Pular para o conteúdo principal

Databricks Runtime 5.3 (EoS) ML

nota

O suporte para essa versão do Databricks Runtime foi encerrado. Para saber a data do fim do suporte, consulte Histórico do fim do suporte. Para conhecer todas as versões compatíveis do site Databricks Runtime, consulte Databricks Runtime notas sobre as versões e a compatibilidade.

A Databricks lançou esta versão em abril de 2019.

O Databricks Runtime 5.3 ML oferece um ambiente pronto para uso para aprendizado de máquina e ciência de dados com base no Databricks Runtime 5.3 (EoS). Databricks Runtime O site ML contém muitas bibliotecas populares de aprendizado de máquina, incluindo TensorFlow, PyTorch, Keras, e XGBoost. Ele também oferece suporte ao treinamento de aprendizagem profunda distribuída usando o Horovod.

Para obter mais informações, incluindo instruções para criar um cluster Databricks Runtime ML , consulte AI e aprendizado de máquina em Databricks.

Novo recurso

O Databricks Runtime 5.3 ML foi desenvolvido com base no Databricks Runtime 5.3. Para obter informações sobre as novidades do Databricks Runtime 5.3, consulte as notas sobre a versão Databricks Runtime 5.3 (EoS). Além das atualizações da biblioteca, o site Databricks Runtime 5.3 ML apresenta o seguinte novo recurso:

  • MLflow + Apache Spark MLlib integração: Databricks Runtime 5.3 O ML oferece suporte ao registro automático da execução doMLflow para modelos ajustados usando os algoritmos de ajuste PySpark CrossValidator e TrainValidationSplit.
info

Visualização

Esse recurso está em Private Preview. Entre em contato com o representante da Databricks ventas para saber como habilitá-lo.

A API de exportação do modelo ML da Databricks foi descontinuada. Em vez disso, a Databricks recomenda o uso do MLeap, que oferece uma cobertura mais ampla dos tipos de modelos MLlib. Saiba mais em MLeap ML model export.

Atualizações de manutenção

Consulte as atualizações de manutenção do Databricks Runtime 5.4 ML.

Ambiente do sistema

O ambiente do sistema no Databricks Runtime 5.3 ML difere do Databricks Runtime 5.3 da seguinte forma:

  • Python O senhor pode usar os seguintes métodos: 2.7.15 para Python 2 clustering e 3.6.5 para Python 3 clustering.
  • DBUtils : Databricks Runtime 5.3 ML não contém utilidades de biblioteca (dbutils.biblioteca) (legado).
  • Para o clustering de GPU, a seguinte biblioteca de GPUs NVIDIA:
    • Motorista Tesla 396.44
    • CUDA 9.2
    • CUDNN 7.2.1

biblioteca

As seções a seguir listam as bibliotecas incluídas em Databricks Runtime 5.3 ML que diferem daquelas incluídas em Databricks Runtime 5.3.

Biblioteca de primeira linha

Databricks Runtime 5.3 O site ML inclui as seguintes bibliotecas de primeira linha:

Python biblioteca

Databricks Runtime 5.3 O site ML usa o site Conda para o gerenciamento do pacote Python. Como resultado, há grandes diferenças na Python biblioteca pré-instalada em comparação com a Databricks Runtime. O senhor encontrará a seguir uma lista completa do pacote Python fornecido e das versões instaladas usando o gerenciador de pacotes Conda.

