Машинное обучение и искусственный интеллект с применением ONNX в SQL для пограничных вычислений
Важно!
Azure SQL Edge больше не поддерживает платформу ARM64.
Машинное обучение в SQL Azure для пограничных вычислений поддерживает модели в формате Open Neural Network Exchange (ONNX). ONNX — это открытый формат, который можно использовать для обмена моделями между различными платформами и инструментами машинного обучения.
Обзор
Чтобы определить модели машинного обучения в Azure SQL Edge, сначала необходимо получить модель. Это может быть предварительно обученная модель или пользовательская модель, обученная с помощью выбранной платформы. Azure SQL Edge поддерживает формат ONNX и необходимо преобразовать модель в этот формат. Не следует влиять на точность модели, и после того как у вас есть модель ONNX, вы можете развернуть модель в Azure SQL Edge и использовать собственную оценку с функцией PREDICT T-SQL.
Получение моделей ONNX
Чтобы получить модель в формате ONNX, выполните следующие действия.
Службы сборки моделей: службы, такие как функция автоматизированного Машинное обучение в Машинное обучение Azure и службе Azure Пользовательское визуальное распознавание, поддерживают непосредственно экспорт обученной модели в формате ONNX.
Преобразование и экспорт существующих моделей: несколько платформ обучения (например, PyTorch, Chainer и Caffe2) поддерживают собственные функции экспорта в ONNX, что позволяет сохранить обученную модель в определенную версию формата ONNX. Для платформ, которые не поддерживают собственный экспорт, существуют автономные пакеты, устанавливаемые onNX Converter, которые позволяют преобразовать модели, обученные из разных платформ машинного обучения, в формат ONNX.
Поддерживаемые платформы
-
Полный список поддерживаемых платформ и примеры см. в разделе Преобразование в формат ONNX.
Ограничения
В настоящее время SQL Azure для пограничных вычислений поддерживает не все модели ONNX. Поддержка ограничена моделями с числовыми типами данных:
Другие числовые типы можно преобразовать в поддерживаемые с помощью CAST и CONVERT.
Входные данные модели должны быть структурированы таким образом, чтобы каждый ввод данных в модель соответствовал одному столбцу в таблице. Например, если вы используете кадр данных Pandas для обучения модели, каждый вход должен быть отдельным столбцом модели.