Dela via

Jämföra Microsofts maskininlärningsprodukter och -tekniker

  • Artikel

Lär dig mer om maskininlärningsprodukter och -tekniker från Microsoft. Jämför alternativ som hjälper dig att välja hur du på bästa sätt skapar, distribuerar och hanterar dina maskininlärningslösningar.

Molnbaserade maskininlärningsprodukter

Följande alternativ är tillgängliga för maskininlärning i Azure-molnet.

Molnalternativ Vad det är Det här kan du göra
Azure Machine Learning Hanterad plattform för maskininlärning Använd en förtränad modell. Eller träna, distribuera och hantera modeller i Azure med hjälp av Python och CLI
Azure Cognitive Services Fördefinierade AI-funktioner som implementeras via REST-API:er och SDK:er Skapa intelligenta program snabbt med hjälp av standardprogrammeringsspråk. Kräver inte maskininlärning och datavetenskapsexpertis
Azure SQL Managed Instance Machine Learning Services Maskininlärning i databasen för SQL Träna och distribuera modeller i Azure SQL Managed Instance
Maskininlärning i Azure Synapse Analytics Analystjänst med maskininlärning Träna och distribuera modeller i Azure Synapse Analytics
Maskininlärning och AI med ONNX i Azure SQL Edge Maskininlärning i SQL på IoT Träna och distribuera modeller i Azure SQL Edge
Azure Databricks Apache Spark-baserad analysplattform Skapa och distribuera modeller och dataarbetsflöden med hjälp av integreringar med maskininlärningsbibliotek med öppen källkod och MLflow-plattformen .

Lokala maskininlärningsprodukter

Följande alternativ är tillgängliga för lokal maskininlärning. Lokala servrar kan också köras på en virtuell dator i molnet.

Lokala alternativ Vad det är Det här kan du göra
SQL Server Machine Learning Services Maskininlärning i databasen för SQL Träna och distribuera modeller i SQL Server
Machine Learning Services på SQL Server Stordatakluster Maskininlärning i Stordatakluster Träna och distribuera modeller på SQL Server-Stordatakluster

Utvecklingsplattformar och verktyg

Följande utvecklingsplattformar och verktyg är tillgängliga för maskininlärning.

Plattformar/verktyg Vad det är Det här kan du göra
Azure Data Science Virtual Machine Virtuell dator med förinstallerade verktyg för datavetenskap Utveckla maskininlärningslösningar i en förkonfigurerad miljö
ML.NET SDK för maskininlärning med öppen källkod och plattformsoberoende Utveckla maskininlärningslösningar för .NET-program
Windows-maskininlärning Windows 10-maskininlärningsplattform Utvärdera tränade modeller på en Windows 10-enhet
SynapseML Ramverk för öppen källkod, distribuerad maskininlärning och mikrotjänster för Apache Spark Skapa och distribuera skalbara maskininlärningsprogram för Scala och Python.
Machine Learning-tillägg för Azure Data Studio Maskininlärningstillägg med öppen källkod och plattformsoberoende för Azure Data Studio Hantera paket, importera maskininlärningsmodeller, göra förutsägelser och skapa notebook-filer för att köra experiment för dina SQL-databaser

Azure Machine Learning

Azure Machine Learning är en fullständigt hanterad molntjänst som används för att träna, distribuera och hantera maskininlärningsmodeller i stor skala. Den stöder tekniker för öppen källkod, vilket innebär att du kan använda tiotusentals Python-paket med öppen källkod som exempelvis TensorFlow, PyTorch och scikit-learn. Omfattande verktyg är också tillgängliga, till exempel Beräkningsinstanser, Jupyter-notebook-filer eller Tillägget Azure Machine Learning för Visual Studio Code, ett kostnadsfritt tillägg som gör att du kan hantera dina resurser, modellera träningsarbetsflöden och distributioner i Visual Studio Code. Azure Machine Learning innehåller funktioner som automatiserar modellgenerering och justering med enkelhet, effektivitet och noggrannhet.

Använd Python SDK, Jupyter Notebooks, R och CLI för maskininlärning i molnskala. För ett alternativ med låg kod eller ingen kod använder du Azure Machine Learnings interaktiva designer i studion för att enkelt och snabbt skapa, testa och distribuera modeller med hjälp av fördefinierade maskininlärningsalgoritmer.

