略過導覽

Azure Machine Learning 服務

從雲端邊緣建置、訓練及部署模型

公告

  • TAL
  • Asos
  • Elastacloud
  • Wipro
  • Cognizant

概觀

簡化並加快機器學習模型的建置、訓練及部署。使用自動化機器學習,更快地找出合適的演算法與超參數。透過自動調整運算與機器學習的 DevOps 提升產能及降低成本。按一下滑鼠即可流暢地部署至雲端及邊緣。使用最新的開放原始碼架構 (例如 Pytorch、TensorFlow 及 scikit-learn),從您最喜歡的 Python 環境存取這全部的功能。

為何選擇 Azure Machine Learning 服務?

高效能

使用自動化的機器學習、自動調整規模的雲端計算及內建 DevOps,更快速地建置及訓練模型。

開放

在任何 Python 環境中使用 Azure Machine Learning 服務,並使用您最喜歡的架構及工具。

可信任

透過 Azure 安全性、合規性功能及虛擬網路支援來提升企業整備程度。

混合式

建置、訓練模型,並部署到內部部署、雲端及邊緣。

Azure Machine Learning 服務功能

自動化的機器學習

更快找出適合的演算法及超參數。

受控的運算

輕鬆訓練模型,並自動調整強大的 GPU 叢集規模,為您節省經費。

DevOps 之於機器學習

透過實驗追蹤、模型管理及監視、整合的 CI/CD 及機器學習管線來提升生產力。

部署易如反掌

只需要幾行程式碼,便可在內部部署、雲端及雲端部署模型。

適用於各種工具的 Python SDK

Azure Machine Learning 服務可以與任何 Python 環境整合,包含 Visual Studio Code、Jupyter Notebook 及 PyCharm。

對開放原始碼架構的支援

使用您最喜歡的機器學習架構及工具,例如 PyTorch、TensorFlow 及 scikit-learn。

如何使用 Azure Machine Learning 服務

步驟 3 之 1

步驟 1:建立工作區

在您慣用的 Python 環境中安裝 SDK,然後建立您的工作區,將您的運算資源、模型、部署與執行歷程記錄全部儲存在雲端。

步驟 3 之 2

步驟 2:建置和定型

使用您選擇的架構與自動化機器學習功能,更快地找出合適的演算法與超參數。追蹤您在雲端中的實驗,而且隨時都能存取功能強大的 GPU。

步驟 3 之 3

步驟 3:部署及管理

將模型部署到雲端或邊緣,利用現場程式化閘道陣列 (FPGA) 上的硬體加速模型,進入極速推斷的境地。當您的模型在生產時監視其效能與資料漂移,並視需要重新定型。

相關產品與服務

Azure Databricks

快速、簡單且共同作業的 Apache Spark 架構分析平台

機器學習 Studio

輕鬆建置、部署及管理預測性分析解決方案

SQL 資料倉儲

彈性的資料倉儲即服務,並提供企業級功能

Data Science Virtual Machine

適用於 AI 開發的豐富預先設定環境

開始使用 Azure Machine Learning 服務制定更好的決策