跳过导航

Azure 机器学习服务

构建、训练模型,并将其从云端部署到边缘

公告

  • TAL
  • Asos
  • Elastacloud
  • Wipro
  • Cognizant

概述

简化和加速机器学习模型的构建、训练和部署。使用自动化机器学习功能更快速地识别合适的算法并优化超参数。通过自动缩放计算和适用于机器学习的 DevOps,提高生产力并降低成本。只需单击一下即可无缝部署到云端和边缘。使用最新的开放源代码框架(如 Pytorch、TensorFlow 和 scikit-learn),在喜爱的 Python 环境中使用上述所有功能。

为什么选择 Azure 机器学习服务?

高效

通过自动化机器学习、自动缩放云计算和内置的 DevOps,快速构建并训练模型。

开放

在任何 Python 环境中通过喜爱的框架和工具使用 Azure 机器学习服务。

可信赖

利用 Azure 安全性、符合性功能和虚拟网络支持,改进企业就绪性。

混合

构建、训练模型,并将其部署到本地、云端和边缘。

Azure 机器学习服务功能

自动执行机器学习

更快速确定合适的算法和超参数。

托管计算

通过自动缩放功能强大的 GPU 群集,轻松训练模型并降低成本。

适用于机器学习的 DevOps

使用试验跟踪、模型管理和监视、集成 CI/CD 和机器学习管道,提高生产力。

简单部署

使用几行代码即可将模型部署到本地、云端和边缘。

待定工具的 Python SDK

Azure 机器学习服务集成了所有 Python 环境,包括 Visual Studio Code、Jupyter Notebook 和 PyCharm。

支持开源框架

使用喜爱的机器学习框架和工具,例如 Pytorch、Tensorflow 和 scikit-learn。

如何使用 Azure 机器学习服务

步骤 1(共 3 步)

步骤 1:创建工作区

在最喜欢的 Python 环境中安装 SDK 并创建一个工作区,在云端存储计算资源、模型、部署和运行历史记录。

步骤 2(共 3 步)

步骤 2:构建和训练

使用所选框架和自动机器学习功能,更快识别合适的算法和超参数。跟踪试验并轻松访问云中强大的 GPU。

步骤 3(共 3 步)

步骤 3:部署和管理

将模型部署到云或边缘,并利用现场可编程门阵列 (FPGA) 上的硬件加速模型进行超快速推理。在模型位于生产中时,可监视其性能和数据漂移情况,并根据需要进行重新训练。

相关产品和服务

Azure Databricks

基于 Apache Spark 的快速、简单、协作分析平台

Machine Learning Studio

轻松生成、部署和管理预测分析解决方案

SQL 数据仓库

弹性数据仓库即服务,具有企业级功能

数据科学虚拟机

为 AI 开发提供丰富的预配置环境

使用 Azure 机器学习服务,开始作出更佳决策