Machine Learning und KI mit ONNX in SQL Edge (Vorschau)
Wichtig
Azure SQL Edge unterstützt die ARM64-Plattform nicht mehr.
Beim maschinellen Lernen in Azure SQL Edge werden Modelle im ONNX-Format (Open Neural Network Exchange) unterstützt. ONNX ist ein offenes Format, das Sie zum Austauschen von Modellen zwischen verschiedenen Frameworks und Tools für maschinelles Lernen verwenden können.
Überblick
Um Machine Learning-Modelle in Azure SQL Edge zu ableiten, müssen Sie zuerst ein Modell abrufen. Dabei kann es sich um ein vortrainiertes Modell oder um ein benutzerdefiniertes Modell handeln, das mit Ihrem wahlorientierten Framework trainiert wird. Azure SQL Edge unterstützt das ONNX-Format, und Sie müssen das Modell in dieses Format konvertieren. Es sollte keine Auswirkungen auf die Modellgenauigkeit haben, und sobald Sie das ONNX-Modell haben, können Sie das Modell in Azure SQL Edge bereitstellen und systemeigene Bewertungen mit der FUNKTION PROGNOSE T-SQL verwenden.
Abrufen von ONNX-Modellen
So rufen Sie ein Modell im ONNX-Format ab:
Model Building Services: Dienste wie das automatisierte Machine Learning-Feature in Azure Machine Learning und Azure Custom Vision Service unterstützen den direkten Export des trainierten Modells im ONNX-Format.
Konvertieren und/oder Exportieren vorhandener Modelle: Mehrere Trainingsframeworks, z. B. PyTorch, Chainer und Caffe2, unterstützen native Funktionen für den Export in das ONNX-Format, sodass Sie Ihr trainiertes Modell in einer bestimmten Version des ONNX-Formats speichern können. Für Frameworks, die den nativen Export nicht unterstützen, gibt es eigenständige installierbare ONNX Converter-Pakete, mit denen Sie Modelle konvertieren können, die von verschiedenen Machine Learning Frameworks in das ONNX-Format trainiert wurden.
Unterstützte Frameworks
-
Die vollständige Liste mit den unterstützten Frameworks und Beispielen finden Sie unter Konvertieren in das ONNX-Format.
Begrenzungen
Derzeit werden nicht alle ONNX-Modelle von Azure SQL Edge unterstützt. Die Unterstützung ist auf Modelle mit numerischen Datentypen beschränkt:
Andere numerische Typen können mithilfe von CAST und CONVERT in unterstützte Typen konvertiert werden.
Die Modelleingaben sollten so strukturiert werden, dass jede Eingabe in das Modell einer einzelnen Spalte in einer Tabelle entspricht. Wenn Sie z. B. einen Pandas-Datenframe verwenden, um ein Modell zu trainieren, sollte jede Eingabe eine separate Spalte für das Modell sein.