Träna beräkningsintensiva modeller med Azure Machine Learning
Storskaliga maskininlärnings- och djupinlärningsmodeller kräver gott om beräkningskraft. Lär dig när du ska välja GPU-beräkning och hur olika ramverk hjälper dig att använda GPU-beräkning optimalt under förbearbetning, modellträning och distribution.
Förutsättningar
Innan du påbörjar den här utbildningsvägen bör du känna till Azure Machine Learning-tjänsten och träna beräkningsintensiva maskininlärnings- och djupinlärningsmodeller.
Prestationskod
Vill du begära en prestationskod?
Moduler i den här utbildningsvägen
Välj GPU-beräkning i Azure Machine Learning när du tränar beräkningsintensiva modeller. För att minska den tid som krävs för att bearbeta data lagrar du dina data effektivt och använder ett datamanipuleringsbibliotek som är kompatibelt med GPU-beräkning.
Träna beräkningsintensiva modeller med GPU-beräkning i Azure Machine Learning. Genom att övervaka arbetsbelastningar kan du hitta den optimala beräkningskonfigurationen. Med distribuerad träning kan du träna på flera noder för att påskynda träningstiden.
Det är svårt att distribuera storskaliga modeller för slutsatsdragning i realtid på grund av modellens storlek. Lär dig vad du kan göra och vilka ramverk du kan använda för att optimera modellens prestanda under modellbedömning.