Databricks Runtime 5.3 ML (EoS)
Feljegyzés
A Databricks Runtime-verzió támogatása véget ért. A támogatás megszűnésének dátumáról lásd a támogatási előzményeket. Az összes támogatott Databricks Runtime-verziót lásd : Databricks Runtime release notes versions and compatibility.
A Databricks 2019 áprilisában adta ki ezt a verziót.
A Databricks Runtime 5.3 ML használatra kész környezetet biztosít a Databricks Runtime 5.3 (EoS) alapú gépi tanuláshoz és adatelemzéshez. Az ML-hez készült Databricks Runtime számos népszerű gépi tanulási kódtárat tartalmaz, köztük a TensorFlow- és PyTorch-, Keras- és XGBoost-kódtárakat. Emellett támogatja az elosztott mélytanulási képzést a Horovod használatával.
További információkért, beleértve a Databricks Runtime ML-fürt létrehozásának utasításait, tekintse meg a Databricks AI-jét és gépi tanulását.
Új funkciók
A Databricks Runtime 5.3 ML a Databricks Runtime 5.3-ra épül. A Databricks Runtime 5.3 újdonságairól a Databricks Runtime 5.3 (EoS) kibocsátási megjegyzéseiben olvashat. A könyvtárfrissítések mellett a Databricks Runtime 5.3 ML a következő új funkciókat mutatja be:
MLflow + Apache Spark MLlib integráció: A Databricks Runtime 5.3 ML támogatja az MLflow-futtatások automatikus naplózását a PySpark-finomhangolási algoritmusokkal
CrossValidatorésTrainValidationSplit.Fontos
A funkció privát előzetes verzióban érhető el. Az engedélyezéssel kapcsolatban forduljon az Azure Databricks értékesítési képviselőjéhez.
A következő kódtárakat frissíti a legújabb verzióra:
A Databricks ML Model Export API elavult. Az Azure Databricks inkább az MLeap használatát javasolja, amely szélesebb körű lefedettséget biztosít az MLlib-modelltípusokról. További információ az MLeap ML-modellexportálásról.
Feljegyzés
A Databricks Runtime 5.3 emellett egy új, adatbetöltésre, modellellenőrzésre és naplózásra optimalizált FUSE-csatlakoztatást is tartalmaz az egyes feldolgozóktól egy megosztott tárolóhelyre file:/dbfs/ml, amely nagy teljesítményű I/O-t biztosít a mélytanulási számítási feladatokhoz. Lásd: Adatok betöltése gépi tanuláshoz és mély tanuláshoz.
Karbantartási frissítések
Lásd: Databricks Runtime 5.4 ML karbantartási frissítések.
Rendszerkörnyezet
A Databricks Runtime 5.3 ML rendszerkörnyezete az alábbiak szerint különbözik a Databricks Runtime 5.3-tól:
- Python: 2.7.15 Python 2-fürtökhöz és 3.6.5 Python 3-fürtökhöz.
- DBUtils: A Databricks Runtime 5.3 ML nem tartalmaz Könyvtár segédprogramot (dbutils.library) (örökölt).
- GPU-fürtök esetén a következő NVIDIA GPU-kódtárak:
- Tesla driver 396.44
- CUDA 9.2
- CUDNN 7.2.1
Könyvtárak
Az alábbi szakaszok a Databricks Runtime 5.3 ML-ben található kódtárakat sorolják fel, amelyek eltérnek a Databricks Runtime 5.3-ban szereplő kódtáraktól.
Felső szintű kódtárak
A Databricks Runtime 5.3 ML a következő legfelső szintű kódtárakat tartalmazza:
Python-kódtárak
A Databricks Runtime 5.3 ML a Condát használja a Python-csomagkezeléshez. Ennek eredményeképpen az előre telepített Python-kódtárakban jelentős különbségek vannak a Databricks Runtime-hoz képest. Az alábbiakban a Conda csomagkezelővel telepített Python-csomagok és -verziók teljes listája látható.
| Könyvtár | Verzió | Könyvtár | Verzió | Könyvtár | Verzió |
|---|---|---|---|---|---|
| absl-py | 0.7.0 | 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 | 3.1.6 | 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 |
| kriptográfia | 2.2.2 | biciklista | 0.10.0 | Cython | 0.28.2 |
| lakberendező | 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 | határidőügylet | 3.2.0 |
| Gast | 0.2.2 | grpcio | 1.12.1 | h5py | 2.8.0 |
| horovod | 0.16.0 | 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 | MarkupSafe | 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 | 5.1.1 | pexpect | 4.5.0 | pickleshare | 0.7.4 |
| Párna | 5.1.0 | mag | 10.0.1 | réteg | 3.11 |
| prompt-toolkit | 1.0.15 | protobuf | 3.6.1 | psutil | 5.6.0 |
| psycopg2 | 2.7.5 | ptyprocess | 0.5.2 | pyarrow | 0.12.1 |
| pyasn1 | 0.4.5 | 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 | 1.12.2 | tensorboardX | 1.6 | tensorflow | 1.12.0 |
| termcolor | 1.1.0 | testpath | 0.3.1 | fáklya | 0.4.1 |
| torchvision | 0.2.1 | 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 |
|---|---|---|
| gráfkeretek | gráfkeretek | 0.7.0-db1-spark2.4 |
| spark-deep-learning | sparkdl | 1.5.0-db1-spark2.4 |
| tensorframes | tensorframes | 0.6.0-s_2.11 |
R-kódtárak
Az R-kódtárak megegyeznek a Databricks Runtime 5.3 R-kódtáraival.
Java- és Scala-kódtárak (Scala 2.11-fürt)
A Databricks Runtime 5.3 Java- és Scala-kódtárai mellett a Databricks Runtime 5.3 ML a következő JAR-eket tartalmazza:
| Csoportazonosító | Összetevő azonosítója | Verzió |
|---|---|---|
| com.databricks | spark-deep-learning | 1.5.0-db1-spark2.4 |
| com.typesafe.akka | akka-actor_2.11 | 2.3.11 |
| ml.combust.mleap | mleap-databricks-runtime_2.11 | 0.13.0 |
| ml.dmlc | xgboost4j | 0.81 |
| ml.dmlc | xgboost4j-spark | 0.81 |
| org.graphframes | graphframes_2.11 | 0.7.0-db1-spark2.4 |
| org.tensorflow | libtensorflow | 1.12.0 |
| org.tensorflow | libtensorflow_jni | 1.12.0 |
| org.tensorflow | spark-tensorflow-connector_2.11 | 1.12.0 |
| org.tensorflow | tensorflow | 1.12.0 |
| org.tensorframes | tensorframes | 0.6.0-s_2.11 |