Anteckning
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
Viktigt!
Azure SQL Edge dras tillbaka den 30 september 2025. Mer information och migreringsalternativ finns i meddelandet Om pensionering.
Kommentar
Azure SQL Edge stöder inte längre ARM64-plattformen.
Maskininlärning i Azure SQL Edge stöder modeller i ONNX-format (Open Neural Network Exchange). ONNX är ett öppet format som du kan använda för att utbyta modeller mellan olika maskininlärningsramverk och verktyg.
Översikt
Om du vill härleda maskininlärningsmodeller i Azure SQL Edge måste du först skaffa en modell. Detta kan vara en förtränad modell eller en anpassad modell som tränats med valfri ramverk. Azure SQL Edge stöder ONNX-formatet och du måste konvertera modellen till det här formatet. Det bör inte påverka modellens noggrannhet, och när du har ONNX-modellen kan du distribuera modellen i Azure SQL Edge och använda intern bedömning med funktionen PREDICT T-SQL.
Hämta ONNX-modeller
Så här hämtar du en modell i ONNX-format:
Model Building Services: Tjänster som den automatiserade Machine Learning-funktionen i Azure Machine Learning och Azure Custom Vision Service stöder direkt export av den tränade modellen i ONNX-format.
Konvertera och/eller exportera befintliga modeller: Flera träningsramverk (till exempel PyTorch, Chainer och Caffe2) stöder inbyggda exportfunktioner till ONNX, vilket gör att du kan spara din tränade modell till en viss version av ONNX-formatet. För ramverk som inte stöder intern export finns det fristående ONNX Converter-installationspaket som gör att du kan konvertera modeller som tränats från olika maskininlärningsramverk till ONNX-formatet.
Ramverk som stöds
-
En fullständig lista över ramverk och exempel som stöds finns i Konvertera till ONNX-format.
Begränsningar
För närvarande stöds inte alla ONNX-modeller av Azure SQL Edge. Stödet är begränsat till modeller med numeriska datatyper:
Andra numeriska typer kan konverteras till typer som stöds med hjälp av CAST och CONVERT.
Modellindata ska struktureras så att varje indata till modellen motsvarar en enda kolumn i en tabell. Om du till exempel använder en Pandas-dataram för att träna en modell bör varje indata vara en separat kolumn till modellen.