TensorFlow একটি শক্তিশালী এবং স্কেলেবল মেশিন লার্নিং লাইব্রেরি, যা ডিপ লার্নিং মডেল তৈরি এবং ট্রেনিংয়ের জন্য ব্যাপকভাবে ব্যবহৃত হয়। তবে, সফলভাবে TensorFlow ব্যবহার করার জন্য কিছু সেরা অভ্যাস (best practices) অনুসরণ করা গুরুত্বপূর্ণ। এই অভ্যাসগুলো মডেল উন্নয়ন, ট্রেনিং, এবং ডিপ্লয়মেন্ট প্রক্রিয়াকে আরও দক্ষ, দ্রুত এবং নির্ভরযোগ্য করে তোলে।
ডেটা প্রক্রিয়াকরণ এবং ইনপুট পাইপলাইন তৈরি করার সময়, tf.data API ব্যবহার করুন। এটি ডেটা লোডিং, প্রি-প্রসেসিং এবং বাচাইয়ের জন্য একটি অত্যন্ত দক্ষ এবং স্কেলেবল উপায়। tf.data আপনার ডেটা প্রক্রিয়া এবং মডেল ট্রেনিংয়ের গতি অনেক বাড়িয়ে দিতে পারে।
উদাহরণ:
import tensorflow as tf
# ডেটা পাইপলাইন তৈরি করা
dataset = tf.data.Dataset.from_tensor_slices((x_train, y_train))
dataset = dataset.shuffle(buffer_size=10000).batch(32).prefetch(tf.data.experimental.AUTOTUNE)
model.fit(dataset, epochs=10)
tf.keras API ব্যবহার করুন মডেল তৈরি করার জন্য, কারণ এটি TensorFlow এর অন্তর্গত এবং সহজ, পরিষ্কার, এবং সহজবোধ্য। এটি মডেল সংজ্ঞায়ন, কম্পাইলিং এবং প্রশিক্ষণের জন্য একটি পরিষ্কার এবং কার্যকরী ইন্টারফেস প্রদান করে।
উদাহরণ:
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
# Sequential মডেল তৈরি
model = Sequential([
Dense(64, activation='relu', input_shape=(input_shape,)),
Dense(10, activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(x_train, y_train, epochs=10)
ট্রেনিংয়ের সময় মডেল ওভারফিটিং থেকে রক্ষা পেতে এবং সবচেয়ে ভালো মডেল সেভ করার জন্য EarlyStopping এবং ModelCheckpoint ব্যবহার করুন।
উদাহরণ:
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint
early_stopping = EarlyStopping(monitor='val_loss', patience=3)
model_checkpoint = ModelCheckpoint('best_model.h5', monitor='val_loss', save_best_only=True)
model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val), callbacks=[early_stopping, model_checkpoint])
অতিরিক্ত মডেল জটিলতা এবং overfitting রোধ করতে regularization পদ্ধতি ব্যবহার করুন।
উদাহরণ:
from tensorflow.keras.layers import Dropout
from tensorflow.keras.regularizers import l2
model = Sequential([
Dense(64, activation='relu', kernel_regularizer=l2(0.01), input_shape=(input_shape,)),
Dropout(0.5),
Dense(10, activation='softmax')
])
যদি আপনার সিস্টেমে GPU উপলব্ধ থাকে, তবে তা দক্ষভাবে ব্যবহার করতে TensorFlow GPU সমর্থন ব্যবহার করুন। tf.distribute ব্যবহার করে GPU তে ট্রেনিং স্কেল করুন।
উদাহরণ:
strategy = tf.distribute.MirroredStrategy()
with strategy.scope():
model = build_model() # আপনার মডেল তৈরি করুন
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
