映射應用程式的參考解決方案

瞭解如何使用 Pandas UDF、PyTorch 和 TensorFlow，在許多真實世界映射應用程式共用的常見組態中，從參考解決方案筆記本進行分散式映射模型推斷。此設定假設您在物件存放區中儲存許多影像，並選擇性地持續抵達新的影像。

影像模型推斷的工作流程

假設您有數個定型的深度學習 (DL) 模型來進行影像分類和物件偵測，例如 MobileNetV2 用於偵測使用者上傳相片中的人類物件，以協助保護隱私權，而您想要將這些 DL 模型套用至預存影像。

您可以重新定型模型，並更新先前計算的預測。不過，載入許多映射並套用 DL 模型，這兩者都是 I/O 繁重和大量計算。幸好，推斷工作負載是令人令人難得平行的，理論上可以輕易地散發。本指南將逐步引導您完成包含兩個主要階段的實際解決方案：

對於影像應用程式，包括定型和推斷工作，Databricks 建議您使用自動載入器將 ETL 影像轉換成 Delta 資料表。自動載入器可協助資料管理，並自動處理持續抵達的新影像。

下列筆記本使用 PyTorch 和 TensorFlow tf。Keras 示範參考解決方案。

對於大型影像檔 (平均影像大小大於 100 MB) ，Databricks 建議只使用 Delta 資料表來管理檔案名 (清單) ，並視需要使用其路徑從物件存放區載入影像。