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. |