本页介绍用于机器学习的 Databricks Runtime，并提供有关如何创建使用它的经典计算资源的指南。
什么是用于机器学习的 Databricks Runtime？
用于机器学习的 Databricks Runtime （Databricks Runtime ML） 使用预构建的机器学习和深度学习基础结构（包括最常见的 ML 和 DL 库）自动创建计算资源。
Databricks Runtime ML 中已包含库
Databricks Runtime ML 包含各种常见的 ML 库。 该库使用每个发行版进行更新，以包括新功能和修复。
Databricks 已将一部分受支持的库指定为顶层库。 对于这些库，Databricks 提供了更快的更新节奏，可通过每个运行时版本更新到最新的包版本（除非存在依赖项冲突）。 Databricks 还为顶层库提供高级支持、测试以及嵌入式优化。 顶级库只有在主要版本更新时才会添加或删除。
- 有关顶层库和提供的其他库的完整列表，请参阅 Databricks Runtime ML的发行说明。
- 有关更新库的频率以及库弃用的时间的信息，请参阅 Databricks Runtime ML 维护策略。
可以安装其他库，为笔记本或计算资源创建自定义环境。
- 若要使库可用于在计算资源上运行的所有笔记本，请创建一个计算范围库。 还可以使用 init 脚本 在创建计算期间安装库。
- 若要安装仅供特定笔记本会话使用的库，请使用笔记本范围的 Python 库。
使用用于 ML 的 Databricks Runtime 创建计算资源
若要创建使用 Databricks Runtime for ML 的计算资源，请在创建计算 UI 中选择 机器学习 复选框。 这会自动将访问模式设置为专用，并将您的帐户作为专用用户。 可以在创建计算 UI 的 “高级 ”部分中手动将计算资源分配给其他用户或组。
对于基于 GPU 的计算，请在 辅助角色类型 下拉菜单中选择启用了 GPU 的实例类型。 有关支持的 GPU 类型的完整列表，请参阅支持的实例类型。
Photon 和 Databricks Runtime ML
创建运行 Databricks Runtime 15.2 ML 或更高版本的计算资源时，可以选择启用 Photon。 Photon 可以提高使用 Spark SQL、Spark 数据帧、功能工程、GraphFrames 和 xgboost4j 的应用程序的性能。 预计不会提高使用 Spark RDD、Pandas UDF 和非 JVM 语言（例如 Python）的应用程序的性能。 因此，使用 Photon 不会提高 Python 包（例如 XGBoost、PyTorch 和 TensorFlow）的性能。
Spark RDD API 和 Spark MLlib 与 Photon 的兼容性有限。 使用 Spark RDD 或 Spark MLlib 处理大型数据集时，可能会遇到 Spark 内存问题。 请参阅 Spark 内存问题。
Databricks Runtime ML 的计算访问模式
若要在运行 Databricks Runtime ML 的计算资源上访问 Unity 目录中的数据，必须将访问模式设置为 “专用”。 选择 “机器学习 ”复选框时，将在创建计算 UI 中自动设置访问模式。
当计算资源具有 专用 访问模式时，可以将资源分配给单个用户或组。 分配给组时，用户的权限会自动缩小到组的权限范围，使用户能够安全地与组的其他成员共享资源。
使用专用访问模式时，以下功能仅适用于 Databricks Runtime 15.4 LTS ML 及更高版本：