ML용 Databricks Runtime 5.4(EoS)
참고 항목
이 Databricks Runtime 버전에 대한 지원이 종료되었습니다. 지원 종료 날짜는 지원 종료 기록을 참조하세요. 지원되는 모든 Databricks Runtime 버전은 Databricks Runtime 릴리스 정보 버전 및 호환성을 참조하세요.
Databricks는 2019년 6월에 이 버전을 릴리스했습니다.
Machine Learning용 Databricks Runtime 5.4은 Databricks Runtime 5.4(EoS)을 기반으로 즉시 사용 가능한 기계 학습 및 데이터 과학 환경을 제공합니다. Databricks Runtime ML에는 TensorFlow, PyTorch, Keras, XGBoost를 포함하여 널리 사용되는 많은 기계 학습 라이브러리가 포함되어 있습니다. 또한 Horovod를 사용하여 분산 딥 러닝 학습을 지원합니다.
Databricks Runtime ML 클러스터 만들기 지침을 포함한 자세한 내용은 Databricks에서의 AI 및 기계 학습을 참조하세요.
새로운 기능
Databricks Runtime 5.4 ML은 Databricks Runtime 5.4를 기반으로 빌드됩니다. Databricks Runtime 5.4의 새로운 기능에 대한 자세한 내용은 Databricks Runtime 5.4(EoS) 릴리스 정보를 참조하세요.
라이브러리 업데이트 외에도 Databricks Runtime 5.4 ML에는 다음과 같은 새로운 기능이 도입되었습니다.
분산 Hyperopt + 자동화된 MLflow 추적
Databricks Runtime 5.4 ML은 하이퍼 매개 변수 튜닝의 크기를 조정하고 간소화하기 위해 Apache Spark에서 제공하는 Hyperopt의 새로운 구현을 도입했습니다. Apache Spark를 사용하여 여러 컴퓨터 및 노드 간에 Hyperopt 평가판 실행을 배포하기 위해 새 Trials 클래스 SparkTrials이(가) 구현됩니다. 또한 조정된 하이퍼 매개 변수 및 대상 메트릭과 함께 모든 튜닝 실험은 MLflow 실행에 자동으로 기록됩니다. Hyperopt 하이퍼 매개 변수 튜닝 병렬화를 참조하세요.
Important
이 기능은 공개 미리 보기 상태입니다.
Apache Spark MLlib + 자동화된 MLflow 추적
Databricks Runtime 5.4 ML은 PySpark 튜닝 알고리즘 CrossValidator 및 TrainValidationSplit를 사용하여 모델에 맞는 MLflow 실행의 자동 로깅을 지원합니다. Apache Spark MLlib 및 자동화된 MLflow 추적을 참조하세요. 이 기능은 Databricks Runtime 5.4 ML에서 기본적으로 켜져 있지만 Databricks Runtime 5.3 ML에서는 기본적으로 꺼져 있습니다.
Important
이 기능은 공개 미리 보기 상태입니다.
HorovodRunner 개선 사항
Horovod에서 Spark 드라이버 노드로 보낸 출력이 이제 Notebook 셀에 표시됩니다.
XGBoost Python 패키지 업데이트
XGBoost Python 패키지 0.80이 설치되어 있습니다.
시스템 환경
Databricks Runtime 5.4 ML의 시스템 환경은 다음과 같이 Databricks Runtime 5.4와 다릅니다.
- Python: Python 2 클러스터의 경우 2.7.15, Python 3 클러스터의 경우 3.6.5.
- DBUtils: Databricks Runtime 5.4 ML에는 라이브러리 유틸리티(dbutils.library)(레거시)가 포함되어 있지 않습니다.
- GPU 클러스터의 경우 다음 NVIDIA GPU 라이브러리를 사용합니다.
- Tesla 드라이버 396.44
- CUDA 9.2
- CUDNN 7.2.1
라이브러리
다음 섹션에서는 Databricks Runtime 5.4에 포함된 라이브러리와 다른 Databricks Runtime 5.4 ML 라이브러리를 나열합니다.
최상위 계층 라이브러리
Databricks Runtime 5.4 ML에는 다음과 같은 최상위 계층 라이브러리가 포함되어 있습니다.
Python 라이브러리
Databricks Runtime 5.4 ML은 Python 패키지 관리에 Conda를 사용합니다. 결과적으로 Databricks Runtime과 비교하여 설치된 Python 라이브러리에는 큰 차이점이 있습니다. 다음은 Conda 패키지 관리자를 사용하여 설치된 제공되는 Python 패키지 및 버전의 전체 목록입니다.
