Databricks Runtime 5.0 ML (EoS)
Примечание.
Поддержка этой версии databricks Runtime закончилась. См. историю окончания поддержки для получения сведений о дате завершения поддержки. Для всех поддерживаемых версий Databricks Runtime см. заметки о выпуске и совместимости Databricks Runtime.
Databricks выпустила эту версию в ноябре 2018 года.
Databricks Runtime 5.0 ML предоставляет готовую среду для Машинного обучения и обработки и анализа данных. Она содержит множество популярных библиотек, включая TensorFlow, Keras и XGBoost. Она также поддерживает распределенное обучение TensorFlow с использованием Horovod.
Дополнительные сведения, включая инструкции по созданию кластера Databricks Runtime ML, см. в статье ИИ и машинное обучение в Databricks.
Новые возможности
В основе Databricks Runtime 5.0 ML лежит Databricks Runtime 5.0. Для получения информации о новых возможностях Databricks Runtime 5.0 см. заметки о выпуске Databricks Runtime 5.0 (EoS). Помимо новых функций в версии Databricks Runtime 5.0, версия Databricks Runtime 5.0 ML включает следующие новые функции:
- HorovodRunner для запуска распределенных заданий глубокого обучения с помощью Horovod.
- Поддержка Conda для управления пакетами.
- Интеграция MLeap.
- Интеграция GraphFrames.
Примечание.
Выпуски Databricks Runtime ML получают все сервисные обновления базового выпуска Databricks Runtime. Список всех обновлений обслуживания см. в разделе "Обновления обслуживания" для среды выполнения Databricks (архивировано).
Системная среда
Ниже перечислены различия в системном окружении Databricks Runtime 5.0 и Databricks Runtime 5.0 ML.
- Python: 2.7.15 для кластеров Python 2 и 3.6.5 для кластеров Python 3.
- Для кластеров GPU следующие библиотеки GPU NVIDIA:
- Драйвер Tesla 396.44
- CUDA 9.2
- CUDNN 7.2.1
Библиотеки
В этом разделе перечислены различия в библиотеках в составе сред Databricks Runtime 5.0 и Databricks Runtime 5.0 ML.
Библиотеки Python
Для управления пакетами Python Databricks Runtime 5.0 ML использует Conda. Ниже приведен полный список пакетов и версий Python, установленных с помощью диспетчера пакетов Conda.
| Библиотека | Версия | Библиотека | Версия | Библиотека | Версия |
|---|---|---|---|---|---|
| absl-py | 0.6.1 | argparse | 1.4.0 | asn1crypto | 0.24.0 |
| Астор | 0.7.1 | backports-abc | 0,5 | backports.functools-lru-cache | 1.5 |
| backports.weakref | 1.0.post1 | bcrypt | 3.1.4 | отбеливатель | 2.1.3 |
| boto | 2.48.0 | boto3 | 1.7.62 | botocore | 1.10.62 |
| сертификат | 2018.04.16 | cffi | 1.11.5 | chardet | 3.0.4 |
| cloudpickle | 0.5.3 | colorama | 0.3.9 | конфигпарсер | 3.5.0 |
| криптография | 2.2.2 | циклер | 0.10.0 | Cython | 0.28.2 |
| декоратор | 4.3.0 | docutils | 0,14 | точки входа | 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 | фьючерсы | 3.2.0 |
| gast | 0.2.0 | grpcio | 1.12.1 | h5py | 2.8.0 |
| хоровод | 0.15.0 | html5lib | 1.0.1 | idna | 2.6 |
| IP-адрес | 1.0.22 | ipython | 5.7.0 | ipython_genutils | 0.2.0 |
| jdcal | 1.4 | Jinja2 | 2,10 | jmespath | 0.9.3 |
| jsonschema | 2.6.0 | jupyter-client | 5.2.3 | jupyter-core | 4.4.0 |
| Keras | 2.2.4 | Keras-Applications | 1.0.6 | Keras-Preprocessing | 1.0.5 |
| kiwisolver | 1.0.1 | linecache2 | 1.0.0 | llvmlite | 0.23.1 |
| lxml | 4.2.1 | Markdown | 3.0.1 | MarkupSafe | 1.0 |
| matplotlib | 2.2.2 | mistune | 0.8.3 | mleap | 0.8.1 |
| mock | 2.0.0 | msgpack | 0.5.6 | nbconvert | 5.3.1 |
| nbformat | 4.4.0 | нос | 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 | простофиля | 0.5.0 |
| pbr | 5.1.0 | pexpect | 4.5.0 | pickleshare | 0.7.4 |
| Подушка | 5.1.0 | pip | 10.0.1 | слой | 3.11 |
| prompt-toolkit | 1.0.15 | protobuf | 3.6.1 | psycopg2 | 2.7.5 |
| ptyprocess | 0.5.2 | pyarrow | 0.8.0 | pyasn1 | 0.4.4 |
| pycparser | 2.18 | Pygments | 2.2.0 | 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 | 3.12 | pyzmq | 17.0.0 | запросы | 2.18.4 |
| s3transfer | 0.1.13 | scandir | 1,7 | scikit-learn | 0.19.1 |
| scipy | 1.1.0 | мореборн | 0.8.1 | setuptools | 39.1.0 |
| simplegeneric | 0.8.1 | singledispatch | 3.4.0.3 | шесть | 1.11.0 |
| statsmodels | 0.9.0 | subprocess32 | 3.5.3 | tensorboard | 1.10.0 |
| tensorflow | 1.10.0 | termcolor | 1.1.0 | тестовый путь | 0.3.1 |
| tornado | 5.0.2 | traceback2 | 1.4.0 | traitlets | 4.3.2 |
| unittest2 | 1.1.0 | urllib3 | 1.22 | virtualenv | 16.0.0 |
| wcwidth | 0.1.7 | веб-кодировки | 0.5.1 | Werkzeug | 0.14.1 |
| колесо | 0.31.1 | закутанный | 1.10.11 | wsgiref | 0.1.2 |
Кроме того, модули Python включены в следующие пакеты Spark:
| Пакет Spark | Модуль Python | Версия |
|---|---|---|
| tensorframes | тензорфреймс | 0.5.0-s_2.11 |
| graphframes | graphframes | 0.6.0-db3-spark2.4 |
| spark-deep-learning | sparkdl | 1.3.0-db2-spark2.4 |
Библиотеки R
Библиотеки R идентичны библиотекам R в Databricks Runtime 5.0.
Библиотеки Java и Scala (кластер Scala 2.11)
Помимо библиотек Java и Scala в Databricks Runtime 5.0, среда Databricks Runtime 5.0 ML также включает следующие пакеты JAR:
| ИД группы | Идентификатор артефакта | Версия |
|---|---|---|
| com.databricks | spark-deep-learning | 1.3.0-db2-spark2.4 |
| org.tensorframes | tensorframes | 0.5.0-s_2.11 |
| org.graphframes | graphframes_2.11 | 0.6.0-db3-spark2.4 |
| org.tensorflow | libtensorflow | 1.10.0 |
| org.tensorflow | libtensorflow_jni | 1.10.0 |
| org.tensorflow | spark-tensorflow-connector_2.11 | 1.10.0-spark2.4-001 |
| org.tensorflow | Тензорфлоу | 1.10.0 |
| ml.dmlc | xgboost4j | 0.80 |
| ml.dmlc | xgboost4j-spark | 0.80 |
| ml.combust.mleap | mleap-databricks-runtime_2.11 | 0.13.0-SNAPSHOT |