Databricks Runtime 10.1 för ML (stöds inte)
Databricks Runtime 10.1 för Machine Learning tillhandahåller en färdig miljö för maskininlärning och datavetenskap baserat på Databricks Runtime 10.1 (stöds inte). Databricks Runtime ML innehåller många populära maskininlärningsbibliotek, inklusive TensorFlow, PyTorch och XGBoost. Den stöder även distribuerad djupinlärningsträning med Horovod.
Mer information, inklusive instruktioner för att skapa ett Databricks Runtime ML-kluster, finns i AI och Machine Learning på Databricks.
Nya funktioner och förbättringar
Databricks Runtime 10.1 ML bygger på Databricks Runtime 10.1. Information om nyheter i Databricks Runtime 10.1, inklusive Apache Spark MLlib och SparkR, finns i viktig information om Databricks Runtime 10.1 (stöds inte).
Förbättringar av Databricks AutoML
I Databricks Runtime 10.1 innehåller Databricks AutoML förbättrad identifiering av semantisk typ, nya aviseringar för potentiella dataproblem under träning, nya funktioner för att förhindra överanpassning av modeller och möjligheten att dela upp indatamängden i tränings-, validerings- och testuppsättningar kronologiskt.
Ytterligare identifieringar av semantisk typ
AutoML stöder nu ytterligare identifiering av semantisk typ:
- Numeriska kolumner som innehåller kategoriska etiketter behandlas som en kategorisk typ.
- Strängkolumner som innehåller engelsk text behandlas som en textfunktion.
Nu kan du också lägga till anteckningar för att ange en kolumndatatyp. Mer information finns i Semantisk typidentifiering.
Aviseringar under träning för potentiella dataproblem
AutoML identifierar och genererar nu aviseringar för potentiella problem med datamängden. Exempelaviseringar är kolumntyper som inte stöds och kolumner med hög kardinalitet. Aviseringarna visas på experimentsidan under den nya fliken Aviseringar . Ytterligare information om aviseringar ingår i notebook-filen för datautforskning. Mer information finns i Kör experimentet och övervaka resultatet.
Minskad modellöveranpassning
Två nya funktioner minskar risken för överanpassning av en modell när du använder AutoML:
- AutoML rapporterar nu testmått utöver validerings- och träningsmått.
- AutoML använder nu tidigt stopp. Det stoppar träning och justering av modeller om valideringsmåttet inte längre förbättras.
Dela upp datamängden i tränings-/validerings-/testuppsättningar kronologiskt
För klassificerings- och regressionsproblem kan du dela upp datamängden i tränings-, validerings- och testuppsättningar kronologiskt. Mer information finns i Dela upp data i tränings-/validerings-/testuppsättningar .
Förbättringar av Databricks-funktionsarkivet
Databricks Feature Store har nu stöd för ytterligare datatyper för funktionstabeller: BinaryType, DecimalTypeoch MapType.
Mlflow
Följande förbättringar är tillgängliga från och med Mlflow version 1.21.0, som ingår i Databricks Runtime 10.1 ML.
- [Modeller] Uppgradera modellsmaken
fastaiför att stödja fastai v2 (2.4.1 och senare). - [Modeller] Introducera en mlflow.prophet-modellsmak för profettidsseriemodeller.
- [Poängsättning] Åtgärda ett schematillämpningsfel som felaktigt omvandlar datumliknande strängar till datetime-objekt.
Hyperopt
SparkTrials stöder nu parametern early_stopping_fn för fmin. Du kan använda funktionen för tidig stoppning för att ange villkor när Hyperopt ska stoppa hyperparameterjusteringen innan det maximala antalet utvärderingar uppnås. Du kan till exempel använda den här parametern för att avsluta justeringen om målfunktionen inte längre minskar. Mer information finns i fmin().
