Trace Id is missing
Zum Hauptinhalt wechseln

Open-Source-Frameworks für maschinelles Lernen in Azure

Erstellen Sie Modelle schneller, und stellen Sie sie mit einem offenen Ökosystem schneller bereit.

Erstellen Sie mithilfe Ihrer bevorzugten Open-Source-Frameworks Machine-Learning-Modelle in Azure, und stellen Sie diese Modelle dann bereit. Azure bietet ein offenes und interoperables Ökosystem für die Verwendung Ihrer bevorzugten Frameworks. Dabei sind Sie nicht an ein bestimmtes Framework gebunden. Sie verbessern den gesamten Ablauf des maschinellen Lernens, und Sie können Ihr Modell überall von der Cloud bis zum Edge ausführen.

Machine Learning-Modelle im Framework Ihrer Wahl erstellen

Azure unterstützt alle gängigen Machine-Learning-Frameworks. Ihre Workloads werden in Azure unabhängig davon unterstützt, ob Sie Modelle in Deep-Learning-Frameworks wie PyTorch oder TensorFlow entwickeln, die Azure-Funktionen für automatisiertes maschinelles Lernen nutzen oder herkömmliche Machine Learning-Modelle in scikit-learn trainieren.

Ein Diagramm, das Machine Learning-Frameworks zeigt, die Azure Machine Learning Service unterstützt.

Rückschlüsse für alle Betriebssysteme und Hardwareplattformen

Optimieren Sie Rückschlüsse für eine Vielzahl von Hardwareplattformen mithilfe der Open-Source-ONNX-Runtime. Zusammen mit gängigen Frameworks wie PyTorch, TensorFlow, Keras oder scikit-learn bietet ONNX Runtime bis zu 17-mal schnellere Rückschlüsse und bis zu 1,4-mal schnelleres Training. Verwenden Sie ONNX Runtime für Rückschlüsse für Ihre ML-Modelle auf Linux-, Windows- oder Mac-Geräten und sogar auf mobilen Geräten. Durch die Integration der neuesten Beschleunigersoftware und Hardwarebibliotheken von Partnern wie Intel und NVIDIA in ONNX Runtime können Sie die Leistung maximieren, egal ob in der Cloud oder am Edge.

Diagramm mit Hardwareplattformen, die von Azure Machine Learning Service unterstützt werden.

Beschleunigter vollständiger Lebenszyklus mit maschinellem Lernen

Beschleunigen Sie Ihre Produktivität durch automatisiertes maschinelles Lernen. Finden Sie schnell geeignete Algorithmen, optimieren Sie Hyperparameter, und verwalten Sie problemlos mit einer einfachen Bereitstellung von der Cloud bis zum Edge den gesamten Machine-Learning-Lebenszyklus. Greifen Sie über ein toolunabhängiges Python-SDK auf all diese Funktionen zu.

Ein Diagramm, das den End-to-End-Machine Learning-Lebenszyklus abbildet.
Zurück zu Registerkarten

Vereinfachen und Beschleunigen des maschinellen Lernens mit Azure