適用於 ML 的 Databricks Runtime 5.4 (EoS)
注意
此 Databricks 執行時間版本的支援已結束。 如需終止支援日期,請參閱 終止支援歷程記錄。 如需所有支援的 Databricks 運行時間版本,請參閱 Databricks Runtime 版本資訊版本和相容性。
Databricks 於 2019 年 6 月發行此映射。
Databricks Runtime 5.4 for 機器學習 提供以 Databricks Runtime 5.4 (EoS) 為基礎的機器學習和數據科學就緒環境。 Databricks Runtime ML 包含許多熱門機器學習連結庫,包括 TensorFlow、PyTorch、Keras 和 XGBoost。 它也支援使用 Horovod 的分散式深度學習訓練。
如需詳細資訊,包括建立 Databricks Runtime ML 叢集的指示,請參閱 Databricks 上的 AI 和 機器學習。
新功能
Databricks Runtime 5.4 ML 建置在 Databricks Runtime 5.4 之上。 如需 Databricks Runtime 5.4 新功能的詳細資訊,請參閱 Databricks Runtime 5.4 (EoS) 版本資訊。
除了 連結庫更新之外,Databricks Runtime 5.4 ML 還引進了下列新功能:
分散式 Hyperopt + 自動化 MLflow 追蹤
Databricks Runtime 5.4 ML 引進由 Apache Spark 提供的新 Hyperopt 實作,以調整和簡化超參數微調。 實作新的 Trials
類別 SparkTrials
,以使用Apache Spark在多部機器和節點之間散發 Hyperopt 試用版執行。 此外,所有微調實驗,以及微調的超參數和目標計量,都會自動記錄至 MLflow 執行。 請參閱 平行處理 Hyperopt 超參數微調。
重要
這項功能處於公開預覽狀態。
Apache Spark MLlib + 自動化 MLflow 追蹤
Databricks Runtime 5.4 ML 支援針對使用 PySpark 微調演演算法CrossValidator
和 TrainValidationSplit
適合的模型自動記錄 MLflow 執行。 請參閱 Apache Spark MLlib 和自動化 MLflow 追蹤。 這項功能預設在 Databricks Runtime 5.4 ML 中開啟,但在 Databricks Runtime 5.3 ML 中預設為關閉。
重要
這項功能處於公開預覽狀態。
HorovodRunner 改善
從 Horovod 傳送至 Spark 驅動程式節點的輸出現在會顯示在筆記本數據格中。
XGBoost Python 套件更新
已安裝 XGBoost Python 套件 0.80。
系統環境
Databricks Runtime 5.4 ML 中的系統環境與 Databricks Runtime 5.4 不同,如下所示:
- Python:適用於 Python 2 叢集的 2.7.15,Python 3 叢集為 3.6.5。
- DBUtils:Databricks Runtime 5.4 ML 不包含 連結庫公用程式 (dbutils.library) (legacy)。
- 針對 GPU 叢集,下列 NVIDIA GPU 連結庫:
- 特斯拉司機 396.44
- CUDA 9.2
- CUDNN 7.2.1
圖書館
下列各節列出 Databricks Runtime 5.4 ML 中包含的連結庫,與 Databricks Runtime 5.4 中包含的連結庫不同。
頂層連結庫
Databricks Runtime 5.4 ML 包含下列最上層 連結庫:
Python 程式庫
Databricks Runtime 5.4 ML 使用 Conda 進行 Python 套件管理。 因此,相較於 Databricks Runtime,已安裝的 Python 連結庫有主要差異。 以下是使用 Conda 套件管理員所安裝之 Python 套件和版本的完整清單。
程式庫 | 版本 | 程式庫 | 版本 | 程式庫 | 版本 |
---|---|---|---|---|---|
absl-py | 0.7.1 | argparse | 1.4.0 | asn1crypto | 0.24.0 |
astor | 0.7.1 | backports-abc | 0.5 | backports.functools-lru-cache | 1.5 |
backports.weakref | 1.0.post1 | bcrypt | 3.1.6 | bleach | 2.1.3 |
boto | 2.48.0 | boto3 | 1.7.62 | botocore | 1.10.62 |
certifi | 2018.04.16 | cffi | 1.11.5 | chardet | 3.0.4 |
cloudpickle | 0.5.3 | colorama | 0.3.9 | configparser | 3.5.0 |
密碼編譯 | 2.2.2 | cycler | 0.10.0 | Cython | 0.28.2 |
decorator | 4.3.0 | docutils | 0.14 | entrypoints | 0.2.3 |
enum34 | 1.1.6 | et-xmlfile | 1.0.1 | funcsigs | 1.0.2 |
functools32 | 3.2.3-2 | fusepy | 2.0.4 | future | 0.17.1 |
期貨 | 3.2.0 | gast | 0.2.2 | grpcio | 1.12.1 |
h5py | 2.8.0 | horovod | 0.16.0 | html5lib | 1.0.1 |
hyperopt | 0.1.2.db4 | idna | 2.6 | ipaddress | 1.0.22 |
ipython | 5.7.0 | ipython_genutils | 0.2.0 | jdcal | 1.4 |
Jinja2 | 2.10 | jmespath | 0.9.4 | jsonschema | 2.6.0 |
