机器学习运行时

特性

框架的选择

增强毫升

自动化实验跟踪:跟踪、比较和想象成千上万的实验使用开源或管理MLflow和平行坐标图功能。bob下载地址

自动模式搜索(对于单节点毫升):优化和跨多个模型体系结构的分布式搜索条件hyperparameter MLflow增强Hyperopt和自动跟踪。

单节点机器学习自动化Hyperparameter调优:优化和分布式hyperparameter搜索MLflow增强Hyperopt和自动跟踪。

自动Hyperparameter优化分布式机器学习:深度整合的PySpark MLlib的交叉验证自动跟踪在MLflow MLlib实验。

优化简化缩放

优化TensorFlow:受益于TensorFlow CUDA-optimized版本GPU集群实现了最大的性能。

HorovodRunner:快速迁移您的单节点深度学习培训与HorovodRunner砖集群上运行代码,一个简单的API抽象并发症面临当使用Horovod分布式训练。

优化MLlib逻辑回归和树分类器:最受欢迎的估计已经优化作为砖运行时的一部分毫升为你提供40%加速比Apache火花测试盒框。

优化GraphFrames:运行GraphFrames 2 - 4倍,受益于100倍加速对于图形查询,根据工作负载和数据倾斜。

对深度学习的优化存储工作负载:利用高性能的解决方案Azure,AWS,GCP模型数据加载和检查点,这两个关键深度学习培训工作负载。