运行时机器学习

Tracciamento automatizzato degli esperimenti:tracciare confrontare e visualizzare centinaia di migliaia di esperimenti utilizzando MLflow开源o gestito e la funzionalita parallela di其它delle坐标。

Ricerca automatizzata del modello(每毫升nodo singolo):苏ricerca ottimizzata e di distribuita iperparametri condizionali稍architetture di modelli con Hyperopt avanzato e tracciamento automatico MLflow。

每台机器的自动化Sintonizzazione di iperparametri学习nodo singolo:ricerca ottimizzata e di distribuita iperparametri con Hyperopt avanzato e tracciamento automatico MLflow。

每台机器的自动化Sintonizzazione di iperparametri学习distribuito:每tracciare integrazione profonda con交叉验证di PySpark MLlib automaticamente esperimenti MLlib MLflow。

TensorFlow ottimizzato:la versione di TensorFlow ottimizzata每CUDA apporta掉在目的地di prestazioni隋集群GPU。

HorovodRunner:il配置di addestramento del深学习一门年青一代nodo singolo essere migrato velocemente每girare苏联合国集群砖con HorovodRunner una单纯的API格瓦拉astrae le complicazioni使节所有'uso di Horovod / l 'addestramento distribuito。

Regressione logistica MLlib ottimizzata e classificatori广告albero:gli stimatori稍diffusi园子stati ottimizzati内尔'ambito di砖运行时每毫升offrire联合国incremento德拉velocita非诺艾尔40% rispetto广告Apache火花测试盒框。

GraphFrames ottimizzato:年青一代GraphFrames girare达2 4回稍velocemente e si possono eseguire查询图velocita o 100回maggiori,一个自一些carichi di lavoro e戴尔'asimmetria dei达缇女士。

存储每carichi ottimizzato di lavoro di深度学习:如果possono sfruttare soluzioni广告alte prestazioni苏Azure,AWSeGCP每caricamento迪蒂e di modelli检查站,entrambi essenziali /我carichi di lavoro di addestramento del深度学习。