Machine learning en AI met ONNX in SQL Edge
Machine learning in Azure SQL Edge ondersteunt modellen in de Open Neural Network Exchange (ONNX)- indeling. ONNX is een open indeling die u kunt gebruiken voor het uitwisselen van modellen tussen verschillende machine learning frameworks en hulpprogram ma's.
Overzicht
Als u machine learning modellen wilt afleiden in Azure SQL Edge, moet u eerst een model ophalen. Dit kan een vooraf getraind model zijn of een aangepast model dat is getraind met uw Framework van Choice. Azure SQL Edge ondersteunt de ONNX-indeling en u moet het model naar deze indeling converteren. Het is niet van invloed op de nauw keurigheid van het model en wanneer u het ONNX-model hebt, kunt u het model in Azure SQL Edge implementeren en systeem eigen scores gebruiken met de functie voors pellen T-SQL.
ONNX-modellen ophalen
Een model ophalen in de ONNX-indeling:
Model buil ding Services: services zoals de functie voor automatische machine learning in Azure Machine Learning en Azure Custom Vision service ondersteunen het getrainde model rechtstreeks in de ONNX-indeling te exporteren.
Bestaande modellen converteren en/of exporteren: verschillende trainings Frameworks (zoals PyTorch, Chainer en Caffe2) ondersteunen systeem eigen export functionaliteit naar ONNX, waarmee u uw getrainde model kunt opslaan in een specifieke versie van de ONNX-indeling. Voor frameworks die systeem eigen export niet ondersteunen, zijn er zelfstandige ONNX-Converter Installeer bare pakketten waarmee u modellen kunt converteren die zijn getraind van verschillende machine learning Frameworks naar de ONNX-indeling.
Ondersteunde frameworks
-
Zie converteren naar ONNX-indelingvoor een volledige lijst met ondersteunde frameworks en voor beelden.
Beperkingen
Momenteel worden niet alle ONNX-modellen ondersteund door Azure SQL Edge. De ondersteuning is beperkt tot modellen met numerieke gegevens typen:
Andere numerieke typen kunnen worden geconverteerd naar ondersteunde typen met behulp van cast en Convert.
De model invoer moet zodanig zijn gestructureerd dat elke invoer naar het model overeenkomt met één kolom in een tabel. Als u bijvoorbeeld een Panda data frame gebruikt om een model te trainen, moet elke invoer een afzonderlijke kolom zijn voor het model.