Freigeben über


Deep Learning- und KI-Frameworks für Azure Data Science Virtual Machine

Die in DSVM verfügbaren Deep Learning-Frameworks sind hier aufgelistet.

CUDA-, cuDNN-, NVIDIA-Treiber

Category Wert
Unterstützte Versionen 11
Unterstützte DSVM-Editionen Windows Server 2019
Linux
Konfiguration und Installation auf der DSVM nvidia-smi steht unter dem Systempfad zur Verfügung.
Zur Ausführung Öffnen Sie eine Eingabeaufforderung (unter Windows) oder ein Terminal (unter Linux), und führen Sie dann nvidia-smi aus.

Horovod

Category Wert
Unterstützte Versionen 0.21.3
Unterstützte DSVM-Editionen Linux
Konfiguration und Installation auf der DSVM Horovod wird in Python 3.5 installiert.
Zur Ausführung Aktivieren Sie die richtige Umgebung am Terminal, und führen Sie dann Python aus.

NVidia System Management Interface (nvidia-smi)

Category Wert
Unterstützte Versionen
Unterstützte DSVM-Editionen Windows Server 2019
Linux
Verwendungszweck Als NVIDIA-Tool zum Abfragen von GPU-Aktivitäten
Konfiguration und Installation auf der DSVM nvidia-smi befindet sich im Systempfad.
Zur Ausführung Öffnen Sie auf einem virtuellen Computer mit GPUs eine Eingabeaufforderung (unter Windows) bzw. ein Terminal (unter Linux), und führen Sie dann nvidia-smi aus.

PyTorch

Category Wert
Unterstützte Versionen 1.9.0 (Linux, Windows 2019)
Unterstützte DSVM-Editionen Windows Server 2019
Linux
Konfiguration und Installation auf der DSVM Installation in Python, Conda-Umgebungen „py38_default“, „py38_pytorch“
Zur Ausführung Aktivieren Sie am Terminal die passende Umgebung, und führen Sie dann Python aus.
* JupyterHub: Stellen Sie eine Verbindung her, und öffnen Sie dann das PyTorch-Verzeichnis für Beispiele.

TensorFlow

Category Wert
Unterstützte Versionen 2.5
Unterstützte DSVM-Editionen Windows Server 2019
Linux
Konfiguration und Installation auf der DSVM Installation in Python, Conda-Umgebungen „py38_default“, „py38_tensorflow“
Zur Ausführung Aktivieren Sie am Terminal die richtige Umgebung, und führen Sie dann Python aus.
* Jupyter: Stellen Sie eine Verbindung mit Jupyter oder JupyterHub her, und öffnen Sie dann das TensorFlow-Verzeichnis für Beispiele.