Aprendizaje automático e IA con ONNX en SQL Edge
Importante
Azure SQL Edge se retirará el 30 de septiembre de 2025. Para obtener más información y opciones de migración, consulte el aviso de retirada.
Nota:
Azure SQL Edge ya no admite la plataforma ARM64.
El aprendizaje automático en Azure SQL Edge admite modelos del formato Open Neural Network Exchange (ONNX). ONNX es un formato abierto que puede usar para intercambiar modelos entre varios marcos y herramientas de aprendizaje automático.
Información general
Para inferir modelos de Machine Learning en Azure SQL Edge, primero es preciso obtener un modelo. Puede tratarse de un modelo previamente entrenado, o bien de un modelo personalizado entrenado con la plataforma que prefiera. Azure SQL Edge admite el formato ONNX, por lo que tendrá que convertir el modelo a este formato. Esto no debería afectar a la precisión del modelo y, una vez que tenga el modelo ONNX, puede implementar el modelo en Azure SQL Edge y usar la puntuación nativa con la función PREDICT de T-SQL de predicción.
Obtención de modelos de ONNX
Para obtener un modelo en el formato ONNX:
Servicios de creación de modelos: servicios como la característica de aprendizaje automático automatizado en Azure Machine Learning y Azure Custom Vision Service admiten la exportación directa del modelo entrenado en el formato ONNX.
Convertir o exportar modelos existentes: Varios marcos de entrenamiento (como PyTorch, Chainer y Caffe2) admiten la funcionalidad de exportación nativa a ONNX, lo que permite guardar el modelo entrenado en una versión específica del formato ONNX. Para los marcos que no admiten la exportación nativa, existen paquetes instalables de convertidor ONNX independientes que le permiten convertir modelos entrenados desde diferentes marcos de aprendizaje automático al formato ONNX.
Marcos admitidos
-
Para obtener la lista completa de los marcos y ejemplos admitidos, consulte Conversión al formato ONNX.
Limitaciones
Actualmente, no todas las versiones de ONNX son compatibles con Azure SQL Edge. La compatibilidad se limita a los modelos con tipos de datos numéricos:
Otros tipos numéricos se pueden convertir en tipos compatibles mediante CAST y CONVERT.
Las entradas del modelo deben estructurarse de manera que cada entrada al modelo corresponda a una sola columna en una tabla. Por ejemplo, si usa una trama de datos de Pandas para entrenar un modelo, cada entrada debe ser una columna independiente del modelo.