Större ändringar i Databricks Runtime ML Python-miljön
Uppgraderade Python-paket
- automl 1.3.1 => 1.4.1
- feature_store 0.3.4 => 0.3.5
- helgdagar 0.11.2 => 0.11.3.1
- horovod 0.22.1 => 0.23.0
- hyperopt 0.2.5.db2 => 0.2.5.db4
- imbalanced-learn 0.8.0 => 0.8.1
- lightgbm 3.1.1 => 3.3.0
- mlflow 1.20.2 => 1.21.0
- petastorm 0.11.2 => 0.11.3
- plotly 5.1.0 => 5.3.0
- pytorch 1.9.0 => 1.9.1
- spacy 3.1.2 => 3.1.3
- sparkdl 2.2.0_db3 => 2.2.0_db4
- torchvision 0.10.0 => 0.10.1
- transformatorer 4.9.2 => 4.11.3
Python-paket har lagts till
- fasttext => 0.9.2
- tensorboard-plugin-profile => 2.5.0
Utfasningar
MLlib automatiserad MLflow-spårning är inaktuell i kluster som kör Databricks Runtime 10.1 ML och senare. Använd i stället MLflow PySpark ML-automatisk loggning genom att anropa mlflow.pyspark.ml.autolog(). Automatisk loggning är aktiverat som standard med Automatisk loggning av Databricks.
Systemmiljö
Systemmiljön i Databricks Runtime 10.1 ML skiljer sig från Databricks Runtime 10.1 på följande sätt:
- DBUtils: Databricks Runtime ML innehåller inte biblioteksverktyget (dbutils.library) (äldre).
Använd
%pipkommandon i stället. Se Python-bibliotek med notebook-omfång. - För GPU-kluster innehåller Databricks Runtime ML följande NVIDIA GPU-bibliotek:
- CUDA 11.0
- cuDNN 8.0.5.39
- NCCL 2.10.3
- TensorRT 7.2.2
Bibliotek
I följande avsnitt visas de bibliotek som ingår i Databricks Runtime 10.1 ML som skiljer sig från de som ingår i Databricks Runtime 10.1.
I detta avsnitt:
- Bibliotek på den översta nivån
- Python-bibliotek
- R-bibliotek
- Java- och Scala-bibliotek (Scala 2.12-kluster)
Bibliotek på den översta nivån
Databricks Runtime 10.1 ML innehåller följande bibliotek på den översta nivån:
- GraphFrames
- Horovod och HorovodRunner
- MLflow
- PyTorch
- spark-tensorflow-connector
- TensorFlow
- TensorBoard
Python-bibliotek
Databricks Runtime 10.1 ML använder Virtualenv för Python-pakethantering och innehåller många populära ML-paket.
Förutom de paket som anges i följande avsnitt innehåller Databricks Runtime 10.1 ML även följande paket:
- hyperopt 0.2.5.db4
- sparkdl 2.2.0-db4
- feature_store 0.3.5
- automl 1.4.0
Kommentar
Databricks Runtime 10.1 ML innehåller scikit-learn version 0.24 i stället för version 1.0 på grund av inkompatibilitetsproblem. Scikit-learn-paketet interagerar med många andra paket i Databricks Runtime 10.1 ML.
Du kan uppgradera till scikit-learn version 1.0. Databricks stöder dock inte den här versionen.
Om du vill uppgradera använder du bibliotek med notebook-omfång. Kör från en notebook-fil %pip install --upgrade "scikit-learn>=1.0,<1.1".
