аргументы из предоставленной JSON-строки. JSON-строка соответствует формату, указанному в --generate-cli-skeleton. Если другие аргументы предоставлены в командной строке, эти значения переопределят значения, предоставленные в JSON. Невозможно передавать произвольные двоичные значения с помощью значения, предоставленного в JSON, поскольку строка будет интерпретирована буквально. Это не может быть указано вместе с --cli-input-yaml.

--generate-cli-skeleton (строка) Выводит JSON-скелет в стандартный вывод без отправки запроса к API. Если предоставлено значение без значения или значение input, выводит пример JSON-ввода, который можно использовать в качестве аргумента для --cli-input-json. Аналогично, если предоставлено yaml-input, выведет пример YAML-ввода, который можно использовать с --cli-input-yaml. Если предоставлено значение output, проверяет входные данные команды и возвращает пример выходного JSON для этой команды. Сгенерированный JSON-скелет не является стабильным между версиями AWS CLI, и нет гарантий обратной совместимости в сгенерированном JSON-скелете.

Глобальные параметры

--debug (логическое значение)

Включить отладку.

--endpoint-url (строка)

Переопределить URL по умолчанию команды заданным URL.

--no-verify-ssl (логическое значение)

По умолчанию AWS CLI использует SSL при взаимодействии с AWS-сервисами. Для каждого SSL-соединения AWS CLI будет проверять SSL-сертификаты. Этот параметр переопределяет поведение проверки SSL-сертификатов по умолчанию.

--no-paginate (логическое значение)

Отключить автоматическую постраничную навигацию. Если автоматическая постраничная навигация отключена, AWS CLI выполнит только один вызов для первой страницы результатов.

--output (строка)

Стиль форматирования вывода команды.

json
text
table
yaml
yaml-stream

--query (строка)

Запрос JMESPath для фильтрации данных ответа.

--profile (строка)

Использовать определенный профиль из файла аутентификации.

--region (строка)

Регион для использования. Переопределяет настройки конфигурации/окружения.

--version (строка)

Отобразить версию этого инструмента.

--color (строка)

Включить/отключить цветной вывод.

on
off
auto

--no-sign-request (логическое значение)

Не подписывать запросы. Кредиты не будут загружены, если этот аргумент предоставлен.

--ca-bundle (строка)

Файл сертификата CA для проверки SSL-сертификатов. Переопределяет настройки конфигурации/окружения.

--cli-read-timeout (целое число)

Максимальное время чтения сокета в секундах. Если значение установлено в 0, чтение сокета будет блокирующим и не будет иметь таймаута. Значение по умолчанию составляет 60 секунд.

--cli-connect-timeout (целое число)

Максимальное время подключения сокета в секундах. Если значение установлено в 0, подключение сокета будет блокирующим и не будет иметь таймаута. Значение по умолчанию составляет 60 секунд.

--cli-binary-format (строка)

Стиль форматирования для двоичных блоков. Формат по умолчанию — base64. Формат base64 ожидает, что двоичные блоки будут предоставлены как строка, закодированная в base64. Формат raw-in-base64-out сохраняет совместимость с поведением AWS CLI V1, и двоичные значения должны передаваться буквально. При предоставлении содержимого из файла, которое соответствует двоичному блоку, fileb:// всегда будет обрабатываться как двоичное и использовать содержимое файла напрямую независимо от настройки cli-binary-format. При использовании file:// содержимое файла должно быть должным образом отформатировано для настроенного cli-binary-format.

base64
raw-in-base64-out

--no-cli-pager (логическое значение)

Отключить вывод кли-пейджера.

--cli-auto-prompt (логическое значение)

Автоматически запрашивать входные параметры CLI.

--no-cli-auto-prompt (логическое значение)

Отключить автоматическое запроса входных параметров CLI.

Вывод

CompilationJobName -> (строка)

Имя задания компиляции модели.

CompilationJobArn -> (строка)

Amazon Resource Name (ARN) задания компиляции модели.

CompilationJobStatus -> (строка)

Статус задания компиляции модели.

