Megjegyzés
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhat bejelentkezni vagy módosítani a címtárat.
Az oldalhoz való hozzáféréshez engedély szükséges. Megpróbálhatja módosítani a címtárat.
A következőkre vonatkozik:
SQL Server 2016 (13.x) és újabb verziók
Ez a cikk ismerteti, hogy az SQL Server Machine Learning Services egyes verzióiban milyen új képességek és funkciók szerepelnek. A gépi tanulási képességek minden kiadásban hozzá lesznek adva az SQL Serverhez, miközben tovább bővítjük, bővítjük és elmélyítjük az adatplatform, a fejlett elemzés és az adatelemzés közötti integrációt.
Jegyzet
A funkciók képességei és a telepítési lehetőségek az SQL Server különböző verzióiban eltérőek. Az SQL Server megfelelő verziójának kiválasztásához használja a verzióválasztó legördülő menüt.
Az SQL Server 2022 újdonságai
Az SQL Server 2022 -től (16.x) kezdődően az R, Python és Java futtatókörnyezetek már nincsenek telepítve az SQL-beállítással. Ehelyett telepítse a kívánt egyéni futtatókörnyezet(ek)et és csomagokat. További információkért lásd: „SQL Server 2022 Machine Learning Services (Python és R) telepítése Windows” vagy „SQL Server Machine Learning Services (Python és R) telepítése Linux”.
Az SQL Server 2019 újdonságai
Ez a kiadás hozzáadja az SQL Server Python- és R-gépi tanulási műveleteihez szükséges legfontosabb funkciókat. A jelen kiadás összes funkciójáról további információt Az SQL Server 2019 újdonságai és SQL Server 2019 kibocsátási megjegyzései.
Az SQL Server 2019 Java és C# verziójának új dokumentációját az Az SQL Server nyelvi bővítményeinek újdonságai című témakörben találja..
Az alábbiakban az SQL Server Machine Learning Services új funkciói találhatók, amelyek Windows és Linuxegyaránt elérhetők:
- A Linux platform támogatása bekerült a Pythonhoz és R-hez készült gépi tanulási szolgáltatásokba. Kezdje el az SQL Server Gépi Tanulási Szolgáltatások telepítését Linuxra így: .
- Visszacsatolási kapcsolat az SQL Serverhez Python- vagy R-szkriptből.
- CREATE EXTERNAL LIBRARY (Transact-SQL) R-hez és Pythonhoz.
- A sp_execute_external_script két új paramétert vezet be, amelyek lehetővé teszik több modell létrehozását particionált adatokból. Tudjon meg többet ebben az oktatóanyagban, a(z) Partícióalapú modellek létrehozása az R-bencíműben.
- A Feladatátvevő fürt támogatása a Launchpad szolgáltatáshoz érhető el, feltéve, hogy az SQL Server Launchpad szolgáltatás minden csomóponton elindul. További információért lásd: SQL Server feladatátvevő fürt telepítése.
- A Machine Learning Services elkülönítési mechanizmusának változásai. További információ: SQL Server 2019 Windows rendszeren: A Machine Learning Services elkülönítési módosításai.
Az SQL Server 2017 újdonságai
Ez a kiadás Python-támogatást és iparágvezető gépi tanulási algoritmusokat. Az új hatókörnek megfelelően átnevezett SQL Server 2017 a SQL Server Machine Learning Services (In-Database)bevezetését jelöli, a Python és az R nyelvi támogatásával.
A funkcióbejelentések teljes körű ismertetése: Az SQL Server 2017 újdonságai.
R-fejlesztések
Az SQL Server Machine Learning Services R-összetevője az SQL Server 2016 R Services következő generációja, az alap R, a RevoScaler és más csomagok frissített verzióival.
Az R új funkciói közé tartozik csomagkezelési, a következő kiemelésekkel:
- Az adatbázis-szerepkörök segítenek a dbA-knak a csomagok kezelésében és a csomagok telepítésére vonatkozó engedélyek hozzárendelésében.