Ett alternativ är att använda det här init-skriptet för kluster:
#!/bin/bash
set -e
pip install --upgrade "scikit-learn>=1.0,<1.1"
Python-bibliotek i CPU-kluster
| Bibliotek | Version | Bibliotek | Version | Bibliotek | Version |
|---|---|---|---|---|---|
| absl-py | 0.11.0 | Antergos Linux | 2015.10 (ISO-Rullande) | 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 | Blekmedel | 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 | Klang | 5,0 | klicka | 7.1.2 |
| cloudpickle | 1.6.0 | cmdstanpy | 0.9.68 | configparser | 5.0.1 |
| konvertera | 2.3.2 | Kryptografi | 3.4.7 | Apparat | 0.10.0 |
| cymem | 2.0.5 | Cython | 0.29.23 | databricks-automl-runtime | 0.2.3 |
| databricks-cli | 0.14.3 | dbus-python | 1.2.16 | Dekoratör | 5.0.6 |
| defusedxml | 0.7.1 | Dill | 0.3.2 | diskcache | 5.2.1 |
| distlib | 0.3.3 | distro-info | 0.23ubuntu1 | entrypoints | 0,3 |
| efem | 4.1 | facets-overview | 1.0.0 | snabbtext | 0.9.2 |
| filelock | 3.0.12 | Flask | 1.1.2 | flatbuffers | 1.12 |
| fsspec | 0.9.0 | Framtiden | 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 | google-pasta | 0.2.0 | grpcio | 1.39.0 |
| gunicorn | 20.0.4 | gviz-api | 1.10.0 | h5py | 3.1.0 |
| hijri-converter | 2.2.2 | Semester | 0.11.3.1 | horovod | 0.23.0 |
| htmlmin | 0.1.12 | huggingface-hub | 0.0.19 | idna | 2.10 |
| ImageHash | 4.2.1 | obalanserad inlärning | 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 | itsdangerous | 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 | 2.6.0 | Keras-förbearbetning | 1.1.2 |
| kiwisolver | 1.3.1 | Koalas | 1.8.2 | korean-lunar-calendar | 0.2.1 |
| lightgbm | 3.3.0 | llvmlite | 0.37.0 | LunarCalendar | 0.0.9 |
| Mako | 1.1.3 | Markdown | 3.3.3 | Markering Valv | 2.0.1 |
| matplotlib | 3.4.2 | missingno | 0.5.0 | mistune | 0.8.4 |
| mleap | 0.18.1 | mlflow-skinny | 1.21.0 | multimethod | 1.6 |
| murmurhash | 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 | notebook-fil | 6.3.0 | numba | 0.54.1 |
| Numpy | 1.19.2 | oauthlib | 3.1.0 | opt-einsum | 3.3.0 |
| Förpackning | 20.9 | Pandas | 1.2.4 | pandas-profilering | 3.1.0 |
| pandocfilter | 1.4.3 | Paramiko | 2.7.2 | parso | 0.7.0 |
| Pati | 0.6.0 | Patsy | 0.5.1 | petastorm | 0.11.3 |
| Pexpect | 4.8.0 | phik | 0.12.0 | pickleshare | 0.7.5 |
| Kudde | 8.2.0 | Pip | 21.0.1 | plotly | 5.3.0 |
| fördefinierad | 3.0.5 | prometheus-client | 0.10.1 | prompt-toolkit | 3.0.17 |
| Profeten | 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 | 2.8.0 |
| pycparser | 2,20 | pydantisk | 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 | pyrsistent | 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 | pytz | 2020.5 | PyWavelets | 1.1.1 |
| PyYAML | 5.4.1 | pyzmq | 20.0.0 | Regex | 2021.4.4 |
| begäranden | 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 | 0.39.0 | Simplejson | 3.17.2 | Sex | 1.15.0 |
| Slicer | 0.0.7 | smart-open | 5.2.0 | smmap | 3.0.5 |
| spacy | 3.1.3 | spacy-legacy | 3.0.8 | spark-tensorflow-distributor | 1.0.0 |
| sqlparse | 0.4.1 | srsly | 2.4.1 | ssh-import-id | 5,10 |
