Databricks Runtime 10.3 for ML (EoS)
Uwaga
Obsługa tej wersji środowiska Databricks Runtime została zakończona. Aby uzyskać datę zakończenia pomocy technicznej, zobacz Historia zakończenia pomocy technicznej. Wszystkie obsługiwane wersje środowiska Databricks Runtime można znaleźć w temacie Databricks Runtime release notes versions and compatibility (Wersje i zgodność środowiska Databricks Runtime).
Środowisko Databricks Runtime 10.3 for Machine Learning zapewnia gotowe do użycia środowisko do uczenia maszynowego i nauki o danych oparte na środowisku Databricks Runtime 10.3 (EoS). Środowisko Databricks Runtime ML zawiera wiele popularnych bibliotek uczenia maszynowego, w tym TensorFlow, PyTorch i XGBoost. Środowisko Databricks Runtime ML obejmuje rozwiązanie AutoML— narzędzie do automatycznego trenowania potoków uczenia maszynowego. Środowisko Databricks Runtime ML obsługuje również trenowanie rozproszonego uczenia głębokiego przy użyciu struktury Horovod.
Aby uzyskać więcej informacji, w tym instrukcje dotyczące tworzenia klastra uczenia maszynowego usługi Databricks Runtime, zobacz Sztuczna inteligencja i uczenie maszynowe w usłudze Databricks.
Nowe funkcje i ulepszenia
Środowisko Databricks Runtime 10.3 ML jest oparte na środowisku Databricks Runtime 10.3. Aby uzyskać informacje o nowościach w środowisku Databricks Runtime 10.3, w tym apache Spark MLlib i SparkR, zobacz informacje o wersji środowiska Databricks Runtime 10.3 (EoS).
Ulepszenia rozwiązania AutoML usługi Databricks
Następujące ulepszenia zostały wprowadzone w usłudze Databricks AutoML.
Rozwiązanie AutoML obsługuje teraz model ARIMA na potrzeby prognozowania
Oprócz proroka rozwiązanie AutoML tworzy teraz i ocenia modele ARIMA na potrzeby prognozowania problemów.
Wykluczanie kolumn z zestawu danych
W przypadku korzystania z interfejsu API automatycznego uczenia maszynowego można określić kolumny, które mają być ignorowane przez rozwiązanie AutoML podczas wykonywania obliczeń. Jest to dostępne tylko w przypadku problemów klasyfikacji i regresji. Aby uzyskać szczegółowe informacje, zobacz Azure Databricks AutoML Python API reference (Dokumentacja interfejsu API języka Python w usłudze Azure Databricks).
Wykluczanie struktur algorytmów z przebiegu rozwiązania AutoML
Można określić struktury algorytmów, takie jak scikit-learn, że rozwiązanie AutoML nie powinno być uwzględniane podczas tworzenia modeli. Aby uzyskać szczegółowe informacje, zobacz Artykuł Advanced configurations and Azure Databricks AutoML Python API reference (Zaawansowane konfiguracje i dokumentacja interfejsu API języka Python w usłudze Azure Databricks).
max_trials
Przestarzałe
Parametr max_trials
jest przestarzały i zostanie usunięty w następnej głównej wersji usługi Databricks Runtime ML. Służy timeout_minutes
do kontrolowania czasu trwania przebiegu rozwiązania AutoML. Ponadto w środowisku Databricks Runtime 10.1 ML i nowszym rozwiązanie AutoML obejmuje wczesne zatrzymywanie; zatrzyma trenowanie i dostrajanie modeli, jeśli metryka walidacji nie będzie już ulepszana.
Ulepszenia magazynu funkcji usługi Databricks
Teraz można stosować wyszukiwania do tabel funkcji szeregów czasowych do punktów w czasie. Aby uzyskać szczegółowe informacje, zobacz Obsługa punktów w czasie przy użyciu tabel funkcji szeregów czasowych.