মডেলটির সর্বোচ্চ কার্যকারিতা অর্জন করতে hyperparameter tuning গুরুত্বপূর্ণ। Keras Tuner বা TensorFlow Model Optimization Toolkit ব্যবহার করে hyperparameters যেমন learning rate, batch size, এবং layer sizes টিউন করুন।
উদাহরণ:
import keras_tuner as kt
def model_builder(hp):
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(units=hp.Int('units', min_value=32, max_value=512, step=32), activation='relu'))
model.add(tf.keras.layers.Dense(10, activation='softmax'))
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
return model
tuner = kt.Hyperband(model_builder, objective='val_loss', max_epochs=10, factor=3, directory='my_dir')
tuner.search(x_train, y_train, epochs=10, validation_data=(x_val, y_val))
TensorBoard হল একটি শক্তিশালী টুল যা মডেল ট্রেনিং এর সময় লগিং এবং ভিজ্যুয়ালাইজেশনে সাহায্য করে। এটি আপনার মডেলের আউটপুট, গ্রাফ, লস এবং অক্ষরিক বিশ্লেষণের জন্য কার্যকর।
উদাহরণ:
import tensorflow as tf
# TensorBoard callback
tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir='./logs')
model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val), callbacks=[tensorboard_callback])
# After training, run the following command in the terminal
# tensorboard --logdir=./logs
মডেলটিকে সঠিকভাবে সেভ এবং লোড করুন যাতে ট্রেনিংয়ের পর মডেল ব্যবহার করা সহজ হয়।
model.save() ব্যবহার করুন মডেল, তার আর্কিটেকচার, ওজন এবং কনফিগারেশন সেভ করতে।tf.keras.models.load_model() ব্যবহার করুন।উদাহরণ:
# মডেল সেভ করা
model.save('my_model.h5')
# মডেল লোড করা
loaded_model = tf.keras.models.load_model('my_model.h5')
মডেল ডিপ্লয় করার সময় পারফরম্যান্স এবং আকারের জন্য TensorFlow Lite, TensorFlow.js, বা TensorFlow Serving এর মতো টুল ব্যবহার করতে পারেন।
TensorFlow এ মডেল ডেভেলপমেন্টের ক্ষেত্রে সেরা অভ্যাসগুলো অনুসরণ করলে, আপনি একটি দ্রুত, স্কেলেবল, এবং কার্যকরী মডেল তৈরি করতে পারবেন। এই পদ্ধতিগুলি ট্রেনিংয়ের সময় আপনার মডেলের পারফরম্যান্স উন্নত করবে এবং মডেলটি প্রোডাকশনে ডিপ্লয় করতে সহজ করবে।
Model Design এবং Architecture Best Practices হল মেশিন লার্নিং এবং ডিপ লার্নিং মডেল তৈরির জন্য একটি কার্যকর কৌশল এবং কাঠামো, যা মডেলের কার্যকারিতা, স্কেল, এবং রক্ষণাবেক্ষণযোগ্যতা নিশ্চিত করতে সহায়ক। একটি মডেল ডিজাইন এবং আর্কিটেকচারের ভালো প্র্যাকটিস অনুসরণ করলে মডেলটি আরো দ্রুত প্রশিক্ষিত হতে পারে, ফলস্বরূপ পারফরম্যান্সও উন্নত হয়।
নীচে Model Design এবং Architecture Best Practices নিয়ে আলোচনা করা হলো:
