運行時機器學習

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

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

每台機器的自動化Sintonizzazione di iperparametri學習nodo singolo:ricerca ottimizzata e di distribuita iperparametri con Hyperopt avanzato e tracciamento automatico MLflow。

每台機器的自動化Sintonizzazione di iperparametri學習distribuito:每tracciare integrazione profonda con交叉驗證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深學習一門年青一代nodo singolo essere migrato velocemente每girare蘇聯合國集群磚con HorovodRunner una單純的API格瓦拉astrae le complicazioni使節所有'uso di Horovod / l 'addestramento distribuito。

Regressione logistica MLlib ottimizzata e classificatori廣告albero:gli stimatori稍diffusi園子stati ottimizzati內爾'ambito di磚運行時每毫升offrire聯合國incremento德拉velocita非諾艾爾40% rispetto廣告Apache火花測試盒框。

GraphFrames ottimizzato:年青一代GraphFrames girare達2 4回稍velocemente e si possono eseguire查詢圖velocita o 100回maggiori,一個自一些carichi di lavoro e戴爾'asimmetria dei達緹女士。

存儲每carichi ottimizzato di lavoro di深度學習:如果possono sfruttare soluzioni廣告alte prestazioni蘇Azure,AWSeGCP每caricamento迪蒂e di modelli檢查站,entrambi essenziali /我carichi di lavoro di addestramento del深度學習。