Automatyczne rejestrowanie usługi Databricks (ogólna dostępność)
Automatyczne rejestrowanie usługi Databricks jest teraz ogólnie dostępne w środowisku Databricks Runtime 10.3 ML. Automatyczne rejestrowanie usługi Databricks to rozwiązanie bez kodu, które zapewnia automatyczne śledzenie eksperymentów na potrzeby sesji uczenia maszynowego w usłudze Azure Databricks. Dzięki funkcji automatycznego rejestrowania usługi Databricks parametry modelu, metryki, pliki i informacje o pochodzenia są automatycznie przechwytywane podczas trenowania modeli z różnych popularnych bibliotek uczenia maszynowego. Sesje szkoleniowe są rejestrowane jako przebiegi śledzenia MLflow. Pliki modelu są również śledzone, dzięki czemu można je łatwo rejestrować w rejestrze modeli MLflow i wdrażać je na potrzeby oceniania w czasie rzeczywistym za pomocą usługi MLflow Model Serving.
Aby uzyskać więcej informacji, zobacz Automatyczne rejestrowanie w usłudze Databricks.
Środowisko systemu
Środowisko systemowe w środowisku Databricks Runtime 10.3 ML różni się od środowiska Databricks Runtime 10.3 w następujący sposób:
- DBUtils: Środowisko uruchomieniowe Databricks Runtime ML nie zawiera narzędzia biblioteki (dbutils.library) (starsza wersja).
Zamiast tego użyj
%pip
poleceń. Zobacz Biblioteki języka Python o zakresie notesu. - W przypadku klastrów gpu środowisko Databricks Runtime ML obejmuje następujące biblioteki procesora GPU FIRMY NVIDIA:
- CUDA 11.0
- cuDNN 8.0.5.39
- NCCL 2.10.3
- TensorRT 7.2.2
Biblioteki
W poniższych sekcjach wymieniono biblioteki zawarte w środowisku Databricks Runtime 10.3 ML, które różnią się od bibliotek zawartych w środowisku Databricks Runtime 10.3.
W tej sekcji:
- Biblioteki najwyższego poziomu
- Biblioteki języka Python
- Biblioteki języka R
- Biblioteki Java i Scala (klaster Scala 2.12)
Biblioteki najwyższego poziomu
Środowisko Databricks Runtime 10.3 ML obejmuje następujące biblioteki najwyższego poziomu:
- GraphFrames
- Horovod i HorovodRunner
- MLflow
- PyTorch
- spark-tensorflow-connector
- TensorFlow
- TensorBoard
Biblioteki języka Python
Środowisko Databricks Runtime 10.3 ML używa usługi Virtualenv do zarządzania pakietami języka Python i zawiera wiele popularnych pakietów uczenia maszynowego.
Oprócz pakietów określonych w poniższych sekcjach środowisko Databricks Runtime 10.3 ML zawiera również następujące pakiety:
- hyperopt 0.2.7.db1
- sparkdl 2.2.0-db5
- feature_store 0.3.7
- automl 1.6.0
Biblioteki języka Python w klastrach procesora CPU
Biblioteka | Wersja | Biblioteka | Wersja | Biblioteka | Wersja |
---|---|---|---|---|---|
absl-py | 0.11.0 | Antergos Linux | 2015.10 (rolling ISO) | appdirs | 1.4.4 |
argon2-cffi | 20.1.0 | Astor | 0.8.1 | astunparse | 1.6.3 |
async-generator | 1.10 | attrs | 20.3.0 | backcall | 0.2.0 |
bcrypt | 3.2.0 | bidict | 0.21.4 | wybielacz | 3.3.0 |
