Trainieren rechenintensiver Modelle mit Azure Machine Learning
Umfangreiche Machine Learning- und Deep Learning-Modelle erfordern ausreichend Rechenleistung. Erfahren Sie, wann Sie GPU-Compute auswählen müssen und wie verschiedene Frameworks Ihnen helfen, GPU-Compute während der Vorverarbeitung, beim Modelltraining und bei der Bereitstellung optimal zu nutzen.
Voraussetzungen
Bevor Sie mit diesem Lernpfad beginnen, sollten Sie sich mit Azure Machine Learning Service und dem Trainieren von rechenintensiven Machine Learning- und Deep-Learning-Modellen vertraut machen.
Erfolgscode
Möchten Sie einen Erfolgscode beantragen?
Module in diesem Lernpfad
Verwenden Sie beim Trainieren rechenintensiver Modelle GPU-Compute in Azure Machine Learning. Speichern Sie Ihre Daten effizient und verwenden Sie eine Datenbearbeitungsbibliothek, die mit GPU-Compute kompatibel ist, um die für die Verarbeitung der Daten benötigte Zeit zu verkürzen.
Trainieren Sie rechenintensive Modelle mit GPU-Compute in Azure Machine Learning. Durch das Überwachen von Workloads können Sie die optimale Computekonfiguration ermitteln. Das verteilte Training ermöglicht es Ihnen, auf mehreren Knoten zu trainieren, um die Trainingszeit zu verkürzen.
Die Bereitstellung großer Modelle für Echtzeitrückschlüsse ist aufgrund der Größe des Modells eine Herausforderung. Hier erfahren Sie mehr darüber, welche Möglichkeiten Sie hierbei haben und welche Frameworks Sie verwenden können, um die Leistung Ihres Modells während der Modellbewertung zu optimieren.