| statsmodels | 0.12.2 | Tabellform | 0.8.7 | trasslig upp-i-unicode | 0.1.0 |
| Uthållighet | 6.2.0 | tensorboard | 2.6.0 | tensorboard-data-server | 0.6.1 |
| tensorboard-plugin-profile | 2.5.0 | tensorboard-plugin-wit | 1.8.0 | tensorflow-cpu | 2.6.0 |
| tensorflow-estimator | 2.6.0 | termcolor | 1.1.0 | terminado | 0.9.4 |
| testpath | 0.4.4 | thinc | 8.0.9 | threadpoolctl | 2.1.0 |
| tokenizers | 0.10.3 | Fackla | 1.9.1+cpu | torchvision | 0.10.1+cpu |
| Tornado | 6.1 | tqdm | 4.59.0 | traitlets | 5.0.5 |
| Transformatorer | 4.11.3 | typer | 0.3.2 | skriva tillägg | 3.7.4.3 |
| ujson | 4.0.2 | obevakade uppgraderingar | 0,1 | urllib3 | 1.25.11 |
| Virtualenv | 20.4.1 | Visioner | 0.7.4 | Wasabi | 0.8.2 |
| wcwidth | 0.2.5 | webencodings | 0.5.1 | websocket-client | 0.57.0 |
| Werkzeug | 1.0.1 | Hjul | 0.36.2 | widgetsnbextension | 3.5.1 |
| wrapt | 1.12.1 | xgboost | 1.4.2 | Zipp | 3.4.1 |
Python-bibliotek i GPU-kluster
| Bibliotek | Version | Bibliotek | Version | Bibliotek | Version |
|---|---|---|---|---|---|
| absl-py | 0.11.0 | Antergos Linux | 2015.10 (ISO-Rullande) | 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 | Blekmedel | 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 | Klang | 5,0 | klicka | 7.1.2 |
| cloudpickle | 1.6.0 | cmdstanpy | 0.9.68 | configparser | 5.0.1 |
| konvertera | 2.3.2 | Kryptografi | 3.4.7 | Apparat | 0.10.0 |
| cymem | 2.0.5 | Cython | 0.29.23 | databricks-automl-runtime | 0.2.3 |
| databricks-cli | 0.14.3 | dbus-python | 1.2.16 | Dekoratör | 5.0.6 |
| defusedxml | 0.7.1 | Dill | 0.3.2 | diskcache | 5.2.1 |
| distlib | 0.3.3 | distro-info | 0.23ubuntu1 | entrypoints | 0,3 |
| efem | 4.1 | facets-overview | 1.0.0 | snabbtext | 0.9.2 |
| filelock | 3.0.12 | Flask | 1.1.2 | flatbuffers | 1.12 |
| fsspec | 0.9.0 | Framtiden | 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 | google-pasta | 0.2.0 | grpcio | 1.39.0 |
| gunicorn | 20.0.4 | gviz-api | 1.10.0 | h5py | 3.1.0 |
| hijri-converter | 2.2.2 | Semester | 0.11.3.1 | horovod | 0.23.0 |
| htmlmin | 0.1.12 | huggingface-hub | 0.0.19 | idna | 2.10 |
| ImageHash | 4.2.1 | obalanserad inlärning | 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 | itsdangerous | 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 | 2.6.0 | Keras-förbearbetning | 1.1.2 |
| kiwisolver | 1.3.1 | Koalas | 1.8.2 | korean-lunar-calendar | 0.2.1 |
| lightgbm | 3.3.0 | llvmlite | 0.37.0 | LunarCalendar | 0.0.9 |
| Mako | 1.1.3 | Markdown | 3.3.3 | Markering Valv | 2.0.1 |
| matplotlib | 3.4.2 | missingno | 0.5.0 | mistune | 0.8.4 |
| mleap | 0.18.1 | mlflow-skinny | 1.21.0 | multimethod | 1.6 |
| murmurhash | 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 | notebook-fil | 6.3.0 | numba | 0.54.1 |
| Numpy | 1.19.2 | oauthlib | 3.1.0 | opt-einsum | 3.3.0 |
| Förpackning | 20.9 | Pandas | 1.2.4 | pandas-profilering | 3.1.0 |
| pandocfilter | 1.4.3 | Paramiko | 2.7.2 | parso | 0.7.0 |
| Pati | 0.6.0 | Patsy | 0.5.1 | petastorm | 0.11.3 |
| Pexpect | 4.8.0 | phik | 0.12.0 | pickleshare | 0.7.5 |