blis | 0.7.4 | boto3 | 1.16.7 | botocore | 1.19.7 |
cachetools | 4.2.4 | katalog | 2.0.6 | certifi | 2020.12.5 |
cffi | 1.14.5 | chardet | 4.0.0 | kliknięcie | 7.1.2 |
cloudpickle | 1.6.0 | cmdstanpy | 0.9.68 | configparser | 5.0.1 |
konwertuj | 2.3.2 | kryptografia | 3.4.7 | rowerzysta | 0.10.0 |
cymem | 2.0.5 | Cython | 0.29.23 | databricks-automl-runtime | 0.2.5 |
databricks-cli | 0.16.2 | dbl-tempo | 0.1.2 | dbus-python | 1.2.16 |
dekorator | 5.0.6 | defusedxml | 0.7.1 | koper | 0.3.2 |
diskcache | 5.2.1 | distlib | 0.3.4 | dystrybucja informacji | 0.23ubuntu1 |
punkty wejścia | 0.3 | efem | 4.1.3 | aspekty — omówienie | 1.0.0 |
fasttext | 0.9.2 | filelock | 3.0.12 | Flask | 1.1.2 |
flatbuffers | 2.0 | fsspec | 0.9.0 | przyszłość | 0.18.2 |
Gast | 0.4.0 | gitdb | 4.0.7 | GitPython | 3.1.12 |
google-auth | 1.22.1 | google-auth-oauthlib | 0.4.2 | makaron google | 0.2.0 |
grpcio | 1.39.0 | gunicorn | 20.0.4 | gviz-api | 1.10.0 |
h5py | 3.1.0 | konwerter hidżri | 2.2.2 | wakacje | 0,12 |
horovod | 0.23.0 | htmlmin | 0.1.12 | przytulanieface-hub | 0.1.2 |
idna | 2.10 | ImageHash | 4.2.1 | niezrównoważona nauka | 0.8.1 |
importlib-metadata | 3.10.0 | ipykernel | 5.3.4 | ipython | 7.22.0 |
ipython-genutils | 0.2.0 | ipywidgets | 7.6.3 | isodate | 0.6.0 |
jegodangerous | 1.1.0 | jedi | 0.17.2 | Jinja2 | 2.11.3 |
jmespath | 0.10.0 | joblib | 1.0.1 | joblibspark | 0.3.0 |
jsonschema | 3.2.0 | jupyter-client | 6.1.12 | jupyter-core | 4.7.1 |
jupyterlab-pygments | 0.1.2 | jupyterlab-widgets | 1.0.0 | keras | 2.7.0 |
Przetwarzanie wstępne protokołu Keras | 1.1.2 | kiwisolver | 1.3.1 | Koale | 1.8.2 |
koreański kalendarz księżycowy | 0.2.1 | langcodes | 3.3.0 | libclang | 12.0.0 |
lightgbm | 3.3.1 | llvmlite | 0.38.0 | KsiężycowyCalendar | 0.0.9 |
Mako | 1.1.3 | Znaczniki języka Markdown | 3.3.3 | MarkupSafe | 2.0.1 |
matplotlib | 3.4.2 | missingno | 0.5.0 | mistune | 0.8.4 |
mleap | 0.18.1 | mlflow-skinny | 1.23.0 | multimethod | 1.6 |
szmurhash | 1.0.5 | nbclient | 0.5.3 | nbconvert | 6.0.7 |
nbformat | 5.1.3 | nest-asyncio | 1.5.1 | networkx | 2,5 |
nltk | 3.6.1 | notes | 6.3.0 | numba | 0.55.0 |
numpy | 1.20.1 | oauthlib | 3.1.0 | opt-einsum | 3.3.0 |
opakowanie | 21,3 | Pandas | 1.2.4 | Profilowanie biblioteki pandas | 3.1.0 |
pandocfilters | 1.4.3 | paramiko | 2.7.2 | parso | 0.7.0 |
pathy | 0.6.0 | Patsy | 0.5.1 | petastorm | 0.11.3 |
pexpect | 4.8.0 | phik | 0.12.0 | pickleshare | 0.7.5 |
Poduszka | 8.2.0 | 21.0.1 | kreślenie | 5.5.0 | |
pmdarima | 1.8.4 | preshed | 3.0.5 | prometheus-client | 0.10.1 |
prompt-toolkit | 3.0.17 | prorok | 1.0.1 | protobuf | 3.17.2 |
psutil | 5.8.0 | psycopg2 | 2.8.5 | ptyprocess | 0.7.0 |
pyarrow | 4.0.0 | pyasn1 | 0.4.8 | pyasn1-modules | 0.2.8 |
pybind11 | 2.9.0 | pycparser | 2,20 | pydantic | 1.8.2 |
