Pembelajaran mesin dan AI dengan ONNX di SQL Edge
Penting
Azure SQL Edge akan dihentikan pada 30 September 2025. Untuk informasi selengkapnya dan opsi migrasi, lihat Pemberitahuan penghentian.
Catatan
Azure SQL Edge tidak lagi mendukung platform ARM64.
Pembelajaran mesin di Azure SQL Edge mendukung model dalam format Open Neural Network Exchange (ONNX). ONNX adalah format terbuka yang dapat Anda gunakan untuk bertukar model antara berbagai kerangka kerja dan alat pembelajaran mesin.
Gambaran Umum
Untuk menyimpulkan model pembelajaran mesin di Azure SQL Edge, Anda harus terlebih dahulu mendapatkan model. Ini bisa menjadi model yang telah dilatih sebelumnya atau model kustom yang dilatih dengan kerangka kerja pilihan Anda. Azure SQL Edge mendukung format ONNX dan Anda perlu mengonversi model ke format ini. Seharusnya tidak ada efek pada akurasi model, dan setelah Anda memiliki model ONNX, Anda dapat menyebarkan model di Azure SQL Edge dan menggunakan penilaian asli dengan fungsi PREDICT T-SQL.
Dapatkan model ONNX
Untuk mendapatkan model dalam format ONNX:
Layanan Pembangunan Model: Layanan seperti fitur Machine Learning otomatis di Azure Machine Learning dan Azure Custom Vision Service mendukung ekspor langsung model terlatih dalam format ONNX.
Mengonversi dan/atau mengekspor model yang ada: Beberapa kerangka kerja pelatihan (misalnya, PyTorch, Chainer, dan Caffe2) mendukung fungsionalitas ekspor asli ke ONNX, yang memungkinkan Anda menyimpan model terlatih Anda ke versi tertentu dari format ONNX. Untuk kerangka kerja yang tidak mendukung ekspor asli, ada paket yang dapat diinstal ONNX Converter mandiri yang memungkinkan Anda mengonversi model yang dilatih dari kerangka kerja pembelajaran mesin yang berbeda ke format ONNX.
Kerangka kerja yang didukung
-
Untuk daftar lengkap kerangka kerja dan contoh yang didukung, lihat Mengonversi ke format ONNX.
Batasan
Saat ini, tidak semua model ONNX didukung oleh Azure SQL Edge. Dukungan terbatas pada model dengan jenis data numerik:
Jenis numerik lainnya dapat dikonversi ke jenis yang didukung dengan menggunakan CAST dan CONVERT.
Input model harus disusun sehingga setiap input ke model sesuai dengan satu kolom dalam tabel. Misalnya, jika Anda menggunakan kerangka data panda untuk melatih model, maka setiap input harus menjadi kolom terpisah ke model.