CompilationStartTime -> (временная метка)

Время, когда задание компиляции модели начало работу на CompilationJob экземплярах.

Вы платите за время между этой временной меткой и временной меткой в поле CompilationEndTime. В Amazon CloudWatch Logs время начала может быть позже, чем это время. Это связано с тем, что загрузка задания компиляции занимает время, которое зависит от размера контейнера задания компиляции.

CompilationEndTime -> (временная метка)

Время завершения задания компиляции модели на экземпляре задания компиляции. Для успешного или остановленного задания это время, когда артефакты модели задания завершили загрузку. Для неудачного задания это время, когда Amazon SageMaker AI обнаружил, что задание завершилось с ошибкой.

StoppingCondition -> (структура)

Устанавливает ограничение на время работы задания компиляции модели. Когда задание достигает лимита времени, Amazon SageMaker AI завершает задание компиляции. Используйте этот API для ограничения затрат на обучение модели.

MaxRuntimeInSeconds -> (целое число)

Максимальная продолжительность, в секундах, работы задания обучения или компиляции, прежде чем оно будет остановлено.

Для заданий компиляции, если задание не завершится в течение этого времени, генерируется ошибка TimeOut. Рекомендуется начать с 900 секунд и увеличивать по мере необходимости, исходя из вашей модели.

Для всех остальных заданий, если задание не завершится в течение этого времени, SageMaker завершит задание. Когда RetryStrategy указан в запросе задания, MaxRuntimeInSeconds указывает максимальное время для всех попыток в целом, а не для каждой отдельной попытки. Значение по умолчанию составляет 1 день. Максимальное значение составляет 28 дней.

Максимальное время работы TrainingJob в целом, включая любое время, затраченное на публикацию метрик или архивирование и загрузку моделей после его остановки, составляет 30 дней.

MaxWaitTimeInSeconds -> (целое число)

Максимальное время, в секундах, которое задание управляемого Spot-обучения должно завершить. Это время, затраченное на ожидание Spot-емкости, плюс время, в течение которого задание может работать. Оно должно быть равно или больше MaxRuntimeInSeconds. Если задание не завершится в течение этого времени, SageMaker завершит задание.

Когда RetryStrategy указан в запросе задания, MaxWaitTimeInSeconds указывает максимальное время для всех попыток в целом, а не для каждой отдельной попытки.

MaxPendingTimeInSeconds -> (целое число)

Максимальное время ожидания, в секундах, задания обучения или компиляции перед его остановкой.

Примечание

При работе с заданиями обучения, которые используют емкость из планов обучения , не все состояния заданий Pending учитываются в ограничении MaxPendingTimeInSeconds. Следующие сценарии не увеличивают счетчик MaxPendingTimeInSeconds:

План находится в состоянии Scheduled: Задания, поставленные в очередь (в состоянии Pending), до даты начала плана (ожидание запланированного времени начала)
Между резервациями емкости: Задания временно возвращаются в состояние Pending между двумя периодами резервации емкости

MaxPendingTimeInSeconds увеличивается только тогда, когда задания активно ожидают емкости в плане Active.

InferenceImage -> (строка)

Изображение вывода для использования при компиляции модели. Укажите изображение только в том случае, если целевое устройство — облачный экземпляр.

ModelPackageVersionArn -> (строка)

Amazon Resource Name (ARN) версии упакованной модели, которая была предоставлена SageMaker Neo при запуске задания компиляции.

CreationTime -> (временная метка)

Время создания задания компиляции модели.

LastModifiedTime -> (временная метка)

Время последнего изменения статуса задания компиляции модели.

FailureReason -> (строка)

Если задание компиляции модели завершилось с ошибкой, причина ошибки.

ModelArtifacts -> (структура)

Информация о расположении в Amazon S3, которое было настроено для хранения артефактов модели, используемых в задании компиляции.

S3ModelArtifacts -> (строка)

Путь к объекту S3, содержащему артефакты модели. Например, s3://bucket-name/keynameprefix/model.tar.gz .

ModelDigests -> (структура)

Предоставляет значение хеша BLAKE2, которое идентифицирует артефакты скомпилированной модели в Amazon S3.