Prova Azure Machine Learning kostnadsfritt.

Objekt beskrivning
Typ Molnbaserad maskininlärningslösning
Språk som stöds Python, R
Maskininlärningsfaser Modellträning
Distribution
MLOps/Management
Viktiga fördelar Kod först (SDK) och studio- och dra-och-släpp-designerwebbgränssnittsredigeringsalternativ.

Central hantering av skript och körningshistorik, vilket gör det enkelt att jämföra modellversioner.

Enkel distribution och hantering av modeller till molnet eller gränsenheter.
Överväganden Kräver viss kunskap om modellhanteringsmodellen.

Azure AI-tjänster

Azure AI-tjänster är en uppsättning fördefinierade API:er som gör att du kan skapa appar som använder naturliga kommunikationsmetoder. Termen förinstallerad tyder på att du inte behöver använda datauppsättningar eller datavetenskapsexpertis för att träna modeller att använda i dina program. Det är allt gjort för dig och paketerat som API:er och SDK:er som gör att dina appar kan se, höra, tala, förstå och tolka användarbehov med bara några rader kod. Du kan enkelt lägga till intelligenta funktioner i dina appar, till exempel:

Använd Azure AI-tjänster för att utveckla appar mellan enheter och plattformar. API:erna förbättras ständigt och är enkla att konfigurera.

Objekt beskrivning
Typ API:er för att skapa intelligenta program
Språk som stöds Olika alternativ beroende på tjänsten. Standard är C#, Java, JavaScript och Python.
Maskininlärningsfaser Distribution
Viktiga fördelar Skapa intelligenta program med förtränade modeller som är tillgängliga via REST API och SDK.
Olika modeller för naturliga kommunikationsmetoder med syn, tal, språk och beslut.
Ingen maskininlärning eller datavetenskapsexpertis krävs.

SQL-maskininlärning

SQL-maskininlärning lägger till statistisk analys, datavisualisering och förutsägelseanalys i Python och R för relationsdata, både lokalt och i molnet. Aktuella plattformar och verktyg är:

Använd SQL-maskininlärning när du behöver inbyggd AI och förutsägelseanalys på relationsdata i SQL.

Objekt beskrivning
Typ Lokal förutsägelseanalys för relationsdata
Språk som stöds Python, R, SQL
Maskininlärningsfaser Dataförberedelse
Modellträning
Distribution
Viktiga fördelar Kapsla in förutsägelselogik i en databasfunktion, vilket gör det enkelt att inkludera i datanivålogik.
Överväganden Förutsätter en SQL-databas som datanivå för ditt program.

Azure Data Science Virtual Machine

Azure Datavetenskap Virtual Machine är en anpassad miljö för virtuella datorer i Microsoft Azure-molnet. Den finns i versioner för både Windows och Linux Ubuntu. Miljön är speciellt utformad för att utföra datavetenskap och utveckla maskininlärningslösningar. Den har många populära datavetenskaps-, maskininlärningsramverk och andra verktyg förinstallerade och förkonfigurerade för att komma igång med att skapa intelligenta program för avancerad analys.

Använd den virtuella datorn för datavetenskap när du behöver köra eller vara värd för jobb på en enda nod. Eller om du behöver skala upp din bearbetning via fjärranslutning på en enskild dator.

Objekt beskrivning
Typ Anpassad miljö för virtuella datorer för datavetenskap
Viktiga fördelar Kortare tid för att installera, hantera och felsöka datavetenskapsverktyg och ramverk.

De senaste versionerna av alla verktyg och ramverk som används ofta ingår.

Alternativen för virtuella datorer omfattar mycket skalbara bilder med GPU-funktioner (grafikprocessorer) för intensiv datamodellering.
Överväganden Det går inte att komma åt den virtuella datorn när den är offline.

Att köra en virtuell dator medför Azure-avgifter, så du måste vara försiktig så att den bara körs när det behövs.

Azure Databricks

Azure Databricks är en Apache Spark-baserad analysplattform som är optimerad för Microsoft Azure-molnplattformen. Databricks är integrerat med Azure för att ge konfiguration med ett klick, effektiva arbetsflöden och en interaktiv arbetsyta som möjliggör samarbete mellan dataforskare, dataingenjörer och affärsanalytiker. Använd Python-, R-, Scala- och SQL-kod i webbaserade anteckningsböcker för att fråga, visualisera och modellera data.