Pygments | 2.8.1 | PyGObject | 3.36.0 | PyMeeus | 0.5.11 |
PyNaCl | 1.4.0 | pyodbc | 4.0.30 | pyparsing | 2.4.7 |
pirstent | 0.17.3 | pystan | 2.19.1.1 | python-apt | 2.0.0+ubuntu0.20.4.6 |
python-dateutil | 2.8.1 | Python-editor | 1.0.4 | python-engineio | 4.3.0 |
python-socketio | 5.4.1 | pytz | 2020.5 | PyWavelets | 1.1.1 |
PyYAML | 5.4.1 | pyzmq | 20.0.0 | regex | 2021.4.4 |
żądania | 2.25.1 | requests-oauthlib | 1.3.0 | requests-unixsocket | 0.2.0 |
rsa | 4.7.2 | s3transfer | 0.3.7 | sacremoses | 0.0.46 |
scikit-learn | 0.24.1 | scipy | 1.6.2 | seaborn | 0.11.1 |
Send2Trash | 1.5.0 | setuptools | 52.0.0 | setuptools-git | 1.2 |
Shap | 0.40.0 | simplejson | 3.17.2 | Sześć | 1.15.0 |
krajalnica | 0.0.7 | smart-open | 5.2.0 | smmap | 3.0.5 |
spacy | 3.2.1 | spacy-legacy | 3.0.8 | spacy-loggers | 1.0.1 |
spark-tensorflow-distributor | 1.0.0 | sqlparse | 0.4.1 | srsly | 2.4.1 |
ssh-import-id | 5.10 | statsmodels | 0.12.2 | tabulacji | 0.8.7 |
splątane-up-in-unicode | 0.1.0 | Wytrzymałość | 6.2.0 | tablica tensorboard | 2.7.0 |
tensorboard-data-server | 0.6.1 | tensorboard-plugin-profile | 2.5.0 | tensorboard-plugin-wit | 1.8.1 |
tensorflow-cpu | 2.7.0 | tensorflow-estimator | 2.7.0 | tensorflow-io-gcs-filesystem | 0.23.1 |
termcolor | 1.1.0 | terminado | 0.9.4 | ścieżka testowa | 0.4.4 |
cienki | 8.0.12 | threadpoolctl | 2.1.0 | tokenizatory | 0.10.3 |
pochodnia | 1.10.1+procesor | torchvision | 0.11.2+ procesor | tornado | 6.1 |
tqdm | 4.59.0 | traitlety | 5.0.5 | Transformatory | 4.15.0 |
typer | 0.3.2 | wpisywanie rozszerzeń | 3.7.4.3 | ujson | 4.0.2 |
nienadzorowane uaktualnienia | 0.1 | urllib3 | 1.25.11 | virtualenv | 20.4.1 |
Wizje | 0.7.4 | wasabi | 0.8.2 | wcwidth | 0.2.5 |
webencodings | 0.5.1 | websocket-client | 0.57.0 | Werkzeug | 1.0.1 |
koło | 0.36.2 | widgetsnbextension | 3.5.1 | zawijanie | 1.12.1 |
xgboost | 1.5.1 | zipp | 3.4.1 |
Biblioteki języka Python w klastrach gpu
Biblioteka | Wersja | Biblioteka | Wersja | Biblioteka | Wersja |
---|---|---|---|---|---|
absl-py | 0.11.0 | Antergos Linux | 2015.10 (rolling ISO) | appdirs | 1.4.4 |
argon2-cffi | 20.1.0 | Astor | 0.8.1 | astunparse | 1.6.3 |
async-generator | 1.10 | attrs | 20.3.0 | backcall | 0.2.0 |
bcrypt | 3.2.0 | bidict | 0.21.4 | wybielacz | 3.3.0 |
blis | 0.7.4 | boto3 | 1.16.7 | botocore | 1.19.7 |
cachetools | 4.2.4 | katalog | 2.0.6 | certifi | 2020.12.5 |
cffi | 1.14.5 | chardet | 4.0.0 | kliknięcie | 7.1.2 |
cloudpickle | 1.6.0 | cmdstanpy | 0.9.68 | configparser | 5.0.1 |
konwertuj | 2.3.2 | kryptografia | 3.4.7 | rowerzysta | 0.10.0 |
cymem | 2.0.5 | Cython | 0.29.23 | databricks-automl-runtime | 0.2.5 |
databricks-cli | 0.16.2 | dbl-tempo | 0.1.2 | dbus-python | 1.2.16 |
dekorator | 5.0.6 | defusedxml | 0.7.1 | koper | 0.3.2 |
diskcache | 5.2.1 | distlib | 0.3.4 | dystrybucja informacji | 0.23ubuntu1 |