| Kudde | 8.2.0 | Pip | 21.0.1 | plotly | 5.3.0 |
| fördefinierad | 3.0.5 | prompt-toolkit | 3.0.17 | Profeten | 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 | 2.8.1 | pycparser | 2,20 |
| pydantisk | 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 | pyrsistent | 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 |
| pytz | 2020.5 | PyWavelets | 1.1.1 | PyYAML | 5.4.1 |
| pyzmq | 20.0.0 | Regex | 2021.4.4 | begäranden | 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 | 0.39.0 |
| Simplejson | 3.17.2 | Sex | 1.15.0 | Slicer | 0.0.7 |
| smart-open | 5.2.0 | smmap | 3.0.5 | spacy | 3.1.3 |
| spacy-legacy | 3.0.8 | spark-tensorflow-distributor | 1.0.0 | sqlparse | 0.4.1 |
| srsly | 2.4.1 | ssh-import-id | 5,10 | statsmodels | 0.12.2 |
| Tabellform | 0.8.7 | trasslig upp-i-unicode | 0.1.0 | Uthållighet | 6.2.0 |
| tensorboard | 2.6.0 | tensorboard-data-server | 0.6.1 | tensorboard-plugin-profile | 2.5.0 |
| tensorboard-plugin-wit | 1.8.0 | tensorflow | 2.6.0 | tensorflow-estimator | 2.6.0 |
| termcolor | 1.1.0 | terminado | 0.9.4 | testpath | 0.4.4 |
| thinc | 8.0.9 | threadpoolctl | 2.1.0 | tokenizers | 0.10.3 |
| Fackla | 1.9.1+cu111 | torchvision | 0.10.1+cu111 | Tornado | 6.1 |
| tqdm | 4.59.0 | traitlets | 5.0.5 | Transformatorer | 4.11.3 |
| typer | 0.3.2 | skriva tillägg | 3.7.4.3 | ujson | 4.0.2 |
| obevakade uppgraderingar | 0,1 | urllib3 | 1.25.11 | Virtualenv | 20.4.1 |
| Visioner | 0.7.4 | Wasabi | 0.8.2 | wcwidth | 0.2.5 |
| webencodings | 0.5.1 | websocket-client | 0.57.0 | Werkzeug | 1.0.1 |
| Hjul | 0.36.2 | widgetsnbextension | 3.5.1 | wrapt | 1.12.1 |
| xgboost | 1.4.2 | Zipp | 3.4.1 |
Spark-paket som innehåller Python-moduler
| Spark-paket | Python-modul | Version |
|---|---|---|
| graphframes | graphframes | 0.8.2-db1-spark3.2 |
R-bibliotek
R-biblioteken är identiska med R-biblioteken i Databricks Runtime 10.1.
Java- och Scala-bibliotek (Scala 2.12-kluster)
Förutom Java- och Scala-bibliotek i Databricks Runtime 10.1 innehåller Databricks Runtime 10.1 ML följande JAR:er:
CPU-kluster
| Grupp-ID | Artefakt-ID | Version |
|---|---|---|
| com.typesafe.akka | akka-actor_2.12 | 2.5.23 |
| ml.combust.mleap | mleap-databricks-runtime_2.12 | 0.17.0-4882dc3 |
| ml.dmlc | xgboost4j-spark_2.12 | 1.4.1 |
| ml.dmlc | xgboost4j_2.12 | 1.4.1 |
| org.graphframes | graphframes_2.12 | 0.8.1-db6-spark3.2 |
| org.mlflow | mlflow-client | 1.20.2 |
| org.mlflow | mlflow-spark | 1.20.2 |
| org.scala-lang.modules | scala-java8-compat_2.12 | 0.8.0 |
| org.tensorflow | spark-tensorflow-connector_2.12 | 1.15.0 |
GPU-kluster
| Grupp-ID | Artefakt-ID | Version |
|---|---|---|
| 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-gpu_2.12 | 1.4.1 |
| ml.dmlc | xgboost4j-spark-gpu_2.12 | 1.4.1-spark3.2 |
| org.graphframes | graphframes_2.12 | 0.8.2-db1-spark3.2 |
| org.mlflow | mlflow-client | 1.21.0 |
| org.mlflow | mlflow-spark | 1.21.0 |
| org.scala-lang.modules | scala-java8-compat_2.12 | 0.8.0 |
| org.tensorflow | spark-tensorflow-connector_2.12 | 1.15.0 |