ArtifactDigest -> (строка)

Предоставляет значение хеша, которое однозначно идентифицирует сохраненные артефакты модели.

RoleArn -> (строка)

Amazon Resource Name (ARN) роли IAM, которую Amazon SageMaker AI использует для выполнения задания компиляции модели.

InputConfig -> (структура)

Информация о расположении входных артефактов модели в Amazon S3, имени и форме ожидаемых входных данных и фреймворке, в котором была обучена модель.

S3Uri -> (строка)

Путь S3, где хранятся артефакты модели, полученные в результате обучения модели. Этот путь должен указывать на единственный сжатый в формате gzip архив tar (.tar.gz).

DataInputConfig -> (строка)

Указывает имя и форму ожидаемых входных данных для обученной модели в формате JSON-словаря. Входные данные специфичны для модели.

TensorFlow : Вы должны указать имя и форму (формат NHWC) ожидаемых входных данных, используя формат словаря для обученной модели. Форматы словарей, необходимые для консоли и командной строки, отличаются.
- Примеры для одного входа:
  - Если вы используете консоль, {"input":[1,1024,1024,3]}
  - Если вы используете командную строку, {\"input\":[1,1024,1024,3]}
- Примеры для двух входов:
  - Если вы используете консоль, {"data1": [1,28,28,1], "data2":[1,28,28,1]}
  - Если вы используете командную строку, {\"data1\": [1,28,28,1], \"data2\":[1,28,28,1]}
KERAS : Вы должны указать имя и форму (формат NCHW) ожидаемых входных данных, используя формат словаря для вашей обученной модели. Обратите внимание, что, хотя артефакты моделей Keras должны загружаться в формате NHWC (channel-last), DataInputConfig должны быть указаны в формате NCHW (channel-first). Форматы словарей, необходимые для консоли и командной строки, отличаются.
- Примеры для одного входа:
  - Если вы используете консоль, {"input_1":[1,3,224,224]}
  - Если вы используете командную строку, {\"input_1\":[1,3,224,224]}
- Примеры для двух входов:
  - Если вы используете консоль, {"input_1": [1,3,224,224], "input_2":[1,3,224,224]}
  - Если вы используете командную строку, {\"input_1\": [1,3,224,224], \"input_2\":[1,3,224,224]}
MXNET/ONNX/DARKNET : Вы должны указать имя и форму (формат NCHW) ожидаемых входных данных в порядке, используя формат словаря для вашей обученной модели. Форматы словарей, необходимые для консоли и командной строки, отличаются.
- Примеры для одного входа:
  - Если вы используете консоль, {"data":[1,3,1024,1024]}
  - Если вы используете командную строку, {\"data\":[1,3,1024,1024]}
- Примеры для двух входов:
  - Если вы используете консоль, {"var1": [1,1,28,28], "var2":[1,1,28,28]}
  - Если вы используете командную строку, {\"var1\": [1,1,28,28], \"var2\":[1,1,28,28]}
PyTorch : Вы можете указать имя и форму (формат NCHW) ожидаемых входных данных в порядке, используя формат словаря для вашей обученной модели, или вы можете указать только форму, используя список.
- Примеры для одного входа в формате словаря:
  - Если вы используете консоль, {"input0":[1,3,224,224]}
  - Если вы используете командную строку, {\"input0\":[1,3,224,224]}
- Пример для одного входа в формате списка: [[1,3,224,224]]
- Примеры для двух входов в формате словаря:
  - Если вы используете консоль, {"input0":[1,3,224,224], "input1":[1,3,224,224]}
  - Если вы используете командную строку, {\"input0\":[1,3,224,224], \"input1\":[1,3,224,224]}
- Пример для двух входов в формате списка: [[1,3,224,224], [1,3,224,224]]
XGBOOST : имя и форма входных данных не нужны.