ডেটা প্রিপ্রসেসিং একটি মডেল তৈরির গুরুত্বপূর্ণ অংশ। এটি মডেলের ট্রেনিংয়ের গতি এবং কার্যকারিতাকে প্রভাবিত করতে পারে। ডেটার গুণগত মান এবং প্রক্রিয়াকরণ সঠিক না হলে, মডেলটির পারফরম্যান্স খারাপ হতে পারে।
Best Practices:
StandardScaler, MinMaxScaler ইনস্কেল ডেটা)।মডেল আর্কিটেকচার নির্বাচন করার সময় আপনার ডেটার প্রকৃতি, সমস্যার ধরন, এবং রিসোর্সের উপলব্ধতা বিবেচনায় নেওয়া উচিত।
Best Practices:
মডেলটি যদি ট্রেনিং ডেটার উপর অত্যধিক ফিট হয়ে যায় তবে এটি ওভারফিটিং হতে পারে। এটি মডেলটি নতুন ডেটাতে ভাল কাজ না করার কারণ হতে পারে।
Best Practices:
মডেলটি কীভাবে কাজ করছে তা বোঝা গুরুত্বপূর্ণ, বিশেষ করে যখন আপনি ব্যবসায়িক বা আইনগত সিদ্ধান্তে এটি ব্যবহার করছেন।
Best Practices:
মডেল ট্রেনিংয়ের গতি এবং ইনফারেন্সের জন্য অপটিমাইজেশন খুবই গুরুত্বপূর্ণ, বিশেষ করে যখন আপনার মডেলটি প্রডাকশনে ব্যবহার করতে হবে।
Best Practices:
ডিপ লার্নিং মডেলগুলির জন্য বড় পরিমাণ ডেটা খুবই গুরুত্বপূর্ণ। তবে, যদি পর্যাপ্ত ডেটা না থাকে, তবে ডেটা অগমেন্টেশন ব্যবহার করে ডেটা পরিমাণ বাড়ানো যেতে পারে।
Best Practices:
এগুলি মডেল ডিজাইন এবং আর্কিটেকচারের জন্য Best Practices, যা মডেলটির দক্ষতা এবং উৎপাদনক্ষমতা নিশ্চিত করতে সাহায্য করবে।
ডেটা প্রিপ্রসেসিং (Data Preprocessing) এবং ডেটা আগমেন্টেশন (Data Augmentation) মডেল ট্রেনিংয়ের জন্য গুরুত্বপূর্ণ পদক্ষেপ। এগুলি মডেলের পারফরম্যান্স উন্নত করতে সহায়ক, বিশেষ করে যখন আপনার কাছে সীমিত ডেটা থাকে বা মডেলটি জটিল এবং বড় হয়। সঠিকভাবে ডেটা প্রিপ্রসেসিং এবং আগমেন্টেশন প্রয়োগ করলে মডেল আরও শক্তিশালী এবং উপযুক্ত হয়।
ডেটা প্রিপ্রসেসিং হল কাঁচা ডেটাকে একটি উপযুক্ত ফরম্যাটে রূপান্তরিত করা যাতে মডেল প্রশিক্ষণ প্রক্রিয়া আরও কার্যকরী হয়। এটি ডেটার গুণগত মান নিশ্চিত করার জন্য কিছু গুরুত্বপূর্ণ পদক্ষেপ নেওয়া হয়।
Missing Data: ডেটাতে যদি খালি বা মিসিং মান থাকে, তবে সেগুলি পূর্ণ করা উচিত বা সংশ্লিষ্ট রেকর্ডগুলো মুছে ফেলা উচিত। মিসিং মান পূর্ণ করার জন্য সাধারণত mean, median, বা mode ব্যবহার করা হয়।
df.fillna(df.mean(), inplace=True) # Missing data replaced by mean
ফিচারের স্কেল বিভিন্ন হতে পারে, যা মডেলের দক্ষতা কমিয়ে দেয়। সাধারণত Min-Max Scaling বা Standardization (z-score normalization) ব্যবহার করা হয় যাতে ফিচারগুলির মান এক সীমানায় থাকে।
from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler()
df_scaled = scaler.fit_transform(df[['feature']])
ক্যাটেগোরিক্যাল ভ্যারিয়েবলগুলিকে মডেল প্রশিক্ষণের জন্য সংখ্যায় রূপান্তর করতে হবে। সাধারণ পদ্ধতি হল One-Hot Encoding এবং Label Encoding।
from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder()
encoded = encoder.fit_transform(df[['categorical_column']]).toarray()
ডেটাকে ট্রেনিং, ভ্যালিডেশন, এবং টেস্ট সেটে ভাগ করা অত্যন্ত গুরুত্বপূর্ণ, যাতে মডেলটি নতুন ডেটার ওপর পরীক্ষা করা যেতে পারে।