punkty wejścia | 0.3 | efem | 4.1.3 | aspekty — omówienie | 1.0.0 |
fasttext | 0.9.2 | filelock | 3.0.12 | Flask | 1.1.2 |
flatbuffers | 2.0 | fsspec | 0.9.0 | przyszłość | 0.18.2 |
Gast | 0.4.0 | gitdb | 4.0.7 | GitPython | 3.1.12 |
google-auth | 1.22.1 | google-auth-oauthlib | 0.4.2 | makaron google | 0.2.0 |
grpcio | 1.39.0 | gunicorn | 20.0.4 | gviz-api | 1.10.0 |
h5py | 3.1.0 | konwerter hidżri | 2.2.2 | wakacje | 0,12 |
horovod | 0.23.0 | htmlmin | 0.1.12 | przytulanieface-hub | 0.1.2 |
idna | 2.10 | ImageHash | 4.2.1 | niezrównoważona nauka | 0.8.1 |
importlib-metadata | 3.10.0 | ipykernel | 5.3.4 | ipython | 7.22.0 |
ipython-genutils | 0.2.0 | ipywidgets | 7.6.3 | isodate | 0.6.0 |
jegodangerous | 1.1.0 | jedi | 0.17.2 | Jinja2 | 2.11.3 |
jmespath | 0.10.0 | joblib | 1.0.1 | joblibspark | 0.3.0 |
jsonschema | 3.2.0 | jupyter-client | 6.1.12 | jupyter-core | 4.7.1 |
jupyterlab-pygments | 0.1.2 | jupyterlab-widgets | 1.0.0 | keras | 2.7.0 |
Przetwarzanie wstępne protokołu Keras | 1.1.2 | kiwisolver | 1.3.1 | Koale | 1.8.2 |
koreański kalendarz księżycowy | 0.2.1 | langcodes | 3.3.0 | libclang | 12.0.0 |
lightgbm | 3.3.1 | llvmlite | 0.38.0 | KsiężycowyCalendar | 0.0.9 |
Mako | 1.1.3 | Znaczniki języka Markdown | 3.3.3 | MarkupSafe | 2.0.1 |
matplotlib | 3.4.2 | missingno | 0.5.0 | mistune | 0.8.4 |
mleap | 0.18.1 | mlflow-skinny | 1.23.0 | multimethod | 1.6 |
szmurhash | 1.0.5 | nbclient | 0.5.3 | nbconvert | 6.0.7 |
nbformat | 5.1.3 | nest-asyncio | 1.5.1 | networkx | 2,5 |
nltk | 3.6.1 | notes | 6.3.0 | numba | 0.55.0 |
numpy | 1.20.1 | oauthlib | 3.1.0 | opt-einsum | 3.3.0 |
opakowanie | 21,3 | Pandas | 1.2.4 | Profilowanie biblioteki pandas | 3.1.0 |
pandocfilters | 1.4.3 | paramiko | 2.7.2 | parso | 0.7.0 |
pathy | 0.6.0 | Patsy | 0.5.1 | petastorm | 0.11.3 |
pexpect | 4.8.0 | phik | 0.12.0 | pickleshare | 0.7.5 |
Poduszka | 8.2.0 | 21.0.1 | kreślenie | 5.5.0 | |
pmdarima | 1.8.4 | preshed | 3.0.5 | prompt-toolkit | 3.0.17 |
prorok | 1.0.1 | protobuf | 3.17.2 | psutil | 5.8.0 |
psycopg2 | 2.8.5 | ptyprocess | 0.7.0 | pyarrow | 4.0.0 |
pyasn1 | 0.4.8 | pyasn1-modules | 0.2.8 | pybind11 | 2.9.0 |
pycparser | 2,20 | pydantic | 1.8.2 | Pygments | 2.8.1 |
PyGObject | 3.36.0 | PyMeeus | 0.5.11 | PyNaCl | 1.4.0 |
pyodbc | 4.0.30 | pyparsing | 2.4.7 | pirstent | 0.17.3 |
pystan | 2.19.1.1 | python-apt | 2.0.0+ubuntu0.20.4.6 | python-dateutil | 2.8.1 |
Python-editor | 1.0.4 | python-engineio | 4.3.0 | python-socketio | 5.4.1 |
pytz | 2020.5 | PyWavelets | 1.1.1 | PyYAML | 5.4.1 |
pyzmq | 20.0.0 | regex | 2021.4.4 | żądania | 2.25.1 |
requests-oauthlib | 1.3.0 | requests-unixsocket | 0.2.0 | rsa | 4.7.2 |
s3transfer | 0.3.7 | sacremoses | 0.0.46 | scikit-learn | 0.24.1 |
scipy | 1.6.2 | seaborn | 0.11.1 | Send2Trash | 1.5.0 |