jupyter-client | 5.2.3 | jupyter-core | 4.4.0 | Keras | 2.2.4 |
Keras-Applications | 1.0.7 | Keras-Preprocessing | 1.0.9 | kiwisolver | 1.1.0 |
linecache2 | 1.0.0 | llvmlite | 0.23.1 | lxml | 4.2.1 |
Markdown | 3.1.1 | MarkupSafe | 1.0 | matplotlib | 2.2.2 |
mistune | 0.8.3 | mkl-fft | 1.0.0 | mkl-random | 1.0.1 |
mleap | 0.8.1 | mock | 2.0.0 | msgpack | 0.5.6 |
nbconvert | 5.3.1 | nbformat | 4.4.0 | networkx | 2.2 |
nose | 1.3.7 | 鼻子排除 | 0.5.0 | numba | 0.38.0+0.g2a2b772fc.dirty |
numpy | 1.14.3 | olefile | 0.45.1 | openpyxl | 2.5.3 |
pandas | 0.23.0 | pandocfilters | 1.4.2 | paramiko | 2.4.1 |
pathlib2 | 2.3.2 | patsy | 0.5.0 | pbr | 5.1.3 |
pexpect | 4.5.0 | pickleshare | 0.7.4 | Pillow | 5.1.0 |
pip | 10.0.1 | 層 | 3.11 | prompt-toolkit | 1.0.15 |
protobuf | 3.7.1 | psutil | 5.6.2 | psycopg2 | 2.7.5 |
ptyprocess | 0.5.2 | pyarrow | 0.12.1 | pyasn1 | 0.4.5 |
pycparser | 2.18 | Pygments | 2.2.0 | pymongo | 3.8.0 |
PyNaCl | 1.3.0 | pyOpenSSL | 18.0.0 | pyparsing | 2.2.0 |
PySocks | 1.6.8 | Python | 2.7.15 | python-dateutil | 2.7.3 |
pytz | 2018.4 | PyYAML | 5.1 | pyzmq | 17.0.0 |
requests | 2.18.4 | s3transfer | 0.1.13 | scandir | 1.7 |
scikit-learn | 0.19.1 | scipy | 1.1.0 | seaborn | 0.8.1 |
setuptools | 39.1.0 | simplegeneric | 0.8.1 | singledispatch | 3.4.0.3 |
六次 | 1.11.0 | statsmodels | 0.9.0 | subprocess32 | 3.5.4 |
tensorboard | 1.12.2 | tensorboardX | 1.6 | tensorflow | 1.12.0 |
termcolor | 1.1.0 | testpath | 0.3.1 | 炬 | 0.4.1 |
torchvision | 0.2.1 | tornado | 5.0.2 | tqdm | 4.32.1 |
traceback2 | 1.4.0 | traitlets | 4.3.2 | unittest2 | 1.1.0 |
urllib3 | 1.22 | virtualenv | 16.0.0 | wcwidth | 0.1.7 |
webencodings | 0.5.1 | Werkzeug | 0.14.1 | wheel | 0.31.1 |
wrapt | 1.10.11 | wsgiref | 0.1.2 |
此外,下列 Spark 套件包含 Python 模組:
Spark 套件 | Python 模組 | 版本 |
---|---|---|
graphframes | graphframes | 0.7.0-db1-spark2.4 |
spark-deep-learning | sparkdl | 1.5.0-db3-spark2.4 |
tensorframes | tensorframes | 0.6.0-s_2.11 |
R 程式庫
R 連結庫與 Databricks Runtime 5.4 中的 R 連結庫相同。
Java 和 Scala 連結庫 (Scala 2.11 叢集)
除了 Databricks Runtime 5.4 中的 Java 和 Scala 連結庫之外,Databricks Runtime 5.4 ML 還包含下列 JAR:
群組識別碼 | 成品標識碼 | 版本 |
---|---|---|
com.databricks | spark-deep-learning | 1.5.0-db3-spark2.4 |
com.typesafe.akka | akka-actor_2.11 | 2.3.11 |
ml.combust.mleap | mleap-databricks-runtime_2.11 | 0.13.0 |
ml.dmlc | xgboost4j | 0.81 |
ml.dmlc | xgboost4j-spark | 0.81 |
org.graphframes | graphframes_2.11 | 0.7.0-db1-spark2.4 |
org.tensorflow | libtensorflow | 1.12.0 |
org.tensorflow | libtensorflow_jni | 1.12.0 |
org.tensorflow | spark-tensorflow-connector_2.11 | 1.12.0 |
org.tensorflow | tensorflow | 1.12.0 |
org.tensorframes | tensorframes | 0.6.0-s_2.11 |
意見反映
https://aka.ms/ContentUserFeedback。
即將推出:我們會在 2024 年淘汰 GitHub 問題,並以全新的意見反應系統取代並作為內容意見反應的渠道。 如需更多資訊,請參閱:提交及檢視以下的意見反映: