Gépi tanulás és AI ONNX-lel az SQL Edge-ben
Fontos
Az Azure SQL Edge már nem támogatja az ARM64 platformot.
Az Azure SQL Edge gépi tanulása nyílt neurális hálózati exchange (ONNX) formátumban támogatja a modelleket. Az ONNX egy nyílt formátum, a különböző gépi tanulási keretrendszerek és eszközök közötti modellek felcserélésére használható.
Áttekintés
Ha gépi tanulási modelleket szeretne kikövetkeztetni az Azure SQL Edge-ben, először be kell szereznie egy modellt. Ez lehet egy előre betanított modell vagy egy egyéni modell, amely az Ön által választott keretrendszerrel van betanítve. Az Azure SQL Edge támogatja az ONNX formátumot, és a modellt erre a formátumra kell konvertálnia. Nincs hatással a modell pontosságára, és ha már rendelkezik az ONNX-modellel, üzembe helyezheti a modellt az Azure SQL Edge-ben, és natív pontozást használhat a PREDICT T-SQL függvénnyel.
ONNX-modellek lekérése
Modell lekérése ONNX formátumban:
Modellépítési szolgáltatások: Az Olyan szolgáltatások, mint az Azure Machine Tanulás automatizált gép Tanulás funkciója és az Azure Custom Vision Service támogatja a betanított modell ONNX formátumban történő közvetlen exportálását.
Meglévő modellek konvertálása és/vagy exportálása: Számos betanítási keretrendszer (például a PyTorch, a Chainer és a Caffe2) támogatja a natív exportálási funkciókat az ONNX-be, így a betanított modellt az ONNX formátum egy adott verziójára mentheti. A natív exportálást nem támogató keretrendszerek esetében különálló ONNX-konverter telepíthető csomagok állnak rendelkezésre, amelyek lehetővé teszik a különböző gépi tanulási keretrendszerekből betanított modellek ONNX formátumba való konvertálását.
Támogatott keretrendszerek
-
A támogatott keretrendszerek és példák teljes listáját lásd : Konvertálás ONNX formátumra.
Korlátozások
Az Azure SQL Edge jelenleg nem minden ONNX-modellt támogat. A támogatás numerikus adattípusú modellekre korlátozódik:
Más numerikus típusok támogatott típussá alakíthatók a CAST és a CONVERT használatával.
A modell bemeneteit úgy kell strukturálni, hogy a modell minden bemenete egy tábla egyetlen oszlopának feleljen meg. Ha például pandas-adatkeretet használ egy modell betanítása céljából, akkor minden bemenetnek külön oszlopnak kell lennie a modellhez.