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
ডেটা আগমেন্টেশন হল ডেটাসেটের আকার বাড়ানোর একটি কৌশল, বিশেষত চিত্র, অডিও বা টেক্সট ডেটাতে। এটি মূল ডেটার বিভিন্ন রূপ তৈরি করে, যাতে মডেলটি আরও সাধারণ এবং উন্নত হতে পারে।
Random Cropping: ছবির বিভিন্ন অংশ কেটে নতুন চিত্র তৈরি করা।
from tensorflow.keras.preprocessing.image import ImageDataGenerator
datagen = ImageDataGenerator(
rotation_range=40,
width_shift_range=0.2,
height_shift_range=0.2,
shear_range=0.2,
zoom_range=0.2,
horizontal_flip=True,
fill_mode='nearest'
)
ডেটা প্রিপ্রসেসিং এবং আগমেন্টেশন মডেল প্রশিক্ষণের জন্য অত্যন্ত গুরুত্বপূর্ণ প্রক্রিয়া। ডেটা প্রিপ্রসেসিং ডেটার মান উন্নত করতে সাহায্য করে, যেমন মিসিং ডেটা পূর্ণ করা, স্কেলিং, এবং ক্যাটেগোরিক্যাল ডেটার এনকোডিং। অপরদিকে, ডেটা আগমেন্টেশন ডেটাসেটের আকার বাড়িয়ে মডেলকে আরও শক্তিশালী এবং সাধারণ করে তোলে, বিশেষত ছোট ডেটাসেটে। এই দুটি পদ্ধতি সঠিকভাবে প্রয়োগ করা হলে মডেলের পারফরম্যান্স উল্লেখযোগ্যভাবে বৃদ্ধি পায়।
ডিপ লার্নিং মডেল ট্রেনিং এবং ইভ্যালুয়েশন এর জন্য কিছু বেস্ট প্র্যাকটিস রয়েছে যা মডেলের পারফরম্যান্স বৃদ্ধি করতে সাহায্য করে। এখানে আমরা ট্রেনিং এবং ইভ্যালুয়েশন এর জন্য কিছু গুরুত্বপূর্ণ বেস্ট প্র্যাকটিস আলোচনা করব।
এই বেস্ট প্র্যাকটিসগুলি অনুসরণ করে, আপনি আপনার মডেলের গুণগত মান এবং কার্যকারিতা নিশ্চিত করতে পারবেন।
মডেল ডিপ্লয়মেন্ট (Model Deployment) এবং মডেল মনিটরিং (Model Monitoring) হল মেশিন লার্নিং এবং ডিপ লার্নিং মডেলগুলির সফল ব্যবহার নিশ্চিত করার জন্য গুরুত্বপূর্ণ দুটি পদক্ষেপ। মডেল ডিপ্লয়মেন্ট এবং মনিটরিং সঠিকভাবে পরিচালনা করলে আপনার মডেল রিয়েল-ওয়ার্ল্ড অ্যাপ্লিকেশনগুলিতে কার্যকরভাবে কাজ করবে এবং এর কর্মক্ষমতা বজায় থাকবে।
নিচে মডেল ডিপ্লয়মেন্ট এবং মডেল মনিটরিং এর জন্য কিছু Best Practices আলোচনা করা হলো।
মডেল ডিপ্লয়মেন্ট হল মেশিন লার্নিং মডেল বা ডিপ লার্নিং মডেলকে প্রোডাকশন এনভায়রনমেন্টে প্রকাশ করা, যেখানে এটি ব্যবহারকারীদের দ্বারা অ্যাক্সেসযোগ্য হবে। মডেল ডিপ্লয়মেন্ট প্রক্রিয়া সঠিকভাবে সম্পন্ন হলে এটি অ্যাপ্লিকেশন এবং ব্যবসায়িক কার্যক্রমে কার্যকরীভাবে সহায়ক হবে।
মডেল ডিপ্লয়মেন্টের সময় মডেল ভার্সনিং অত্যন্ত গুরুত্বপূর্ণ। প্রতিটি নতুন ভার্সনের সাথে কিছু পরিবর্তন বা আপডেট থাকতে পারে, তাই মডেল সংস্করণ সঠিকভাবে ট্র্যাক করা উচিত।
MLflow বা DVC (Data Version Control) ব্যবহার করে ভার্সনিং চালানো।ডকার কন্টেইনার ব্যবহার করা মডেল ডিপ্লয়মেন্টে একটি ভালো অভ্যাস, কারণ এটি মডেল পরিবেশ, ডিপেনডেন্সি এবং কনফিগারেশনকে একত্রিত করে।
# Dockerfile তৈরি করা
FROM python:3.8-slim
WORKDIR /app
COPY . .
