머신러닝런타임

特性

고객이원하는프레임워크

보강된ml

자동실험추적:오픈소스또는管理MLflow와병렬좌표플롯기능을사용하여수십만개의실험을추적,비교하고시각화합니다。

자동모델검색(단일노드ml용):향상된Hyperopt와MLflow자동추적을사용하여여러모델아키텍처에서분산및최적화된조건적하이퍼매개변수검색을제공합니다。

단일노드머신러닝에자동하이퍼매개변수튜닝적용:향상된Hyperopt와MLflow자동추적을사용하여분산및최적화된하이퍼매개변수검색을제공합니다。

분산형머신러닝에자동하이퍼매개변수튜닝적용:PySpark MLlib“의交叉验证과긴밀하게통합되어MLflow에서MLlib실험을자동추적합니다。

간단한규모조정에최적화

최적화된TensorFlow:GPU클러스터에서TensorFlow CUDA에최적화된버전을활용하여최상을성능을발휘합니다。

HorovodRunner:砖클러스터에서HorovodRunner (Horovod를분산형훈련에사용할경우에발생하는복잡한문제를추상화하는간단한API)를사용하여실행할수있도록단일노드딥러닝코드를신속하게마이그레이션합니다。

최적화된MLlib로지스틱회귀및트리분류기:가장많이사용하는추정도구두개가毫升용砖运行时에서최적화되어,Apache火花测试盒框대비속도가40%향상되었습니다。

최적화된GraphFrames:GraphFrames의실행속도가2 ~ 4배향상되었고,워크로드와데이터편향에따라그래프쿼리속도가최대100배까지단축됩니다。

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。