Biblioteca

Versão

Biblioteca

Versão

Biblioteca

Versão

abl-py

0.7.0

argparse

1.4.0

criptomoeda asn1

0,24,0

pastor

0.7.1

backports-abc

0.5

backports.functools-lru-cache

1.5

backports.weakref

1.0. postagem 1

bcriptar

3.1.6

cândida

2.1.3

Boto

2,48,0

boto3

1,7,62

botocore

1,10,62

certifi

2018,04.16

caffi

1,11.5

chardet

3.0.4

salmoura

0.5.3

colorama

0.3.9

analisador de configuração

3.5.0

criptografia

2.2.2

ciclador

0.10.0

Cython

0,28,2

decorador

4.3.0

docutils

0,14

pontos de entrada

0.2.3

enum34

1.1.6

arquivo et-xml

1.0.1

funçõs

1.0.2

functools32

3.2.3-2

fusepy

2.0.4

futuros

3.2.0

ímpeto

0.2.2

grócio

1.12.1

h5py

2.8.0

Horovod

0,16.0

html5lib

1.0.1

Índia

2.6

endereço IP

1,0.22

ipython

5.7.0

ipython_genutils

0.2.0

jdcal

1.4

Jinja 2

2,10

jmespath

0.9.3

esquema json

2.6.0

cliente jupyter

5.2.3

núcleo jupyter

4.4.0

Keras

2.2.4

Keras-Applications

1.0.6

Keras-Pré-processamento

1.0.5

solucionador de kiwi

1.0.1

cache de linha 2

1.0.0

llvmlite

0.23,1

lxml

4.2.1

Markdown

3.0.1

MarkupSafe

1,0

Matplotlib

2.2.2

confundir

0,8.3

pular

0.8.1

zombam

2.0.0

pacote de mensagens

0.5.6

nbconvert

5.3.1

formato nb

4.4.0

nariz

1.3.7

nariz-exclui

0.5.0

numba

0,38,0+0,g2a2b772fc.dirty

entorpecido

1,14.3

Arquivo de óleo

0,45,1

openpyxl

2.5.3

Pandas

0,23,0

filtros pandóicos

1.4.2

paramiko

2.4.1

pathlib2

2.3.2

bode expiatório

0.5.0

pbr

5.1.1

esperar

4.5.0

picles

0.7.4

Travesseiro

5.1.0

pip

10.0.1

dobra

3,11

kit de ferramentas de aviso

1,0.15

protobuf

3.6.1

pistila

5.6.0

psycopg2

2.7.5

processo pty

0.5.2

flecha

0.12.1

pyasn1

0.4.5

pycparser

2,18

Pigmentos

2.2.0

PyNaCL

1.3.0

PyOpenSSL

18,0.0

análise de pipa

2.2.0

Meias PY

1.6.8

Python

2.7.15

Python-dateutil

2.7.3

pytz

2018,4

PyYAML

3,12

pizma

17.0.0

pedidos

2.18.4

transferência s3

0.1.13

mais escandalosa

1.7

scikit-learn

0.19.1

pegajoso

1.1.0

marítimo

0.8.1

ferramentas de configuração

39,10

genérico simples

0.8.1

despacho único

3.4.0.3

seis

1.11.0

modelos de estatísticas

0.9.0

subprocesso32

3.5.3

TensorBoard

1.12.2

TensorBoard X

1,6

TensorFlow

1.12.0

cor do termo

1.1.0

caminho de teste

0.3.1

lanterna

0.4.1

visão de tocha

0.2.1

tornado

5.0.2

rastreio 2

1.4.0

almôndegas

4.3.2

teste unitário 2

1.1.0

urllib3

1,22

ambiente virtual

16,0.0

largura do wc

0.1.7

codificações da web

0.5.1

Utilitário

0,14.1

Python wheel

0,31,1

embrulhar

1.10.11

wsgiref

0.1.2

Além disso, os seguintes pacotes Spark incluem módulos Python:

Spark pacote

Módulo Python

Versão

graphframes

graphframes

0.7.0-db1-spark2.4

aprendizagem profunda

cintilante

1.5.0-db1-spark2.4

tensorframes

tensorframes

0.6.0-s_2.11

R biblioteca

A biblioteca R é idêntica à biblioteca R em Databricks Runtime 5.3.

Java e biblioteca ( 2.11 clustering) Scala Scala

Além de Java e Scala biblioteca em Databricks Runtime 5.3, Databricks Runtime 5.3 ML contém os seguintes JARs:

ID do grupo

ID do artefato

Versão

com.databricks

aprendizagem profunda

1.5.0-db1-spark2.4

com.typesafe.akka

também conhecido como actor_2.11

2.3.11

ml.combust.mleap

mleap-databricks-runtime_2.11

0,13,0

ml.dmlc

xgboost4j

0,81

ml.dmlc

xgboost4j-Spark

0,81

org.graphframes

quadros de gráfico_2.11

0.7.0-db1-spark2.4

org.tensorflow

libtensorflow

1.12.0

org.tensorflow

libtensorflow_jni

1.12.0

org.tensorflow

conector de fluxo tensor de faísca_2.11

1.12.0

org.tensorflow

TensorFlow

1.12.0

org.tensorframes

tensorframes

0.6.0-s_2.11