Aprendizaje automático e IA con ONNX en SQL Edge
Importante
Azure SQL Edge ya no admite la plataforma ARM64.
El aprendizaje automático en Azure SQL Edge admite modelos del formato Open Neural Network Exchange (ONNX). ONNX es un formato abierto que puede usar para intercambiar modelos entre varios marcos y herramientas de aprendizaje automático.
Información general
Para deducir modelos de aprendizaje automático en Azure SQL Edge, primero debe obtener un modelo. Puede ser un modelo entrenado previamente o un modelo personalizado entrenado con el marco que prefiera. Azure SQL Edge admite el formato ONNX y debe convertir el modelo a este formato. No debería haber ningún efecto en la precisión del modelo y, una vez que tenga el modelo ONNX, puede implementar el modelo en Azure SQL Edge y usar la puntuación nativa con la función PREDICT T-SQL.
Obtención de modelos de ONNX
Para obtener un modelo en el formato ONNX:
Servicios de creación de modelos: servicios como la característica de Machine Learning automatizado en Azure Machine Learning y Azure Custom Vision Service admiten la exportación directa del modelo entrenado en formato ONNX.
Convertir o exportar modelos existentes: Varios marcos de entrenamiento (como PyTorch, Chainer y Caffe2) admiten la funcionalidad de exportación nativa a ONNX, lo que permite guardar el modelo entrenado en una versión específica del formato ONNX. En el caso de los marcos que no admiten la exportación nativa, hay paquetes instalables de ONNX Converter independientes que permiten convertir modelos entrenados desde diferentes marcos de aprendizaje automático al formato ONNX.
Marcos admitidos
-
Para obtener la lista completa de los marcos y ejemplos admitidos, consulte Conversión al formato ONNX.
Limitaciones
Actualmente, no todas las versiones de ONNX son compatibles con Azure SQL Edge. La compatibilidad se limita a los modelos con tipos de datos numéricos:
Otros tipos numéricos se pueden convertir en tipos compatibles mediante CAST y CONVERT.
Las entradas del modelo deben estructurarse de manera que cada entrada al modelo corresponda a una sola columna en una tabla. Por ejemplo, si usa un dataframe de Pandas para entrenar un modelo, cada entrada debe ser una columna independiente para el modelo.