| 라이브러리 | 버전 | 라이브러리 | 버전 | 라이브러리 | 버전 |
|---|---|---|---|---|---|
| absl-py | 0.7.1 | argparse | 1.4.0 | asn1crypto | 0.24.0 |
| astor | 0.7.1 | backports-abc | 0.5 | backports.functools-lru-cache | 1.5 |
| backports.weakref | 1.0.post1 | bcrypt | 3.1.6 | bleach | 2.1.3 |
| boto | 2.48.0 | boto3 | 1.7.62 | botocore | 1.10.62 |
| certifi | 2018.04.16 | cffi | 1.11.5 | chardet | 3.0.4 |
| cloudpickle | 0.5.3 | colorama | 0.3.9 | configparser | 3.5.0 |
| 암호화 | 2.2.2 | cycler | 0.10.0 | Cython | 0.28.2 |
| decorator | 4.3.0 | docutils | 0.14 | entrypoints | 0.2.3 |
| enum34 | 1.1.6 | et-xmlfile | 1.0.1 | funcsigs | 1.0.2 |
| functools32 | 3.2.3-2 | fusepy | 2.0.4 | future | 0.17.1 |
| 미래 | 3.2.0 | gast | 0.2.2 | grpcio | 1.12.1 |
| h5py | 2.8.0 | horovod | 0.16.0 | html5lib | 1.0.1 |
| hyperopt | 0.1.2.db4 | idna | 2.6 | ipaddress | 1.0.22 |
| ipython | 5.7.0 | ipython_genutils | 0.2.0 | jdcal | 1.4 |
| Jinja2 | 2.10 | jmespath | 0.9.4 | jsonschema | 2.6.0 |
| jupyter-client | 5.2.3 | jupyter-core | 4.4.0 | Keras | 2.2.4 |
| Keras-Applications | 1.0.7 | Keras-Preprocessing | 1.0.9 | kiwisolver | 1.1.0 |
| linecache2 | 1.0.0 | llvmlite | 0.23.1 | lxml | 4.2.1 |
| Markdown | 3.1.1 | MarkupSafe | 1.0 | matplotlib | 2.2.2 |
| mistune | 0.8.3 | mkl-fft | 1.0.0 | mkl-random | 1.0.1 |
| mleap | 0.8.1 | mock | 2.0.0 | msgpack | 0.5.6 |
| nbconvert | 5.3.1 | nbformat | 4.4.0 | networkx | 2.2 |
| nose | 1.3.7 | nose-exclude | 0.5.0 | numba | 0.38.0+0.g2a2b772fc.dirty |
| numpy | 1.14.3 | olefile | 0.45.1 | openpyxl | 2.5.3 |
| pandas | 0.23.0 | pandocfilters | 1.4.2 | paramiko | 2.4.1 |
| pathlib2 | 2.3.2 | patsy | 0.5.0 | pbr | 5.1.3 |
| pexpect | 4.5.0 | pickleshare | 0.7.4 | Pillow | 5.1.0 |
| pip | 10.0.1 | ply | 3.11 | prompt-toolkit | 1.0.15 |
| protobuf | 3.7.1 | psutil | 5.6.2 | psycopg2 | 2.7.5 |
| ptyprocess | 0.5.2 | pyarrow | 0.12.1 | pyasn1 | 0.4.5 |
| pycparser | 2.18 | Pygments | 2.2.0 | pymongo | 3.8.0 |
| PyNaCl | 1.3.0 | pyOpenSSL | 18.0.0 | pyparsing | 2.2.0 |
| PySocks | 1.6.8 | Python | 2.7.15 | python-dateutil | 2.7.3 |
| pytz | 2018.4 | PyYAML | 5.1 | pyzmq | 17.0.0 |
| requests | 2.18.4 | s3transfer | 0.1.13 | scandir | 1.7 |
| scikit-learn | 0.19.1 | scipy | 1.1.0 | seaborn | 0.8.1 |
| setuptools | 39.1.0 | simplegeneric | 0.8.1 | singledispatch | 3.4.0.3 |
| 6 | 1.11.0 | statsmodels | 0.9.0 | subprocess32 | 3.5.4 |
| tensorboard | 1.12.2 | tensorboardX | 1.6 | tensorflow | 1.12.0 |
| termcolor | 1.1.0 | testpath | 0.3.1 | torch | 0.4.1 |
| torchvision | 0.2.1 | tornado | 5.0.2 | tqdm | 4.32.1 |
| traceback2 | 1.4.0 | traitlets | 4.3.2 | unittest2 | 1.1.0 |
| urllib3 | 1.22 | virtualenv | 16.0.0 | wcwidth | 0.1.7 |
| webencodings | 0.5.1 | Werkzeug | 0.14.1 | wheel | 0.31.1 |
| wrapt | 1.10.11 | wsgiref | 0.1.2 |
또한 다음 Spark 패키지에는 Python 모듈이 포함됩니다.
| Spark 패키지 | Python 모듈 | 버전 |
|---|---|---|
| graphframes | graphframes | 0.7.0-db1-spark2.4 |
| spark-deep-learning | sparkdl | 1.5.0-db3-spark2.4 |
| tensorframes | tensorframes | 0.6.0-s_2.11 |
R 라이브러리
R 라이브러리는 Databricks Runtime 5.4의 R 라이브러리와 동일합니다.
Java 및 Scala 라이브러리(Scala 2.11 클러스터)
Databricks Runtime 5.4의 Java 및 Scala 라이브러리 외에도 Databricks Runtime 5.4 ML에는 다음 JAR이 포함되어 있습니다.
| 그룹 ID | 아티팩트 ID | 버전 |
|---|---|---|
| com.databricks | spark-deep-learning | 1.5.0-db3-spark2.4 |
| com.typesafe.akka | akka-actor_2.11 | 2.3.11 |
| ml.combust.mleap | mleap-databricks-runtime_2.11 | 0.13.0 |
| ml.dmlc | xgboost4j | 0.81 |
| ml.dmlc | xgboost4j-spark | 0.81 |
| org.graphframes | graphframes_2.11 | 0.7.0-db1-spark2.4 |
| org.tensorflow | libtensorflow | 1.12.0 |
| org.tensorflow | libtensorflow_jni | 1.12.0 |
| org.tensorflow | spark-tensorflow-connector_2.11 | 1.12.0 |
| org.tensorflow | tensorflow | 1.12.0 |
| org.tensorframes | tensorframes | 0.6.0-s_2.11 |