RUN pip install -r requirements.txt
CMD ["python", "app.py"]
প্রোডাকশনে মডেলকে স্কেলেবল এবং রেসপনসিভ করতে লোড ব্যালান্সিং ব্যবহার করা গুরুত্বপূর্ণ। একাধিক সার্ভারে মডেলটি ডিপ্লয় করলে, প্রতি সার্ভারের লোড সমানভাবে বিতরণ করা হয়।
Continuous Integration (CI) এবং Continuous Deployment (CD) সেটআপ করা মডেল ডিপ্লয়মেন্ট প্রক্রিয়াটিকে অটোমেটেড এবং নির্ভরযোগ্য করে তোলে।
মডেল সার্ভিং হল মডেল ডিপ্লয়মেন্টের একটি গুরুত্বপূর্ণ অংশ যেখানে মডেল API বা একটি সার্ভিস হিসেবে উপলব্ধ করা হয়।
from fastapi import FastAPI
import numpy as np
import joblib
app = FastAPI()
# মডেল লোড করা
model = joblib.load('model.pkl')
@app.post("/predict")
def predict(data: list):
prediction = model.predict(np.array(data).reshape(1, -1))
return {"prediction": prediction.tolist()}
মডেল মনিটরিং হল মডেলটি প্রোডাকশনে ডিপ্লয় করার পর তার কর্মক্ষমতা মনিটর করার প্রক্রিয়া। এটি মডেলকে সর্বদা ভালভাবে কাজ করতে এবং নতুন ডেটার সাথে মানিয়ে নিতে সাহায্য করে।
মডেল ড্রিফট ঘটে যখন মডেল প্রোডাকশনে তার পূর্বাভাসের মাধ্যমে বাস্তবায়িত ডেটার সাথে মেলে না। সময়ের সাথে সাথে ডেটার বৈশিষ্ট্য বা টার্গেট ভেরিয়েবল পরিবর্তিত হতে পারে, যার ফলে মডেল তার প্রেডিকশন ক্ষমতা হারাতে পারে।
প্রোডাকশনে মডেল চলতে থাকলে, তার কর্মক্ষমতা প্রতিনিয়ত পর্যবেক্ষণ করা দরকার। রিয়েল-টাইম মেট্রিক্স যেমন accuracy, precision, recall, F1-score, এবং AUC-ROC মনিটর করতে হবে।
ডিপ লার্নিং মডেল সাধারণত নতুন ডেটার সাথে আরও ভালো পারফর্ম করতে পারে, তাই একটি feedback loop তৈরি করা উচিত যা মডেলকে স্বয়ংক্রিয়ভাবে পুনরায় প্রশিক্ষিত করবে যখন তার পারফরম্যান্স নেমে যাবে।
লগ মনিটরিং একটি গুরুত্বপূর্ণ অংশ যা আপনাকে মডেল দ্বারা উত্পন্ন ত্রুটিগুলি এবং অস্বাভাবিক আচরণ ট্র্যাক করতে সাহায্য করে। এটি সিস্টেমের স্থিতিশীলতা এবং কর্মক্ষমতা বজায় রাখতে সাহায্য করবে।
মডেল যদি পূর্বের তুলনায় খারাপ পারফর্ম করতে শুরু করে তবে তা ট্র্যাক করে সতর্কতা পাঠানো গুরুত্বপূর্ণ। এটি দ্রুত সমস্যার সমাধান করতে সহায়ক।
মডেল ডিপ্লয়মেন্ট এবং মনিটরিংয়ের সময় নিরাপত্তা নিশ্চিত করা অত্যন্ত গুরুত্বপূর্ণ। কিছু নিরাপত্তা সেরা অভ্যাস:
মডেল ডিপ্লয়মেন্ট এবং মডেল মনিটরিং সফলভাবে প্রোডাকশনে মডেল কার্যকরী করার জন্য অত্যন্ত গুরুত্বপূর্ণ। Best Practices অনুসরণ করলে, মডেলটির কার্যক্ষমতা স্থিতিশীল থাকবে, এবং এটি নতুন ডেটার সাথে সমন্বয় বজায় রেখে ব্যবসায়িক প্রয়োজনীয়তা পূরণ করতে সক্ষম হবে। এর মধ্যে containerization, model serving, model drift monitoring, automated retraining, এবং error tracking সহ বেশ কিছু কৌশল অন্তর্ভুক্ত রয়েছে।
Read more
or
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
Lorem ipsum dolor, sit amet consectetur adipisicing elit. Ducimus nihil, quo, quis minus aspernatur expedita, incidunt facilis aliquid inventore voluptate dolores accusantium laborum labore a dolorum dolore omnis qui? Consequuntur sed facilis repellendus corrupti amet in quibusdam ducimus illo autem, a praesentium.
1 hour ago
