這些功能和 Azure Databricks 平台改善功能於 2019 年 4 月發行。
注意
分階段發行。 您的 Azure Databricks 帳戶可能要到初始發行日期後至多一週才會更新。
Azure Databricks 上的 MLflow (GA)
2019 年 4 月 25 日
Azure Databricks 上的受控 MLflow 現已正式推出。 Azure Databricks 上的 MLflow 提供與 Databricks 資訊安全模型和互動式工作區完全整合的託管的 MLflow 版本。 請參閱 ML 模型生命週期的 MLflow。
Azure Databricks 上的 Delta Lake
2019 年 4 月 24 日
Databricks 已開放 Delta Lake 專案的原始碼。 Delta Lake 是一種儲存層，通過在寫入之間使用樂觀並發控制和快照隔離，於寫入期間提供一致讀取的 ACID 交易，為建於 HDFS 和雲端儲存之上的資料湖帶來可靠性。 Delta Lake 也提供內建的資料版本控制，以便輕鬆回復和重現報表。
注意
先前稱為 Databricks Delta 的項目現在是 Delta Lake 開放原始碼專案，加上 Azure Databricks 上可用的最佳化。 請參閱 什麼是 Azure Databricks 中的 Delta Lake？。
MLflow 執行側邊欄
2019 年 4 月 9 至 16 日：2.95 版
您現在可以在筆記本旁的側邊欄檢視 MLflow 的運行記錄以及產生這些運行的筆記本修訂。 在筆記本的右側邊欄中，點擊實驗圖示
。
請參閱建立筆記本實驗。
使用您的 Microsoft Entra ID 認證自動存取 Azure Data Lake Storage Gen1 和 Gen2 （GA）
2019 年 4 月 9 至 16 日：2.95 版
我們很高興宣佈，從 Azure Databricks 叢集到 Azure Data Lake Storage Gen1 和 Gen2，已正式提供使用自動驗證功能。這項功能使用您登入 Azure Databricks 的相同 Microsoft Entra ID 身份識別。
只要啟用叢集以進行Microsoft Entra ID 認證傳遞，以及在該叢集上執行的命令，就能在 Azure Data Lake Storage Gen1 和 Gen2 中讀取和寫入您的數據，而不需要您設定服務主體認證來存取記憶體。
要了解更多資訊，請參閱使用 Microsoft Entra ID 認證傳遞來存取 Azure Data Lake Storage (舊版)。
Databricks Runtime 5.3 （GA）
2019 年 4 月 3 日
Databricks Runtime 5.3 現已正式發行。 Databricks Runtime 5.3 包括新的 Delta Lake 功能和升級，以及升級的 Python、R、Java 和 Scala 程式庫。
主要升級包括：
- Databricks Delta 時間旅行正式版
- MySQL 數據表復寫至 Delta、公開預覽
- 為深度學習工作負載而最佳化的 DBFS FUSE 資料夾
- 筆記本範圍內的程式庫改善
- 新的 Databricks 顧問提示
如需詳細資訊，請參閱 Databricks Runtime 5.3 (EoS)。
Databricks Runtime 5.3 ML （GA）
2019 年 4 月 3 日
使用 Databricks Runtime 5.3 進行機器學習，我們已成功推出 Databricks Runtime ML 的首次正式版！ Databricks Runtime ML 為機器學習和資料科學提供完備環境。 其建立在 Databricks Runtime 上，且新增許多熱門的機器學習程式庫，包括 TensorFlow、PyTorch、Keras 和 XGBoost。 其也支援使用 Horovod 的分散式訓練。
此版本是以 Databricks Runtime 5.3 為基礎建置，其中包含其他程式庫、一些不同的程式庫版本，以及適用於 Python 程式庫的 Conda 套件管理。 Databricks Runtime 5.2 ML Beta 以來的主要新功能包括：
MLlib 與 MLflow (個人預覽版）的整合，可為使用 PySpark 微調演算法
CrossValidator和TrainValidationSplit的模型提供 MLflow 執行的自動記錄。如果您想要參與預覽，請連絡 Databricks 帳戶團隊。
升級至 PyArrow、Horovod 和 TensorboardX 程式庫。
PyArrow 更新新增了在執行以 Arrow 為基礎的轉換時，使用
BinaryType的能力，並且將此功能在 pandas UDF 中提供。
如需進一步資訊，請參閱 Databricks Runtime 5.3 ML (EoS)。 建立 Databricks Runtime ML 叢集的指示，請參閱 Databricks 上的 AI 和機器學習 (機器翻譯)。