Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Von Bedeutung
Dieses Feature befindet sich in der Betaversion. Arbeitsbereichsadministratoren können den Zugriff auf dieses Feature über die Vorschauseite steuern. Siehe Verwalten von Azure Databricks-Vorschauen.
Diese Seite enthält Notizbuchbeispiele für klassische Machine Learning-Aufgaben mit Serverless GPU Compute. In diesen Beispielen wird veranschaulicht, wie GPUs für herkömmliche ML-Algorithmen und Zeitreihenprognosen genutzt werden.
XGBoost-Modellschulung
Dieses Notizbuch veranschaulicht, wie Sie ein XGBoost-Regressionsmodell auf einer einzelnen GPU trainieren. XGBoost kann erheblich von der GPU-Beschleunigung für große Datasets profitieren.
XGBoost
Verteiltes XGBoost Hyperparameter Tuning mit Ray
Dieses Notizbuch veranschaulicht die end-to-End verteilte XGBoost-Schulung mit Hyperparameteroptimierung mithilfe von Ray Tune auf Databricks Serverless GPU Compute.
RayTuneXGBoost
Zeitreihenprognose mit GluonTS
Dieses Notizbuch veranschaulicht einen End-to-End-Workflow für die probabilistische Zeitreihenvorhersage von Stromverbrauchsdaten mit dem DeepAR-Modell von GluonTS auf einem serverlosen GPU-Cluster. Es umfasst Datenaufnahme, Resampling, Modellschulung, Vorhersage, Visualisierung und Auswertung.