Tiempo de ejecución del aprendizaje automático
Entorno de aprendizaje automático optimizado y listo para usar
Machine Learning Runtime (MLR) proporciona a los científicos de datos y profesionales de ML clústeres escalables que incluyen marcos de trabajo populares, AutoML incorporado y optimizaciones para un rendimiento inigualable.
Beneficios
Marcos de trabajo preferidos
Los marcos de trabajo de ML están evolucionando a un ritmo frenético y los profesionales necesitan gestionar un promedio de 8 bibliotecas. ML Runtime proporciona acceso con un solo clic a una distribución confiable y de alto rendimiento de los marcos de trabajo de ML más populares y entornos de ML personalizados a través de contenedores prediseñados.
Aprendizaje automático aumentado
Acelera el aprendizaje automático desde la preparación de datos hasta la inferencia con capacidades integradas de AutoML, lo que incluye el ajuste de hiperparámetros y la búsqueda de modelos mediante Hyperopt y MLflow.
Escalado simplificado
Pasa sin esfuerzo de los datos pequeños a los grandes con una infraestructura de clúster escalable y autogestionada. Machine Learning Runtime también incluye mejoras de rendimiento únicas para los algoritmos más populares, así como HorovodRunner, una API simple para el aprendizaje profundo distribuido.
CARACTERÍSTICAS
Marcos de trabajo de ML: las bibliotecas y los marcos de trabajo de ML más populares se proporcionan de forma inmediata, incluidos TensorFlow, Keras, PyTorch, MLflow, Horovod, GraphFrames, scikit-learn, XGboost, numpy, MLeap y Pandas.
Cómo funciona
Machine Learning Runtime funciona sobre la plataforma y se actualiza con cada lanzamiento de Databricks Runtime. Está disponible con carácter general en todas las ofertas de productos de Databricks, incluidos: Azure Databricks, la nube de AWS, los clústeres de GPU y los clústeres de CPU.
Para usar ML Runtime, simplemente selecciona la versión de ML del tiempo de ejecución cuando crees tu clúster.