AI-runtimeexempel

Viktigt!

Den här funktionen finns som allmänt tillgänglig förhandsversion.

AI Runtime tillhandahåller serverlös GPU-beräkning för inferens, träning och finjustering av AI- och djupinlärningsmodeller. Sidorna nedan grupperar notebook-tutorials och Databricks CLI-recept efter uppgift: klassisk ML, rekommendationssystem, datorseende, efterträning av open source-LLM:er, batchinferens och multi-GPU-distribuerad träning.

Exempel på notebookar ingår i dokumentationen. Databricks CLI-exempel länkar till AI Runtime Cookbook på GitHub, där du kan klona arkivet och köra dess arbetsbelastningskonfigurationer och källkod.

Uppgift Beskrivning
Klassisk maskininlärning Exempel för traditionella maskininlärningsuppgifter inklusive XGBoost-träning, nollskottstabellprognoser och tidsserieprognoser.
Rekommendationssystem Exempel för att skapa rekommendationssystem med moderna djupinlärningsmetoder som tvåtornsmodeller.
Datorvision Exempel på datorsyn-uppgifter, inklusive objektigenkänning och bildklassificering.
Eftertränade modeller med öppen källkod (LLM:er) Exempel för finjustering och efterträning av öppna källkodsmodeller för stora språk, inklusive parametereffektiva metoder.
Batch-slutsatsdragning Exempel på storskalig batchinferens med Ray Data och vLLM över flera GPU:er.
Multi-GPU-distribuerad träning Exempel på skalningsträning över flera GPU:er och noder med hjälp av det serverlösa GPU-API:et.
  • Uppdaterades senast