Trace Id is missing
Přeskočit na hlavní obsah

Opensourcové architektury strojového učení v Azure

Využijte otevřený ekosystém k rychlejšímu sestavování a nasazování modelů.

Využijte možnost rychlého sestavování a nasazování modelů strojového učení v Azure s využitím vašich oblíbených opensourcových architektur. Azure poskytuje otevřený a interoperabilní ekosystém umožňující neomezeně využívat architektury podle vaší volby, zrychlit všechny fáze životního cyklu strojového učení a spouštět vaše modely kdekoli, od cloudu až po hraniční zařízení.

Sestavování modelů strojového učení v architektuře podle vašeho výběru

Azure podporuje všechny oblíbené architektury strojového učení. Nezáleží na tom, jestli vyvíjíte modely v architekturách hlubokého učení, jako je PyTorch nebo TensorFlow, využíváte možnosti automatizovaného strojového učení v Azure nebo trénujete tradiční modely strojového učení v scikit-learn, v Azure vždycky můžete podporovat vaše úlohy.

Diagram znázorňující architektury strojového učení, které Azure Machine Learning Service podporuje.

Odvozování napříč všemi operačními systémy a hardwarovými platformami

Optimalizujte odvozování na celé řadě hardwarových platforem s využitím opensourcového modulu runtime ONNX. Modul runtime ONNX spolupracuje s oblíbenými architekturami, jako je PyTorch, TensorFlow, Keras, SciKit-Learn a další, a umožňuje zajistit až 17krát rychlejší odvozování a až 1,4krát rychlejší trénování. Modul runtime ONNX můžete využít k odvozování modelů ML v systémech Linux, Windows a Mac a dokonce i na mobilních zařízeních. Modul runtime ONNX integruje nejnovější softwarové a hardwarové knihovny akcelerátorů od partnerů, jako jsou Intel a NVIDIA, a pomáhá zajistit maximální výkon bez ohledu na to, jestli používáte cloud, nebo hraniční zařízení.

Diagram zvýrazňující hardwarové platformy, které Azure Machine Learning Service podporuje.

Zrychlete kompletní životní cyklus strojového učení

Zvyšte svou produktivitu pomocí automatizovaného strojového učení. Využijte možnost rychle identifikovat vhodné algoritmy, optimalizovat hyperparametry a snadno spravovat kompletní životní cyklus strojového učení s jednoduchým nasazení od cloudu až po hraniční zařízení. Získejte přístup ke všem těmto možnostem ze sady Python SDK nezávislé na nástrojích.

Diagram zvýrazňující kompletní životní cyklus strojového učení.
Zpět na karty

Zjednodušení a zrychlení strojového učení s využitím Azure