- CREATE EXTERNAL LIBRARY segít a adatbázis-kezelőknek a csomagok kezelésében a már ismert T-SQL-nyelven.
- RevoScaleR függvények segítenek telepíteni, eltávolítani vagy listázni a felhasználók tulajdonában lévő csomagokat. További információért látogasson el: Hogyan használjuk a RevoScaleR függvényeket az R-csomagok megkereséséhez vagy telepítéséhez az SQL Server-en.
R-kódtárak
| Csomag | Leírás |
|---|---|
| MicrosoftML | Ebben a kiadásban a MicrosoftML egy alapértelmezett R-telepítés része, így az előző SQL Server 2016 R-szolgáltatásokban szükséges frissítési lépés megszűnik. A MicrosoftML a legkorszerűbb gépi tanulási algoritmusokat és adatátalakításokat biztosítja, amelyek méretezhetők vagy futtathatók távoli számítási környezetekben. Az algoritmusok közé tartoznak a testreszabható mély neurális hálózatok, a gyors döntési fák és a döntési erdők, a lineáris regresszió és a logisztikai regresszió. |
Python-integráció az adatbázison belüli elemzésekhez
A Python egy olyan nyelv, amely nagy rugalmasságot és energiát kínál számos gépi tanulási feladathoz. A Python nyílt forráskódú kódtárai számos platformot tartalmaznak testre szabható neurális hálózatokhoz, valamint népszerű kódtárakat a természetes nyelvi feldolgozáshoz.
Mivel a Python integrálva van az adatbázismotorral, az elemzéseket az adatok közelében tarthatja, és kiküszöbölheti az adatáthelyezéssel járó költségeket és biztonsági kockázatokat. Python-alapú gépi tanulási megoldásokat telepíthet olyan eszközökkel, mint a Visual Studio. Az éles alkalmazások SQL Server-adathozzáférési módszerekkel kaphatnak előrejelzéseket, modelleket vagy vizualizációkat a Python 3.5-ös futtatókörnyezetből.
A T-SQL- és Python-integráció a sp_execute_external_script rendszer által tárolt eljárással támogatott. Ezzel a tárolt eljárással bármilyen Python-kódot meghívhat. A kód biztonságos, kettős architektúrában fut, amely lehetővé teszi a Python-modellek és szkriptek nagyvállalati szintű üzembe helyezését, amely egy alkalmazásból hívható meg egy egyszerű tárolt eljárással. További teljesítménynövekedést érhet el az adatok SQL-ből Python-folyamatokba való streamelésével és MPI-gyűrűk párhuzamosításával.
A T-SQL PREDICT függvénnyel natív pontozási hajthat végre egy előre betanított modellen, amelyet korábban a szükséges bináris formátumban mentettek.
Python-kódtárak
| Csomag | Leírás |
|---|---|
| revoscalepy | A RevoScaleR Python-megfelelője. Létrehozhat Python-modelleket lineáris és logisztikai regressziókhoz, döntési fákhoz, megnövelt fákhoz és véletlenszerű erdőkhöz, amelyek mind párhuzamosak, és távoli számítási környezetekben futtathatók. Ez a csomag több adatforrás és távoli számítási környezet használatát is támogatja. Az adatelemző vagy -fejlesztő végrehajthatja a Python-kódot egy távoli SQL Serveren, hogy adatokat tárjon fel vagy modelleket hozzon létre adatok áthelyezése nélkül. |
| microsoftml | A MicrosoftML R-csomag Python-megfelelője. |
Előre betanított modellek
Előre betanított modellek python és R esetén is elérhetők. Ezeket a modelleket képfelismeréshez és pozitív-negatív hangulatelemzéshez használhatja, hogy előrejelzéseket hozzon létre a saját adatain.