DataInputConfig поддерживает следующие параметры для CoreML TargetDevice (формат ML Model):

shape : Форма входа, например {"input_1": {"shape": [1,224,224,3]}} . В дополнение к статическим формам входа, конвертер CoreML поддерживает гибкие формы входа:
- Диапазон размеров. Вы можете использовать функцию диапазона размеров, если знаете, что форма входа будет находиться в определенном интервале в этом измерении, например: {"input_1": {"shape": ["1..10", 224, 224, 3]}}
- Перечисленные формы. Иногда модели обучаются работать только на определенном наборе входов. Вы можете перечислить все поддерживаемые формы входа, например: {"input_1": {"shape": [[1, 224, 224, 3], [1, 160, 160, 3]]}}
default_shape : Форма входа по умолчанию. Вы можете установить форму по умолчанию во время преобразования для диапазона размеров и перечисленных форм. Например {"input_1": {"shape": ["1..10", 224, 224, 3], "default_shape": [1, 224, 224, 3]}}
type : Тип входа. Разрешенные значения: Image и Tensor . По умолчанию преобразователь создает ML-модель с входными данными типа Tensor (MultiArray). Пользователь может установить тип входных данных на Image. Тип входных данных Image требует дополнительных параметров входа, таких как bias и scale .
bias : Если тип входа - изображение, вам необходимо предоставить вектор смещения.
scale : Если тип входа - изображение, вам необходимо предоставить коэффициент масштабирования.

Параметры CoreML ClassifierConfig могут быть указаны с помощью OutputConfig CompilerOptions . CoreML-конвертер поддерживает модели TensorFlow и PyTorch. Примеры преобразования CoreML:

Входной тип Tensor:
- "DataInputConfig": {"input_1": {"shape": [[1,224,224,3], [1,160,160,3]], "default_shape": [1,224,224,3]}}
Входной тип Tensor без имени входа (PyTorch):
- "DataInputConfig": [{"shape": [[1,3,224,224], [1,3,160,160]], "default_shape": [1,3,224,224]}]
Входной тип Image:
- "DataInputConfig": {"input_1": {"shape": [[1,224,224,3], [1,160,160,3]], "default_shape": [1,224,224,3], "type": "Image", "bias": [-1,-1,-1], "scale": 0.007843137255}}
- "CompilerOptions": {"class_labels": "imagenet_labels_1000.txt"}
Входной тип Image без имени входа (PyTorch):
- "DataInputConfig": [{"shape": [[1,3,224,224], [1,3,160,160]], "default_shape": [1,3,224,224], "type": "Image", "bias": [-1,-1,-1], "scale": 0.007843137255}]
- "CompilerOptions": {"class_labels": "imagenet_labels_1000.txt"}

В зависимости от формата модели, DataInputConfig требует следующих параметров для ml_eia2 OutputConfig:TargetDevice.

Для моделей TensorFlow, сохраненных в формате SavedModel, укажите имена входов из signature_def_key и формы входов модели для DataInputConfig . Укажите signature_def_key в ` OutputConfig:CompilerOptions https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_OutputConfig.html#sagemaker-Type-OutputConfig-CompilerOptions`__ , если модель не использует ключевое слово подписи по умолчанию TensorFlow. Например:
- "DataInputConfig": {"inputs": [1, 224, 224, 3]}
- "CompilerOptions": {"signature_def_key": "serving_custom"}
Для моделей TensorFlow, сохраненных в виде замороженной графа, укажите имена тензоров входа и их формы в DataInputConfig и имена тензоров вывода для output_names в ` OutputConfig:CompilerOptions https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_OutputConfig.html#sagemaker-Type-OutputConfig-CompilerOptions`__ . Например:
- "DataInputConfig": {"input_tensor:0": [1, 224, 224, 3]}
- "CompilerOptions": {"output_names": ["output_tensor:0"]}

Framework -> (строка)

Идентифицирует фреймворк, в котором была обучена модель. Например: TENSORFLOW.

FrameworkVersion -> (строка)

Указывает версию фреймворка для использования. Это поле API поддерживается только для фреймворков MXNet, PyTorch, TensorFlow и TensorFlow Lite.

Дополнительную информацию о поддерживаемых версиях фреймворков для облачных целей и устройств с краем см. в разделах Cloud Supported Instance Types and Frameworks и Edge Supported Frameworks.

