Juni 2019

Diese Features und Azure Databricks-Plattformverbesserungen wurden im Juni 2019 veröffentlicht.

Lsv2-Instanzunterstützung allgemein verfügbar

24. bis 26. Juni 2019: Version 2.100

Azure Databricks unterstützt jetzt vollständig die Lsv2-VM-Serie für Workloads mit hohem Durchsatz und hoher IOPS-Leistung.

RStudio-Integration nicht mehr auf Cluster mit hoher Parallelität beschränkt

6. bis 11. Juni 2019: Version 2.99

Sie können jetzt RStudio Server für Standardcluster in Azure Databricks aktivieren, und zwar zusätzlich zu den bereits unterstützten Clustern mit hoher Parallelität. Unabhängig vom Clustermodus ist es für die Integration von RStudio Server weiterhin erforderlich, dass Sie die Option Automatische Beendigung für Ihren Cluster deaktivieren. Weitere Informationen finden Sie unter RStudio in Azure Databricks.

MLflow 1.0

3\. Juni 2019

MLflow ist eine Open-Source-Plattform zur Verwaltung des gesamten Machine Learning-Lebenszyklus. Mit MLflow können Data Scientists Experimente lokal oder in der Cloud nachverfolgen und freigeben, Modelle frameworkübergreifend packen und freigeben und praktisch überall bereitstellen.

Wir freuen uns, die Veröffentlichung von MLflow 1.0 heute bekanntgeben zu können. Das Release 1.0 kennzeichnet nicht nur die Reife und Stabilität der APIs, sondern bietet nun auch eine Reihe häufig angefragter Features und Verbesserungen:

• Die CLI wurde neu organisiert und verfügt jetzt über dedizierte Befehle für Artefakte, Modelle, Datenbanken (Nachverfolgungsdatenbank) und Server (Nachverfolgungsserver).
• Die Nachverfolgungsserversuche unterstützt eine vereinfachte Version der SQL WHERE-Klausel. Zusätzlich zur Unterstützung von Metriken und Parametern wurde die Suche um einige Ausführungsattribute sowie Benutzer- und Systemtags erweitert.
• Unterstützung für x-Koordinaten in der Nachverfolgungs-API wurde hinzugefügt. Die Visualisierungskomponenten der MLflow-Benutzeroberfläche unterstützen jetzt auch das Zeichnen von Metriken für bereitgestellte x-Koordinatenwerte.
• Ein runs/log-batch-REST-API-Endpunkt sowie Python-, R- und Java-Methoden zum Protokollieren mehrerer Metriken, Parameter und Tags mit einer einzigen API-Anforderung wurden hinzugefügt.
• Für die Nachverfolgung wird der MLflow 1.0-Client jetzt auch unter Windows unterstützt.
• Unterstützung für HDFS als Back-End des Artefaktspeichers wurde hinzugefügt.
• Ein Befehl zum Erstellen eines Docker-Containers, dessen Standardeinstiegspunkt dem angegebenen MLflow-Python-Funktionsmodell an Port 8080 innerhalb des Containers zur Verfügung steht, wurde hinzugefügt.
• Eine experimentelle Variante des ONNX-Modells wurde hinzugefügt.

Sie können die vollständige Liste der Änderungen im MLflow-Änderungsprotokoll einsehen.

Databricks Runtime 5.4 für Machine Learning

3\. Juni 2019

Databricks Runtime 5.4 ML basiert auf Databricks Runtime 5.4 (EoS). Es enthält viele beliebte Machine Learning-Bibliotheken, darunter TensorFlow, PyTorch, Keras und XGBoost, und bietet verteiltes TensorFlow-Training mit Horovod.

Es bietet die folgenden neuen Features:

• MLlib-Integration mit MLflow (Public Preview).
• Hyperopt mit vorinstallierter neuer SparkTrials-Klasse (Public Preview).
• Die HorovodRunner-Ausgabe, die von Horovod an den Spark-Treiberknoten gesendet wird, ist jetzt in Notebookzellen sichtbar.
• Vorinstalliertes XGBoost Python-Paket.

Weitere Informationen finden Sie unter Databricks Runtime 5.4 ML (EoS).

Databricks Runtime 5.4

3\. Juni 2019

Databricks Runtime 5.4 ist jetzt verfügbar. Databricks Runtime 5.4 enthält Apache Spark 2.4.2, aktualisierte Python-, R-, Java- und Scala-Bibliotheken und die folgenden neuen Features:

• Delta Lake in Databricks fügt automatische Optimierung hinzu (Public Preview)
• Verwenden Ihrer bevorzugten IDE und des Notebookservers mit Databricks Connect
• Bibliothekshilfsprogramme allgemein verfügbar
• Binärdateidatenquelle

Weitere Informationen finden Sie unter Databricks Runtime 5.4 (EoS).