Nuta
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować się zalogować lub zmienić katalog.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Ważne
Ta funkcja jest dostępna w wersji beta. Administratorzy obszaru roboczego mogą kontrolować dostęp do tej funkcji ze strony Podglądy . Zobacz Zarządzanie wersjami zapoznawczami usługi Azure Databricks.
Ta strona zawiera przykłady notesów dla klasycznych zadań uczenia maszynowego przy użyciu bezserwerowych obliczeń procesora GPU. W tych przykładach pokazano, jak wykorzystać procesory GPU do tradycyjnych algorytmów uczenia maszynowego i prognozowania szeregów czasowych.
Trenowanie modelu XGBoost
W tym notesie pokazano, jak wytrenować model regresji XGBoost na jednym procesorze GPU. Biblioteka XGBoost może znacznie korzystać z przyspieszania procesora GPU dla dużych zestawów danych.
XGBoost
Rozproszone dostrajanie hiperparametrów XGBoost przy użyciu Ray
W tym notesie przedstawiono kompleksowe rozproszone trenowanie XGBoost z optymalizacją hiperparametrów przy użyciu narzędzia Ray Tune w usłudze Databricks Serverless GPU Compute.
RayTuneXGBoost
Prognozowanie szeregów czasowych za pomocą usługi GluonTS
W tym notesie przedstawiono pełny przepływ pracy na potrzeby sondowania prognozowania danych dotyczących zużycia energii elektrycznej za pomocą modelu DeepAR firmy GluonTS w klastrze bezserwerowego procesora GPU. Obejmuje pozyskiwanie danych, ponowne próbkowanie, trenowanie modelu, przewidywanie, wizualizację i ocenę.