Machine learning en AI met ONNX in SQL Edge
Belangrijk
Azure SQL Edge biedt geen ondersteuning meer voor het ARM64-platform.
Machine learning in Azure SQL Edge ondersteunt modellen in de ONNX-indeling (Open Neural Network Exchange). ONNX is een open indeling die u kunt gebruiken om modellen uit te wisselen tussen verschillende machine learning-frameworks en hulpprogramma's.
Overzicht
Als u machine learning-modellen wilt afleiden in Azure SQL Edge, moet u eerst een model ophalen. Dit kan een vooraf getraind model of een aangepast model zijn dat is getraind met uw framework naar keuze. Azure SQL Edge ondersteunt de ONNX-indeling en u moet het model converteren naar deze indeling. Er mag geen effect zijn op de nauwkeurigheid van het model en zodra u het ONNX-model hebt, kunt u het model implementeren in Azure SQL Edge en systeemeigen scoren gebruiken met de functie PREDICT T-SQL.
ONNX-modellen ophalen
Een model verkrijgen in de ONNX-indeling:
Modelbouwservices: Services zoals de geautomatiseerde Machine Learning-functie in Azure Machine Learning en Azure Custom Vision Service ondersteunen het rechtstreeks exporteren van het getrainde model in de ONNX-indeling.
Bestaande modellen converteren en/of exporteren: Verschillende trainingsframeworks (bijvoorbeeld PyTorch, Chainer en Caffe2) ondersteunen systeemeigen exportfunctionaliteit naar ONNX, waarmee u uw getrainde model kunt opslaan in een specifieke versie van de ONNX-indeling. Voor frameworks die geen ondersteuning bieden voor systeemeigen export, zijn er zelfstandige ONNX Converter installeerbare pakketten waarmee u modellen kunt converteren die zijn getraind vanuit verschillende machine learning-frameworks naar de ONNX-indeling.
Ondersteunde frameworks
-
Zie Converteren naar ONNX-indeling voor de volledige lijst met ondersteunde frameworks en voorbeelden.
Beperkingen
Momenteel worden niet alle ONNX-modellen ondersteund door Azure SQL Edge. De ondersteuning is beperkt tot modellen met numerieke gegevenstypen:
Andere numerieke typen kunnen worden geconverteerd naar ondersteunde typen met behulp van CAST en CONVERT.
De modelinvoer moet zodanig zijn gestructureerd dat elke invoer voor het model overeenkomt met één kolom in een tabel. Als u bijvoorbeeld een pandas-dataframe gebruikt om een model te trainen, moet elke invoer een afzonderlijke kolom voor het model zijn.