Trace Id is missing
Перейти к основному контенту
Azure

Платформы для машинного обучения с открытым кодом в Azure

Быстрее создавайте и развертывайте модели с помощью открытой экосистемы.

Ускорьте создание и развертывание моделей машинного обучения в Azure, используя удобные для вас платформы с открытым кодом. Azure предоставляет открытую и совместимую экосистему, которая взаимодействует с любыми платформами без ограничений, позволяет ускорить каждый этап жизненного цикла машинного обучения и запускать модели из любой точки — от облака до пограничной зоны.

Создание моделей машинного обучения на платформе по вашему выбору

Azure поддерживает все популярные платформы машинного обучения. Независимо от того, разрабатываете ли вы модели на платформах глубокого обучения, таких как PyTorch или TensorFlow, пользуетесь преимуществами автоматизированных средств машинного обучения Azure или обучаете традиционные модели машинного обучения в scikit-learn, вы сможете обеспечить поддержку своих рабочих нагрузок в Azure.

Схема, показывающая платформы машинного обучения, поддерживаемые Службой машинного обучения Azure.

Вывод в любой операционной системе и на любой аппаратной платформе

Оптимизируйте формирование выводов на различных аппаратных платформах, используя среду выполнения ONNX с открытым кодом. Среда выполнения ONNX работает с популярными платформами, такими как PyTorch, TensorFlow, Keras, scikit-learn и многими другими, обеспечивая ускорение вывода в 17 раз и обучения в 1,4 раза. С помощью среды выполнения ONNX вы можете выводить модели машинного обучения в Linux, Windows, Mac и даже на мобильных устройствах. Среда выполнения ONNX включает новейшие программные и аппаратные библиотеки ускорителей от таких партнеров, как Intel и NVIDIA, для максимального повышения производительности как в облачной, так и в пограничной среде.

Схема, на которой выделены аппаратные платформы, поддерживаемые Службой машинного обучения Azure.

Ускорение жизненного цикла машинного обучения

Оптимизируйте продуктивность с помощью автоматизированного машинного обучения. Оперативно выявляйте подходящие алгоритмы и гиперпараметры настройки, а также без труда управляйте полным жизненным циклом машинного обучения с помощью простого развертывания из облака в пограничную среду. Все эти возможности можно получить с помощью пакета SDK для Python, совместимого с любыми инструментами.

Схема, демонстрирующая жизненный цикл машинного обучения.
Вернуться ко вкладкам

Упрощение и ускорение машинного обучения с помощью Azure