Co je Azure Data Science Virtual Machine pro Linux a Windows?

Virtuální Data Science Virtual Machine (DSVM) je přizpůsobená image virtuálního počítače na cloudové platformě Azure vytvořená speciálně pro datové vědy. Obsahuje mnoho oblíbených nástrojů pro datové vědy, které jsou předinstalované a předem nakonfigurované tak, aby bylo možné rychle začít s vytvářením inteligentních aplikací pro pokročilou analýzu.

DSVM je k dispozici na:

  • Windows Server 2019
  • Ubuntu 18.04 LTS

Porovnání s Azure Machine Learning

DSVM je přizpůsobená image virtuálního počítače pro datové vědy, ale Azure Machine Learning (AzureML) je komplexní platforma, která zahrnuje:

  • Plně spravované výpočetní prostředky
    • Výpočetní instance
    • Výpočetní clustery pro distribuované ML úlohy
    • Clustery pro odvozování pro bodování v reálném čase
  • Úložiště dat (například Objekt blob, ADLS Gen2, SQL DB)
  • Sledování experimentů
  • Správa modelů
  • Notebooks
  • Prostředí (správa závislostí conda a R)
  • Označování
  • Pipelines (automatizace koncových pracovních postupů datových věd)

Porovnání s výpočetními instancemi AzureML

Azure Machine Learning výpočetní instance jsou plně nakonfigurovaná a spravovaná image virtuálního počítače, zatímco DSVM je nespravovaný virtuální počítač.

Hlavní rozdíly mezi těmito dvěma nabídkami produktů jsou podrobně uvedené níže:

Funkce Datové vědy
Virtuální počítač
AzureML
Výpočetní instance
Plně spravovaná No Ano
Podpora jazyků Python, R, Julia, SQL, C#,
Java, Node.js, F #
Python a R
Operační systém Ubuntu
Windows
Ubuntu
Předem nakonfigurovaná možnost GPU Ano Ano
Možnost škálování nahoru Ano Ano
Přístup SSH Ano Ano
Přístup přes protokol RDP Ano No
Integrované
Hostované poznámkové bloky
No
(vyžaduje další konfiguraci)
Ano
Integrované jednotné přihlašování No
(vyžaduje další konfiguraci)
Ano
Integrovaná spolupráce No Ano
Předinstalační nástroje Jupyter(lab), RStudio Server, VSCode,
Visual Studio, PyCharm, Juno,
Power BI Desktop, SSMS,
Microsoft Office 365, Apache Drill
Jupyter(lab)
RStudio Server

Ukázkové případy použití

Níže uvádíme některé běžné případy použití pro zákazníky DSVM.

Krátkodobé experimenty a vyhodnocování

DsVM můžete použít k vyhodnocení nebo se seznamování s novými nástroji pro datové vědy, zejména prostřednictvím některých našich publikovaných ukázek a názorných průvodců.

Hluboké učení s grafickými procesory

Na virtuálním počítači pro daty (DSVM) mohou vaše modely trénování používat algoritmy hlubokého učení na hardwaru založeném na grafických procesorech (GPU). Díky možnostem škálování virtuálních počítače platformy Azure vám DSVM pomůže používat hardware založený na GPU v cloudu podle vašich potřeb. Pokud trénujete velké modely nebo potřebujete vysokorychlostní výpočty, můžete přepnout na virtuální počítač založený na GPU a stále zůstat na stejném disku s operačním systémem. Pomocí DSVM můžete zvolit libovolnou ze SKU virtuálních počítačů s podporou GPU řady N. Poznámka: Bezplatné účty Azure nepodporují SKU virtuálních počítačů s podporou GPU.

Všechny Windows dsVM jsou předinstalované s ovladači GPU, rozhraními a verzemi GPU architektur hlubokého učení. V edicích Linuxu je na virtuálních počítači pro datovou virtuální počítač s Ubuntu povolené hluboké učení na GPU.

Můžete také nasadit Ubuntu nebo Windows edicí DSVM na virtuální počítač Azure, který není založený na GPU. V tomto případě se všechny architektury hlubokého učení vrátí do režimu procesoru.

Přečtěte si další informace o dostupných architekturách hlubokého učení a AI.

Školení a vzdělávání v oblasti datové vědy

Firemní školitelé a učitelé, kteří vyučují kurzy datových věd, obvykle dodají image virtuálního počítače. Image zajišťuje, že studenti mají konzistentní nastavení a že ukázky fungují předvídatelně.

DSVM vytvoří prostředí na vyžádání s konzistentním nastavením, které usnadňuje problémy s podporou a nekompatibilitou. Užitečný je zejména v případech, kdy je potřeba taková prostředí vytvářet často, například pro kratší školení.

Co je součástí DSVM?

Úplný seznam nástrojů pro virtuální počítače DSVM s Windows i Linuxem najdete tady.

Další kroky

Další informace najdete v těchto článcích: