运行时机器学习

特性

框架是一个骨架

毫升框架:Le librerie e i framework di ML più diffusi vengono forniti "pronti all'uso"， ad esempio TensorFlow, Keras, PyTorch, MLflow, Horovod, GraphFrames, scikit-learn, XGboost, numpy, MLeap e Pandas。

毫升AUMENTATO

自动测量实验:tracciare，对抗e可视化centinaia di migliaia di实验方法利用MLflow开源o姿态图ela funzionalità平行di plottaggio delle坐标。

模型自动Ricerca(每毫升单结点):ricerca ottimizzata e distribution ita di perparameter condizionali su più architecture di modelli con Hyperopt avanzato e tracciamento automatico su MLflow。

自动参数化机器学习:ricerca ottimizzata e distribuita di perperparameter con Hyperopt avanzato e tracciamento automaticsu flow。

Sintonizzazione自动非参数机器学习分布:在MLflow中对PySpark MLlib进行交叉验证。

Ottimizzato per scalabilitÀ semplificata

TensorFlow ottimizzato:TensorFlow ottimizzata / CUDA porta benefit in termini di prestazioni sui cluster GPU。

HorovodRunner:深度学习的一个nodo singolo的代码può essere迁移速度每girare su集群的数据，一个简单的API，一个复杂的问题，所有'uso di Horovod每一个'addestramento分布。

回归logistic MLlib ottimizzata e classificatorad albero:gli stimatori più diffusi sono stati ottimizzati nell'ambito di Databricks Runtime per ML, per frire un incremento della velocità fino al 40% rispetto ad Apache Spark 2.4.0。

GraphFrames ottimizzato:GraphFrames può girare da 2 a 4 volte più velocemente e si所有人eseguire查询Graph a velocità fino a 100 volte maggiori, secondo i carichi di lavoro el 'asimmetria dei dati。

深度学习工作负载优化存储:利用以下高性能解决方案Azure，AWS,GCP对于数据加载和模型检查点，这两者对于深度学习训练工作负载都是至关重要的。