Önálló kiszolgáló megosztott szolgáltatásként az SQL Server telepítőjében
Ez a kiadás hozzáadja a SQL Server Machine Learning Server (önálló)-t, amely egy teljesen független adattudományi kiszolgáló, amely támogatja a statisztikai és prediktív elemzéseket R-ben és Pythonban. Az R-szolgáltatásokhoz hasonlóan ez a kiszolgáló az SQL Server 2016 R Server (önálló) következő verziója. Az önálló kiszolgálóval olyan R- vagy Python-megoldásokat terjeszthet és skálázhat, amely nem függ az SQL Server-hez.
Az SQL Server 2016 újdonságai
Ez a kiadás gépi tanulási képességeket vezetett be az SQL Serverbe SQL Server 2016 R Servicessegítségével, amely egy adatbázis-elemzési motor, amely R-szkriptet dolgoz fel egy adatbázismotor-példányon belüli rezidens adatokon.
Emellett SQL Server 2016 R Server (önálló) is megjelent az R Server Windows Serverre való telepítésének módjaként. Kezdetben az SQL Server telepítője biztosította az egyetlen lehetőséget a Windows R Server telepítéséhez. A későbbi kiadásokban azok a fejlesztők és adattudósok, akik az R Servert Windows rendszeren akarták használni, egy másik különálló telepítőt is használhatnak ugyanahhoz a célhoz. Az SQL Server önálló kiszolgálója funkcionálisan egyenértékű az önálló kiszolgáló termékével, Microsoft R Server for Windows.
A funkcióbejelentések teljes körű ismertetése: Az SQL Server 2016újdonságai.
| Kiadás | Funkciófrissítés |
|---|---|
| CU kiegészítések | valós idejű pontozási natív C++ kódtárakra támaszkodik egy optimalizált bináris formátumban tárolt modell olvasásához, majd előrejelzéseket generál az R-futtatókörnyezet meghívása nélkül. Ez sokkal gyorsabban teszi a pontozási műveleteket. Valós idejű pontozással futtathat tárolt eljárást, vagy valós idejű pontozást végezhet R-kódból. Valós idejű pontozás az SQL Server 2016-hoz is elérhető, ha a példány a Microsoft R Server legújabb kiadására frissül. |
| Kezdeti kiadás |
R-integráció az adatbázison belüli elemzéshez. R-csomagok az R-függvények T-SQL-ben való meghívásához, és fordítva. A RevoScaleR-függvények nagy léptékű R-analitikát biztosítanak az adatok összetevőkre való bontásával, az elosztott feldolgozás koordinálásával és kezelésével, valamint az eredmények összesítésével. Az SQL Server 2016 R Servicesben (In-Database) a RevoScaleR motor integrálva van egy adatbázismotor-példánysal, és ugyanabban a feldolgozási környezetben egyesíti az adatokat és az elemzéseket. T-SQL és R integráció sp_execute_external_scriptkeresztül. Ezzel a tárolt eljárással bármilyen R-kódot meghívhat. Ez a biztonságos infrastruktúra lehetővé teszi az Rn-modellek és -szkriptek nagyvállalati szintű üzembe helyezését, amelyek egy alkalmazásból hívhatók meg egy egyszerű tárolt eljárással. További teljesítménynövekedést érhet el az adatok SQL-ből R-folyamatokba való streamelésével és MPI-gyűrűk párhuzamosításával. A T-SQL PREDICT függvénnyel natív pontozási hajthat végre egy előre betanított modellen, amelyet korábban a szükséges bináris formátumban mentettek. |
Linux-támogatás
Az SQL Server 2019 linuxos támogatást ad az R-hez és a Pythonhoz, amikor a gépi tanulási csomagokat adatbázismotor-példánysal telepíti. További információkért lásd: A(z) SQL Server Machine Learning Services telepítése Linux rendszeren.
Linux rendszeren az SQL Server 2017 nem rendelkezik R- vagy Python-integrációval, de a Linuxon is használható a natív értékelés funkció, mivel ez a funkció a Linuxon futó T-SQL PREDICTkeresztül érhető el. A natív pontozás lehetővé teszi a nagy teljesítményű értékelést egy előre betanított modell alapján, anélkül, hogy R futási környezetet kellene meghívni vagy igényelni.