Databricks Runtime 11.1 pour Machine Learning (EoS)

Databricks Runtime 11.1 pour Machine Learning fournit un environnement prêt à l’emploi pour Machine Learning et la science des données basé sur Databricks Runtime 11.1 (EoS). Databricks Runtime ML contient de nombreuses bibliothèques populaires de Machine Learning, notamment TensorFlow, PyTorch et XGBoost. Databricks Runtime ML comprend AutoML, un outil permettant d’effectuer l’apprentissage automatique des pipelines Machine Learning. Databricks Runtime ML prend également en charge l'apprentissage profond distribué à l'aide d'Horovod.

Pour plus d’informations, notamment les instructions relatives à la création d’un groupement Databricks Runtime ML, consultez IA et apprentissage automatique sur Databricks.

Améliorations et nouvelles fonctionnalités

Databricks Runtime 11.1 ML s’appuie sur Databricks Runtime 11.1. Pour plus d’informations sur les nouveautés de Databricks Runtime 11.1, notamment Apache Spark MLlib et SparkR, consultez les notes de publication de Databricks Runtime 11.1 (EoS).

Améliorations apportées à AutoML

Les améliorations suivantes ont été apportées à AutoML.

• Lorsque AutoML détecte qu’un problème de classification est binaire, il calcule les métriques de classification binaire et déduit la classe positive du problème. Vous pouvez également spécifier la classe positive à l’aide d’un nouveau paramètre pos_label. Pour plus d’informations, consultez la référence de l’API Python AutoML.
• Pour les problèmes de prévision, AutoML peut désormais gérer le scénario où l’horizon est long par rapport à l’intervalle de temps des données d’entraînement.

Améliorations apportées à Databricks Feature Store

Les améliorations suivantes ont été apportées au Databricks Feature Store.

• Vous pouvez maintenant mettre à jour manuellement les sources de données d’une table de fonctionnalités à l’aide de l’API Python Feature Store.

• Vous pouvez désormais publier des tables de fonctionnalités hors connexion dans Azure Cosmos DB pour une recherche en ligne à faible latence. Consultez Publier des fonctionnalités dans un magasin en ligne et Publier des fonctionnalités de série chronologique dans un magasin en ligne.

Environnement du système

L’environnement système de Databricks Runtime 11.1 ML diffère de Databricks Runtime 11.1 comme suit :

• DBUtils : Databricks Runtime ML n’inclut pas l’Utilitaire de bibliothèque (dbutils.library) (hérité). Utilisez les commandes %pip à la place. Consultez Bibliothèques Python délimitées à un notebook.
• Pour les clusters GPU, Databricks Runtime ML inclut les bibliothèques GPU NVIDIA suivantes :
  • CUDA 11.3
  • cuDNN 8.0.5.39
  • NCCL 2.9.9
  • TensorRT 7.2.2

Bibliothèques

Les sections suivantes listent les bibliothèques incluses dans Databricks Runtime ML 11.1 qui diffèrent de celles incluses dans Databricks Runtime 11.1.

Dans cette section :

• Bibliothèques de niveau supérieur
• Bibliothèques Python
• Bibliothèques R
• Bibliothèques Java et Scala (cluster Scala 2.12)

Bibliothèques de niveau supérieur

Databricks Runtime 11.1 ML comprend les bibliothèquesde niveau supérieur suivantes :

• GraphFrames
• Horovod et HorovodRunner
• MLflow
• PyTorch
• spark-tensorflow-connector
• TensorFlow
• TensorBoard

Bibliothèques Python

Databricks Runtime 11.1 ML utilise Virtualenv pour la gestion des packages Python et comprend de nombreux packages ML populaires.

En plus des packages spécifiés dans les sections suivantes, Databricks Runtime 11.1 ML comprend également les packages suivants :

• hyperopt 0.2.7.db1
• sparkdl 2.2.0-db6
• feature_store 0.5.0
• automl 1.11.0

Bibliothèques Python sur les clusters UC

Bibliothèques Python sur les clusters GPU

Packages Spark contenant des modules Python

Bibliothèques R

Les bibliothèques R sont identiques aux bibliothèques R dans Databricks Runtime 11.1.

Bibliothèques Java et Scala (cluster Scala 2.12)

En plus des bibliothèques Java et Scala dans Databricks Runtime 11.1, Databricks Runtime 11.1 ML contient les fichiers jar suivants :

Clusters UC

Clusters GPU