Databricks Runtime 5.0 ML (nem támogatott)
A Databricks 2018 novemberében adta ki ezt a képet.
A Databricks Runtime 5.0 ML használatra kész környezetet biztosít a gépi tanuláshoz és az adatelemzéshez. Számos népszerű kódtárat tartalmaz, köztük a TensorFlow, a Keras és az XGBoost. Támogatja az elosztott TensorFlow betanítást a Horovod használatával.
További információkért, beleértve a Databricks Runtime ML-fürt létrehozásának utasításait, tekintse meg a Databricks migrálási és gépi Tanulás.
Új funkciók
A Databricks Runtime 5.0 ML a Databricks Runtime 5.0-ra épül. A Databricks Runtime 5.0 újdonságait a Databricks Runtime 5.0 (nem támogatott) kibocsátási megjegyzéseiben találhatja meg. A Databricks Runtime 5.0 új funkciói mellett a Databricks Runtime 5.0 ML a következő új funkciókat is tartalmazza:
- HorovodRunner elosztott mélytanulási képzési feladatok futtatásához a Horovod használatával.
- A Conda támogatja a csomagkezelést.
- MLeap-integráció .
- GraphFrames-integráció .
Megjegyzés:
A Databricks Runtime ML-kiadások az alap Databricks Runtime kiadás összes karbantartási frissítését átveszik. Az összes karbantartási frissítés listáját a Databricks Runtime karbantartási frissítései (archiválva) című témakörben találja.
Rendszerkörnyezet
A Databricks Runtime 5.0 rendszerkörnyezetében és a Databricks Runtime 5.0 ML-ben a különbség a következő:
- Python: 2.7.15 Python 2-fürtökhöz és 3.6.5 Python 3-fürtökhöz.
- GPU-fürtök esetén a következő NVIDIA GPU-kódtárak:
- Tesla driver 396.44
- CUDA 9.2
- CUDNN 7.2.1
Libraries
A Databricks Runtime 5.0-ban és a Databricks Runtime 5.0 ML-ben szereplő kódtárak közötti különbségek ebben a szakaszban találhatók.
Python-kódtárak
A Databricks Runtime 5.0 ML a Condát használja a Python-csomagkezeléshez. Az alábbiakban a Conda csomagkezelővel telepített Python-csomagok és -verziók teljes listája látható.
| Könyvtár | Verzió | Könyvtár | Verzió | Könyvtár | Verzió |
|---|---|---|---|---|---|
| absl-py | 0.6.1 | argparse | 1.4.0 | asn1crypto | 0.24.0 |
| Astor | 0.7.1 | backports-abc | 0,5 | backports.functools-lru-cache | 1.5 |
| backports.weakref | 1.0.post1 | bcrypt | 3.1.4 | Fehérítő | 2.1.3 |
| boto | 2.48.0 | boto3 | 1.7.62 | botocore | 1.10.62 |
| minősítés | 2018.04.16 | cffi | 1.11.5 | karakterkészlet | 3.0.4 |
| cloudpickle | 0.5.3 | colorama | 0.3.9 | configparser | 3.5.0 |
| Titkosítás | 2.2.2 | cycler | 0.10.0 | Cython | 0.28.2 |
| Dekoratőr | 4.3.0 | docutils | 0,14 | belépési pontok | 0.2.3 |
| enum34 | 1.1.6 | et-xmlfile | 1.0.1 | funcsigs | 1.0.2 |
| functools32 | 3.2.3-2 | fusepy | 2.0.4 | Határidős | 3.2.0 |
| Gast | 0.2.0 | grpcio | 1.12.1 | h5py | 2.8.0 |
| horovod | 0.15.0 | html5lib | 1.0.1 | idna | 2.6 |
| ipaddress | 1.0.22 | ipython | 5.7.0 | ipython_genutils | 0.2.0 |