setuptools | 52.0.0 | setuptools-git | 1.2 | Shap | 0.40.0 |
simplejson | 3.17.2 | Sześć | 1.15.0 | krajalnica | 0.0.7 |
smart-open | 5.2.0 | smmap | 3.0.5 | spacy | 3.2.1 |
spacy-legacy | 3.0.8 | spacy-loggers | 1.0.1 | spark-tensorflow-distributor | 1.0.0 |
sqlparse | 0.4.1 | srsly | 2.4.1 | ssh-import-id | 5.10 |
statsmodels | 0.12.2 | tabulacji | 0.8.7 | splątane-up-in-unicode | 0.1.0 |
Wytrzymałość | 6.2.0 | tablica tensorboard | 2.7.0 | tensorboard-data-server | 0.6.1 |
tensorboard-plugin-profile | 2.5.0 | tensorboard-plugin-wit | 1.8.1 | tensorflow | 2.7.0 |
tensorflow-estimator | 2.7.0 | tensorflow-io-gcs-filesystem | 0.23.1 | termcolor | 1.1.0 |
terminado | 0.9.4 | ścieżka testowa | 0.4.4 | cienki | 8.0.12 |
threadpoolctl | 2.1.0 | tokenizatory | 0.10.3 | pochodnia | 1.10.1+cu111 |
torchvision | 0.11.2+cu111 | tornado | 6.1 | tqdm | 4.59.0 |
traitlety | 5.0.5 | Transformatory | 4.15.0 | typer | 0.3.2 |
wpisywanie rozszerzeń | 3.7.4.3 | ujson | 4.0.2 | nienadzorowane uaktualnienia | 0.1 |
urllib3 | 1.25.11 | virtualenv | 20.4.1 | Wizje | 0.7.4 |
wasabi | 0.8.2 | wcwidth | 0.2.5 | webencodings | 0.5.1 |
websocket-client | 0.57.0 | Werkzeug | 1.0.1 | koło | 0.36.2 |
widgetsnbextension | 3.5.1 | zawijanie | 1.12.1 | xgboost | 1.5.1 |
zipp | 3.4.1 |
Pakiety platformy Spark zawierające moduły języka Python
Pakiet Platformy Spark | Moduł języka Python | Wersja |
---|---|---|
ramki grafu | ramki grafu | 0.8.2-db1-spark3.2 |
Biblioteki R
Biblioteki języka R są identyczne z bibliotekami języka R w środowisku Databricks Runtime 10.3.
Biblioteki Java i Scala (klaster Scala 2.12)
Oprócz bibliotek Java i Scala w środowisku Databricks Runtime 10.3 środowisko Databricks Runtime 10.3 ML zawiera następujące jednostki JAR:
Klastry procesora CPU
Identyfikator grupy | Identyfikator artefaktu | Wersja |
---|---|---|
com.typesafe.akka | akka-actor_2.12 | 2.5.23 |
ml.combust.mleap | mleap-databricks-runtime_2.12 | 0.18.1-23eb1ef |
ml.dmlc | xgboost4j-spark_2.12 | 1.5.1 |
ml.dmlc | xgboost4j_2.12 | 1.5.1 |
org.graphframes | graphframes_2.12 | 0.8.2-db1-spark3.2 |
org.mlflow | mlflow-client | 1.23.0 |
org.mlflow | mlflow-spark | 1.23.0 |
org.scala-lang.modules | scala-java8-compat_2.12 | 0.8.0 |
org.tensorflow | spark-tensorflow-connector_2.12 | 1.15.0 |
Klastry procesora GPU
Identyfikator grupy | Identyfikator artefaktu | Wersja |
---|---|---|
com.typesafe.akka | akka-actor_2.12 | 2.5.23 |
ml.combust.mleap | mleap-databricks-runtime_2.12 | 0.18.1-23eb1ef |
ml.dmlc | xgboost4j-spark_2.12 | 1.5.1 |
ml.dmlc | xgboost4j_2.12 | 1.5.1 |
org.graphframes | graphframes_2.12 | 0.8.2-db1-spark3.2 |
org.mlflow | mlflow-client | 1.23.0 |
org.mlflow | mlflow-spark | 1.23.0 |
org.scala-lang.modules | scala-java8-compat_2.12 | 0.8.0 |
org.tensorflow | spark-tensorflow-connector_2.12 | 1.15.0 |