Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Te przykłady wykonują klasyczne zadania uczenia maszynowego na AI Runtime. Pokazują, jak wykorzystać akcelerację GPU w tradycyjnych algorytmach ML, bazowych modelach tabelarycznych oraz prognozowaniu szeregów czasowych, w tym w regresji XGBoost, predykcji zero-shot z TabFM oraz prognozowaniu probabilistycznym z GluonTS.
| Example | Interface | Opis |
|---|---|---|
| Trenowanie modelu XGBoost | Notebook | W tym notesie pokazano, jak wytrenować model regresji XGBoost na jednym procesorze GPU. Biblioteka XGBoost może znacznie korzystać z przyspieszania procesora GPU dla dużych zestawów danych. |
| Dostrajaj hiperparametry XGBoost za pomocą Optuna | Notebook | Ten notes demonstruje optymalizację hiperparametrów dla modelu klasyfikacji XGBoost na pojedynczym GPU, wykorzystując śledzenie eksperymentów Optuna i MLflow. |
| Predykcje tabelaryczne zero-shot za pomocą TabFM | Notebook | Ten notatnik przedstawia klasyfikację zero-shot i regresję z użyciem bazowego modelu tabelarycznego TabFM firmy Google. TabFM wykorzystuje uczenie kontekstowe do tworzenia predykcji w pojedynczym przebiegu w przód, bez dostrajania ani trenowania specyficznego dla danego zbioru danych. |
| Prognozowanie szeregów czasowych za pomocą usługi GluonTS | Notebook | Ten notatnik demonstruje kompleksowy przepływ pracy dla probabilistycznego prognozowania szeregów czasowych zużycia energii elektrycznej za pomocą modelu DeepAR GluonTS na platformie AI Runtime. Obejmuje pozyskiwanie danych, ponowne próbkowanie, trenowanie modelu, przewidywanie, wizualizację i ocenę. |
| Trening XGBoost na pojedynczej kartie graficznej | CLI | Wytrenuj klasyfikator XGBoost na zbiorze danych Forest CoverType na jednym GPU A10, loguj metryki do MLflow i rejestruj model w Unity Catalog. |
| Wyszukiwanie hiperparametrów XGBoost za pomocą Ray Tune | CLI | Użyj Ray Tune i ASHA do wyszukiwania hiperparametrów XGBoost na czterech GPU A10, logowania najlepszej konfiguracji do MLflow i rejestracji modelu w Unity Catalog. |
| Klasyfikacja węzłów grafu za pomocą GraphSAGE | CLI | Wytrenuj model GraphSAGE na jednym GPU A10, aby klasyfikować prace naukowe w grafie cytowań ogbn-arxiv. |
| Prognozowanie szeregów czasowych z Chronosem-2 | CLI | Użyj Chronos-2 do generowania i oceny kroczących prognoz cen energii elektrycznej z jednodniowym wyprzedzeniem na jednym GPU A10. |
| Wykrywanie anomalii w serii czasowej za pomocą Kumo-Anomaly | CLI | Dopracuj NVIDIA Kumo-Anomaly na jednym GPU A10 i porównaj podstawowe i precyzyjnie dostrojone modele na wydzielonych danych do wykrywania anomalii. |