ML框架正在以瘋狂的速度發展，從業者平均需要管理8個庫。ML運行時提供了一鍵訪問最流行的ML框架的可靠和性能分布，並通過預先構建的容器自定義ML環境。
通過內置的AutoML功能，包括使用Hyperopt和MLflow進行超參數調優和模型搜索，加速機器學習，從數據準備到推理。
使用自動管理和可伸縮的集群基礎設施輕鬆地從小數據到大數據。機器學習運行時還包括對最流行算法的獨特性能改進，以及用於分布式深度學習的簡單API HorovodRunner。
自動化實驗跟蹤:使用開源或托管MLflow和並行坐標繪圖功能跟蹤、比較和可視化數十萬個實驗。
自動模型搜索(單節點ML):優化和分布式條件超參數搜索跨多個模型架構，增強Hyperopt和自動跟蹤MLflow。
單節點機器學習的自動超參數調優優化和分布式超參數搜索，增強Hyperopt和自動跟蹤MLflow。
分布式機器學習的自動超參數調優與PySpark MLlib的交叉驗證深度集成，自動跟蹤MLlib實驗中的MLflow。
優化TensorFlow:受益於GPU集群上的TensorFlow cuda優化版本，獲得最大性能。
HorovodRunner:快速遷移您的單節點深度學習訓練代碼，使用HorovodRunner在Databricks集群上運行，這是一個簡單的API，可以抽象使用Horovod進行分布式訓練時麵臨的複雜問題。
優化MLlib邏輯回歸和樹分類器:最流行的估計器已經作為Databricks運行時ML的一部分進行了優化，與Apache Spark 2.4.0相比，為您提供高達40%的速度提升。