OutputConfig -> (структура)

Информация о расположении выходных данных для скомпилированной модели и целевом устройстве, на котором выполняется модель.

S3OutputLocation -> (строка)

Указывает S3-ведро, в котором Amazon SageMaker AI хочет сохранить артефакты модели. Например, s3://bucket-name/key-name-prefix .

TargetDevice -> (строка)

Указывает целевое устройство или экземпляр машинного обучения, на котором вы хотите запустить свою модель после завершения компиляции. В качестве альтернативы можно указать операционную систему, архитектуру и ускоритель, используя поля TargetPlatform. Его можно использовать вместо TargetPlatform .

Примечание

В настоящее время ml_trn1 доступен только в регионе США Восточный (Северная Вирджиния), а ml_inf2 доступен только в регионе США Восточный (Огайо).

TargetPlatform -> (структура)

Содержит информацию о целевой платформе, на которой вы хотите запустить свою модель, такую как операционная система, архитектура и ускорители. Это альтернатива TargetDevice .

Следующие примеры показывают, как настроить TargetPlatform и CompilerOptions JSON-строки для популярных целевых платформ:

Raspberry Pi 3 Model B+ "TargetPlatform": {"Os": "LINUX", "Arch": "ARM_EABIHF"}, "CompilerOptions": {'mattr': ['+neon']}
Jetson TX2 "TargetPlatform": {"Os": "LINUX", "Arch": "ARM64", "Accelerator": "NVIDIA"}, "CompilerOptions": {'gpu-code': 'sm_62', 'trt-ver': '6.0.1', 'cuda-ver': '10.0'}
Экземпляр EC2 m5.2xlarge с операционной системой "TargetPlatform": {"Os": "LINUX", "Arch": "X86_64", "Accelerator": "NVIDIA"}, "CompilerOptions": {'mcpu': 'skylake-avx512'}
RK3399 "TargetPlatform": {"Os": "LINUX", "Arch": "ARM64", "Accelerator": "MALI"}
Телефон ARMv7 (CPU) "TargetPlatform": {"Os": "ANDROID", "Arch": "ARM_EABI"}, "CompilerOptions": {'ANDROID_PLATFORM': 25, 'mattr': ['+neon']}
Телефон ARMv8 (CPU) "TargetPlatform": {"Os": "ANDROID", "Arch": "ARM64"}, "CompilerOptions": {'ANDROID_PLATFORM': 29}

Os -> (строка)

Указывает операционную систему целевой платформы.

LINUX : Linux-based operating systems.
ANDROID : Android operating systems. Уровень Android API можно указать с помощью компилятора ANDROID_PLATFORM. Например, "CompilerOptions": {'ANDROID_PLATFORM': 28}

Arch -> (строка)

Указывает архитектуру целевой платформы.

X86_64 : 64-битная версия набора инструкций x86.
X86 : 32-битная версия набора инструкций x86.
ARM64 : ARMv8 64-битный процессор.
ARM_EABIHF : ARMv7 32-битный, Hard Float.
ARM_EABI : ARMv7 32-битный, Soft Float. Используется платформой Android 32-битный ARM.

Accelerator -> (строка)

Указывает ускоритель целевой платформы (необязательно).

NVIDIA : графический процессор Nvidia. Также требуются gpu-code , trt-ver , cuda-ver компиляционные параметры
MALI : графический процессор ARM Mali
INTEL_GRAPHICS : интегрированный графический процессор Intel

CompilerOptions -> (строка)

Указывает дополнительные параметры компиляционных опций в формате JSON. Параметры компилятора специфичны для TargetPlatform. Требуется для ускорителей NVIDIA и настоятельно рекомендуется для компиляций на CPU. В других случаях, необязательно указывать CompilerOptions..

DTYPE : Указывает тип данных для входных данных. При компиляции для ml_* (кроме ml_inf) экземпляров с использованием PyTorch, укажите тип данных (dtype) входных данных модели. "float32" используется, если "DTYPE" не указан. Варианты типов данных:
- float32: Используйте либо "float" или "float32" .
- int64: Используйте либо "int64" или "long" .

