Uczenie maszynowe i sztuczna inteligencja z funkcją ONNX w usłudze SQL Edge
Ważne
Usługa Azure SQL Edge nie obsługuje już platformy ARM64.
Uczenie maszynowe w usłudze Azure SQL Edge obsługuje modele w formacie Open Neural Network Exchange (ONNX). ONNX to otwarty format, którego można używać do wymiany modeli między różnymi platformami uczenia maszynowego i narzędziami.
Omówienie
Aby wywnioskować modele uczenia maszynowego w usłudze Azure SQL Edge, najpierw musisz uzyskać model. Może to być wstępnie wytrenowany model lub niestandardowy wytrenowany przy użyciu wybranej struktury. Usługa Azure SQL Edge obsługuje format ONNX i musisz przekonwertować model na ten format. Nie powinno mieć wpływu na dokładność modelu, a po utworzeniu modelu ONNX można wdrożyć model w usłudze Azure SQL Edge i użyć natywnego oceniania za pomocą funkcji PREDICT T-SQL.
Pobieranie modeli ONNX
Aby uzyskać model w formacie ONNX:
Usługi tworzenia modelu: usługi, takie jak funkcja zautomatyzowanej Edukacja maszyny w usłudze Azure Machine Edukacja i Azure Custom Vision Service, obsługują bezpośrednie eksportowanie wytrenowanego modelu w formacie ONNX.
Konwertowanie i/lub eksportowanie istniejących modeli: kilka platform szkoleniowych (na przykład PyTorch, Chainer i Caffe2) obsługuje natywne funkcje eksportu do ONNX, co umożliwia zapisanie wytrenowanego modelu w określonej wersji formatu ONNX. W przypadku struktur, które nie obsługują eksportu natywnego, istnieją autonomiczne pakiety instalowane konwertera ONNX, które umożliwiają konwertowanie modeli wytrenowanych z różnych struktur uczenia maszynowego na format ONNX.
Obsługiwane platformy
-
Aby uzyskać pełną listę obsługiwanych struktur i przykładów, zobacz Konwertowanie na format ONNX.
Ograniczenia
Obecnie nie wszystkie modele ONNX są obsługiwane przez usługę Azure SQL Edge. Obsługa jest ograniczona do modeli z typami danych liczbowych:
Inne typy liczbowe można przekonwertować na obsługiwane typy przy użyciu funkcji CAST i CONVERT.
Dane wejściowe modelu powinny być ustrukturyzowane, tak aby każde dane wejściowe modelu odpowiadały jednej kolumnie w tabeli. Jeśli na przykład używasz ramki danych pandas do trenowania modelu, każde dane wejściowe powinny być oddzielną kolumną dla modelu.