Använd Databricks när du vill samarbeta om att skapa maskininlärningslösningar i Apache Spark.

Objekt beskrivning
Typ Apache Spark-baserad analysplattform
Språk som stöds Python, R, Scala, SQL
Maskininlärningsfaser Dataförberedelse
Förbearbetning av data
Modellträning
Modelljustering
Modellslutsatsdragning
Hantering
Distribution

ML.NET

ML.NET är ett ramverk för maskininlärning med öppen källkod och plattformsoberoende. Med ML.NET kan du skapa anpassade maskininlärningslösningar och integrera dem i dina .NET-program. ML.NET erbjuder olika nivåer av samverkan med populära ramverk som TensorFlow och ONNX för träning och bedömning av maskininlärning och djupinlärningsmodeller. För resursintensiva uppgifter som att träna bildklassificeringsmodeller kan du använda Azure för att träna dina modeller i molnet.

Använd ML.NET när du vill integrera maskininlärningslösningar i dina .NET-program. Välj mellan API:et för en kod-första upplevelse och Model Builder eller CLI för en lågkodsupplevelse.

Objekt beskrivning
Typ Plattformsoberoende ramverk med öppen källkod för utveckling av anpassade maskininlärningsprogram med .NET
Språk som stöds C#, F#
Maskininlärningsfaser Dataförberedelse
Utbildning
Distribution
Viktiga fördelar Datavetenskap och maskininlärning krävs inte
Använda välbekanta verktyg (Visual Studio, Microsoft Visual Studio Code) och språk
Distribuera där .NET körs
Utökningsbar
Skalbarhet
Lokal upplevelse

Windows-maskininlärning

Med inferensmotorn för Windows-maskininlärning kan du använda tränade maskininlärningsmodeller i dina program och utvärdera tränade modeller lokalt på Windows 10-enheter.

Använd Windows-maskininlärning när du vill använda tränade maskininlärningsmodeller i dina Windows-program.

Objekt beskrivning
Typ Slutsatsdragningsmotor för tränade modeller på Windows-enheter
Språk som stöds C#/C++, JavaScript

SynapseML

SynapseML (tidigare MMLSpark) är ett bibliotek med öppen källkod som förenklar skapandet av massivt skalbara maskininlärningspipelines. SynapseML tillhandahåller API:er för en mängd olika maskininlärningsuppgifter, till exempel textanalys, syn, avvikelseidentifiering och många andra. SynapseML bygger på Apache Spark-ramverket för distribuerad databehandling och delar samma API som SparkML/MLLib-biblioteket, så att du smidigt kan bädda in SynapseML-modeller i befintliga Apache Spark-arbetsflöden.

SynapseML lägger till många verktyg för djupinlärning och datavetenskap i Spark-ekosystemet, inklusive sömlös integrering av Spark Machine Learning-pipelines med Light Gradient Boosting Machine (LightGBM), LIME (Modelltolkning) och OpenCV. Du kan använda dessa verktyg för att skapa kraftfulla förutsägelsemodeller i alla Spark-kluster, till exempel Azure Databricks eller Cosmic Spark.

SynapseML ger även nätverksfunktioner till Spark-ekosystemet. Med PROJEKTET HTTP på Spark kan användarna bädda in valfri webbtjänst i sina SparkML-modeller. SynapseML tillhandahåller dessutom lätthanterbara verktyg för att samordna Azure AI-tjänster i stor skala. För distribution i produktionsklass möjliggör Spark Serving-projektet webbtjänster med högt dataflöde, undermillisekunders svarstid som backas upp av ditt Spark-kluster.

Objekt beskrivning
Typ Ramverk för distribuerad maskininlärning och mikrotjänster med öppen källkod för Apache Spark
Språk som stöds Scala 2.11, Java, Python 3.5+, R (beta)
Maskininlärningsfaser Dataförberedelse
Modellträning
Distribution
Viktiga fördelar Skalbarhet
Strömnings- och serveringskompatibel
Feltolerans
Överväganden Kräver Apache Spark

Deltagare

Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.

Huvudförfattare:

Nästa steg