Machine Learning Images

  • Basis-Bild
    Ubuntu Bionic
  • Kompatibilität
    Cuda® 10, Python 3.7
  • Frameworks für maschinelles Lernen
    Scikit-Learn, Nvidia® RAPIDS
  • Frameworks für tiefgehendes Lernen
    Tensorflow, Keras, Pytorch, Fast.ai, JAX
  • Interaktive Arbeitsbereiche
    Jupyter Notebook
  • Containerisierung
    Kompatibel mit Docker & Managed Kubernetes
Vorverpackte Bilder
Sicherheits-Aktualisierungen
AI/ML-Frameworks
Verfügbare Region
  • Paris
  • Optimierte Leistung auf GPU
  • Unterhalten von Scaleway
  • Ökosystem-Integration
Kostenloses Tool

Gebrauchsfertige Bilder zu maschinellem Lernen

Scaleways Machine Learning Images bietet Experten verschiedene Bereiche wie künstliche Intelligenz, maschinelles Lernen, tiefgehendes Lernen oder BigData und Dateningenieuren die beliebtesten Werkzeuge für ihren Arbeitsprozess, schnell und einfach.

Alle Projekte können verbessert werden, indem Sie unser erstklassiges GPU in der Cloud verwenden mit den Frameworks, Werkzeugen und Packs, die Sie direkt für Ihre Instanzen benötigen: PyTorch, Tensorflow, Nvidia® RAPIDS, JAX…

Unsere GPU Machine Learning Images werden ohne zusätzliche Kosten angeboten.

Ubuntu Bionic ML 10.1
CUDA® 10.1

Ubuntu Bionic ML 10.1 ist die letzte Version von Scaleways Machine Learning Images. Es enthält die letzten stabilen Versionen Ihrer Frameworks: CUDA 10.1, Tensorflow 2.2, PyTorch 1.5.

Dieses ML-Bild einsetzen
Ubuntu Bionic ML 9.2
CUDA® 9.2

Ubuntu Bionic ML 9.2 ist eine Scaleway Machine Learning Image, die speziell für die Nutzer unterhalten wird, die frühere auf CUDA 9.2 basierten Versionen benötigen

Dieses ML-Bild einsetzen

Was steckt in unserem Machine Learning Images

Jedes Framework und Packs sind vorverpackt

$

Tipps: Sie können eine vollständig detaillierte Liste der Python-Packs und in die Umgebung Conda „ai“ vorinstallierte Versionen sehen, indem Sie den Inhalt der Datei in den ML-Bildern einsehen

Hier finden Sie die beliebtesten Werkzeuge für maschinelles und tiefgehendes Lernen

TensorFlow & Keras

TensorFlow ist eine End-to-End-Open-Source-Plattform für maschinelles Lernen. Es bietet ein verständliches und flexibles Ökosystem an Werkzeugen, Bibliotheken und Community-Ressourcen, die Forscher dabei helfen, den Stand der Technik in ML zu verbessern und die Entwickler dabei helfen, ganz einfach ML-basierte Anwendungen zu entwickeln und einzusetzen.
Keras ist nun die standardmäßige hochwertige API in Tensorflow 2.0

PyTorch

PyTorch ist ein Open-Source-Frameworks für maschinelles Lernen, das den Weg von der Forschung über den Prototyp bis zum Einsatz der Produktion beschleunigt. PyTorch ermöglicht eine schnelle und flexible Experimentierung und eine effiziente Produktion dank eines benutzerfreundlichen Front-Ends, Schulungen und eines Ökosystems von Werkzeugen und Bibliotheken.

scikit

Scikit-learn ist eine kostenlose Software-Bibliothek für maschinelles Lernen für die Programmiersprache Python. Sie bietet unterschiedliche Klassifizierungen, Regressionen und Cluster-Algorithmen mit Support-Vektor-Maschinen, Random Forests, Gradient Boosting, K-Means und DBSCAN. Es wurde dazu entwickelt, mit den numerischen und wissenschaftlichen Bibliotheken NumPy und SciPy von Python zu interagieren.

RAPIDS

Das Framework für Data-Science RAPIDS ist eine Sammlung von Bibliotheken, die End-to-End-Data-Science-Leitungen komplett auf dem GPU ausführen. Die Interaktion wurde dazu entwickelt, um ein benutzerfreundliches Aussehen zu haben und in Python zu funktionieren, aber es verwendet optimierte Primitive von NVIDIA® CUDA® und einen GPU-Speicher mit hoher Bandbreite unter der Haube.

Conda

Conda ist ein Open-Source-Pack-Managementsystem und ein Umgebungs-Managementsystem für Linux. Conda kann schnell Packs und ihre Abhängigkeiten installieren, ausführen und aktualisieren.
Es genügen nur einige wenige Befehle und Sie können eine komplett getrennte Umgebung einrichten, in der Sie diese unterschiedliche Version von Python ausführen, während Sie Ihre übliche Version von Python in Ihrer normalen Umgebung ausführen.

Und vieles mehr

Zahlreiche andere Werkzeuge, Frameworks und Bibliotheken sind in unseren Machine Learning Images verpackt, wie Natural Language Processing tools (spacy, beautifulsoup4), Visualization tools (matplotlib, bokeh, seaborn, plotly) , images manipulation (NVIDIA® Dali, Pillow), implementation of Gradient Boosting algorithmes (XGBoost, CatBoost) oder für Forecasting (Facebook Prophet).

Versuchen Sie es nun mit unseren Tutorials über KI

Installation und Konfiguration des Jupyter Notebooks auf einer GPU-Instanz

Zum Tutorial

Wie setzt man Kubelow auf Kubernetes Kapsule ein

Zum Tutorial

Einleitung zu GPU-Instanzen: Verwendung von tiefgehendem Lernen, um frontale Ansichten von Gesichtsbildern zu erhalten

Lesen Sie den Artikel

Verbessern Sie Ihr maschinelles Lernen mit Scaleway

Weitere Cloud-Services, die gut mit GPUs funktionieren