Framework di Deep Learning e IA per Data Science Virtual Machine di Azure
Di seguito sono elencati i framework di Deep Learning in DSVM:
Driver CUDA, cuDNN, NVIDIA
Categoria | Valore |
---|---|
Versioni supportate | 11 |
Edizioni di DSVM supportate | Windows Server 2019 Linux |
Come viene configurato e installato in DSVM? | nvidia-smi è disponibile nel percorso del sistema. |
Modalità di esecuzione | Avviare un prompt dei comandi in Windows o un terminale in Linux, quindi eseguire nvidia-smi. |
Horovod
Categoria | Valore |
---|---|
Versioni supportate | 0.21.3 |
Edizioni di DSVM supportate | Linux |
Come viene configurato e installato in DSVM? | Horovod istallato in Python 3.5 |
Modalità di esecuzione | Attivare l'ambiente corretto nel terminale, quindi eseguire Python. |
NVidia System Management Interface (nvidia-smi)
Categoria | Valore |
---|---|
Versioni supportate | |
Edizioni di DSVM supportate | Windows Server 2019 Linux |
Scopo | Come strumento NVIDIA per eseguire query su attività GPU |
Come viene configurato e installato in DSVM? | nvidia-smi si trova nel percorso di sistema. |
Modalità di esecuzione | In una macchina virtuale con GPU aprire un prompt dei comandi ( Windows) o un terminale (in Linux), quindi eseguire nvidia-smi . |
PyTorch
Categoria | Valore |
---|---|
Versioni supportate | 1.9.0 (Linux, Windows 2019) |
Edizioni di DSVM supportate | Windows Server 2019 Linux |
Come viene configurato e installato in DSVM? | Installato in Python, ambienti conda 'py38_default', 'py38_pytorch' |
Modalità di esecuzione | Nel terminale attivare l'ambiente appropriato e quindi eseguire Python. * JupyterHub: connettersi, quindi aprire la directory di PyTorch per gli esempi. |
TensorFlow
Categoria | Valore |
---|---|
Versioni supportate | 2.5 |
Edizioni di DSVM supportate | Windows Server 2019 Linux |
Come viene configurato e installato in DSVM? | Installato in Python, ambienti conda 'py38_default', 'py38_tensorflow' |
Modalità di esecuzione | Nel terminale, attivare l'ambiente corretto, quindi eseguire Python. *Jupyter: connettersi a Jupyter oppure a JupyterHub, quindi aprire la directory di TensorFlow per gli esempi. |