| jdcal | 1.4 | Jinja2 | 2.10 | jmespath | 0.9.3 |
| jsonschema | 2.6.0 | jupyter-client | 5.2.3 | jupyter-core | 4.4.0 |
| Keras | 2.2.4 | Keras-Applications | 1.0.6 | Keras-Előfeldolgozás | 1.0.5 |
| kiwisolver | 1.0.1 | linecache2 | 1.0.0 | llvmlite | 0.23.1 |
| lxml | 4.2.1 | Markdown | 3.0.1 | Korrektúra Széf | 1,0 |
| matplotlib | 2.2.2 | mistune | 0.8.3 | mleap | 0.8.1 |
| Ál | 2.0.0 | msgpack | 0.5.6 | nbconvert | 5.3.1 |
| nbformat | 4.4.0 | Orr | 1.3.7 | orr-kizárás | 0.5.0 |
| numba | 0.38.0+0.g2a2b772fc.dirty | numpy | 1.14.3 | olefile | 0.45.1 |
| openpyxl | 2.5.3 | pandas | 0.23.0 | pandocfilters | 1.4.2 |
| paramiko | 2.4.1 | pathlib2 | 2.3.2 | Patsy | 0.5.0 |
| Pbr | 5.1.0 | pexpect | 4.5.0 | pickleshare | 0.7.4 |
| Párna | 5.1.0 | Pip | 10.0.1 | Réteg | 3.11 |
| prompt-toolkit | 1.0.15 | protobuf | 3.6.1 | psycopg2 | 2.7.5 |
| ptyprocess | 0.5.2 | pyarrow | 0.8.0 | pyasn1 | 0.4.4 |
| pycparser | 2.18 | Pygments | 2.2.0 | PyNaCl | 1.3.0 |
| pyOpenSSL | 18.0.0 | pyparsing | 2.2.0 | PySocks | 1.6.8 |
| Python | 2.7.15 | python-dateutil | 2.7.3 | pytz | 2018.4 |
| PyYAML | 3.12 | pyzmq | 17.0.0 | kérelmek | 2.18.4 |
| s3transfer | 0.1.13 | scandir | 1,7 | scikit-learn | 0.19.1 |
| scipy | 1.1.0 | tengeri | 0.8.1 | setuptools | 39.1.0 |
| simplegeneric | 0.8.1 | singledispatch | 3.4.0.3 | Hat | 1.11.0 |
| statsmodels | 0.9.0 | subprocess32 | 3.5.3 | tensorboard | 1.10.0 |
| tensorflow | 1.10.0 | termcolor | 1.1.0 | testpath | 0.3.1 |
| Tornádó | 5.0.2 | traceback2 | 1.4.0 | árulók | 4.3.2 |
| unittest2 | 1.1.0 | urllib3 | 1,22 | virtualenv | 16.0.0 |
| wcwidth | 0.1.7 | webencodings | 0.5.1 | Werkzeug | 0.14.1 |
| Kerék | 0.31.1 | wrapt | 1.10.11 | wsgiref | 0.1.2 |
Emellett a következő Spark-csomagok Python-modulokat is tartalmaznak:
| Spark-csomag | Python-modul | Verzió |
|---|---|---|
| tensorframes | tensorframes | 0.5.0-s_2.11 |
| gráfkeretek | gráfkeretek | 0.6.0-db3-spark2.4 |
| spark-deep-learning | sparkdl | 1.3.0-db2-spark2.4 |
R-kódtárak
Az R-kódtárak megegyeznek a Databricks Runtime 5.0 R-kódtárával.
Java- és Scala-kódtárak (Scala 2.11-fürt)
A Databricks Runtime 5.0 Java- és Scala-kódtárai mellett a Databricks Runtime 5.0 ML a következő JAR-eket tartalmazza:
| Csoportazonosító | Összetevő azonosítója | Verzió |
|---|---|---|
| com.databricks | spark-deep-learning | 1.3.0-db2-spark2.4 |
| org.tensorframes | tensorframes | 0.5.0-s_2.11 |
| org.graphframes | graphframes_2.11 | 0.6.0-db3-spark2.4 |
| org.tensorflow | libtensorflow | 1.10.0 |
| org.tensorflow | libtensorflow_jni | 1.10.0 |
| org.tensorflow | spark-tensorflow-connector_2.11 | 1.10.0-spark2.4-001 |
| org.tensorflow | tensorflow | 1.10.0 |
| ml.dmlc | xgboost4j | 0.80 |
| ml.dmlc | xgboost4j-spark | 0.80 |
| ml.combust.mleap | mleap-databricks-runtime_2.11 | 0.13.0-PILLANATKÉP |