Например, {"dtype" : "float32"} .

CPU : Компиляция для CPU поддерживает следующие компиляционные параметры.
- mcpu : Микроархитектура CPU. Например, {'mcpu': 'skylake-avx512'}
- mattr : Флаги CPU. Например, {'mattr': ['+neon', '+vfpv4']}
ARM : Подробности компиляций ARM CPU.
- NEON : NEON — это реализация расширения Advanced SIMD, используемого в процессорах ARMv7. Например, добавьте {'mattr': ['+neon']} в компиляционные параметры, если компилируете для 32-битной платформы ARM с поддержкой NEON.
NVIDIA : Компиляция для NVIDIA GPU поддерживает следующие компиляционные параметры.
- gpu_code : Указывает целевую архитектуру.
- trt-ver : Указывает версии TensorRT в формате x.y.z.
- cuda-ver : Указывает версию CUDA в формате x.y.

Например, {'gpu-code': 'sm_72', 'trt-ver': '6.0.1', 'cuda-ver': '10.1'}

ANDROID : Компиляция для операционной системы Android поддерживает следующие компиляционные параметры:
- ANDROID_PLATFORM : Указывает уровни API Android. Доступные уровни варьируются от 21 до 29. Например, {'ANDROID_PLATFORM': 28} .
- mattr : Добавьте {'mattr': ['+neon']} в компиляционные параметры, если компилируете для 32-битной платформы ARM с поддержкой NEON.
INFERENTIA : Компиляция для целевой ml_inf1 использует компиляционные параметры, переданные в виде JSON-строки. Например, "CompilerOptions": "\"--verbose 1 --num-neuroncores 2 -O2\"" . Сведения о поддерживаемых компиляционных параметрах см. в руководстве Neuron Compiler CLI Reference Guide .
CoreML : Компиляция для выходных данных CoreML OutputConfig TargetDevice поддерживает следующие компиляционные параметры:
- class_labels : Указывает имя файла классификационных меток внутри входного файла tar.gz. Например, {"class_labels": "imagenet_labels_1000.txt"} . Метки в файле txt должны быть разделены символами новой строки.

KmsKeyId -> (строка)

Ключ управления ключами Amazon Web Services (Amazon Web Services KMS), который Amazon SageMaker AI использует для шифрования выходных моделей с помощью шифрования на стороне сервера Amazon S3 после выполнения задания компиляции. Если вы не предоставите идентификатор ключа KMS, Amazon SageMaker AI использует по умолчанию ключ KMS для Amazon S3 для учетной записи вашей роли. Дополнительная информация в руководстве Amazon Simple Storage Service Developer Guide, в разделе KMS-Managed Encryption Keys.

KmsKeyId может быть в одном из следующих форматов:

Идентификатор ключа: 1234abcd-12ab-34cd-56ef-1234567890ab
ARN ключа: arn:aws:kms:us-west-2:111122223333:key/1234abcd-12ab-34cd-56ef-1234567890ab
Имя псевдонима: alias/ExampleAlias
ARN псевдонима: arn:aws:kms:us-west-2:111122223333:alias/ExampleAlias

VpcConfig -> (структура)

Объект VpcConfig, который указывает VPC, к которому вы хотите подключить задание компиляции. Управляйте доступом к моделям, настроив VPC. Дополнительные сведения см. в разделе Protect Compilation Jobs by Using an Amazon Virtual Private Cloud.

SecurityGroupIds -> (список)

Идентификаторы групп безопасности VPC. Идентификаторы имеют вид sg-xxxxxxxx . Укажите группы безопасности для VPC, указанной в поле Subnets.

(строка)

Subnets -> (список)

Идентификатор подсетей в VPC, к которому вы хотите подключить задание компиляции для доступа к модели в Amazon S3.

(строка)

DerivedInformation -> (структура)

Информация, автоматически полученная SageMaker Neo о модели.

DerivedDataInputConfig -> (строка)

Конфигурация входных данных, автоматически полученная SageMaker Neo для модели. При получении SageMaker Neo этой информации, вам не нужно указывать конфигурацию входных данных при создании задания компиляции.