未找到结果

您的搜索操作未匹配到任何结果。

我们建议您尝试以下操作,以帮助您找到所需内容:

  • 检查关键词搜索的拼写。
  • 使用同义词代替键入的关键词,例如,尝试使用“应用”代替“软件”。
  • 请尝试下方显示的热门搜索之一。
  • 重新搜索。
热门问题

Oracle 云基础设施数据科学虚拟机

随着业务数据(从客户数据到物联网数据)爆炸式增长,数据科学家需要能灵活快速地查看和构建模型。但是为了满足临时或高峰时的需求而购买新硬件会导致资本支出的飙升,而且还需要时间等待。

Oracle 云基础设施数据科学虚拟机是一个预配置环境,让您能够更快构建数据模型和提供业务价值。这些虚拟机基于 Oracle 云基础设施构建,提供超高的性能、安全性和可控性。您可以使用计算自动伸缩功能根据需要扩展计算资源,并在不需要时关闭计算实例,从而控制成本。

适合这种 VM 镜像的计算资源是一个带 NVIDIA GPU 的虚拟机,可在 15 分钟内运行起来,预装有常用的 IDE、编辑器和框架。Oracle 云基础设施数据科学虚拟机包含可供您测试和探索的基本样例数据和代码。

数据科学虚拟机
大型无线运营商通过在 Oracle 云基础设施上构建 AI 解决方案实现了更快的性能

大型无线运营商通过在 Oracle 云基础设施上构建 AI 解决方案实现了更快的性能

大型移动网络运营商推出一款基于 AI 的语音助手,用多种语言服务数百万客户。该环境使用一个双节点集群,每个节点有 8 个 GPU,连在一起作为一个 16 GPU 和 768GB 内存的集群使用,大幅减少训练数据模型的时间。

该解决方案使用一亿个可训练参数,这些参数每次迭代都会被优化。其结果是,语音转换为文本的性能提高了 2.4 倍,文本转换为语言的处理速度提高了 30% 到 50%,而且模型训练速度也加快了。

数据科学虚拟机

优势

我们的数据科学解决方案构建在 Oracle 云基础设施上,提供超高的性能、安全性和可控性,让您能够更快构建数据模型和提供业务价值。

快速

快速启动和运行。只需要部署预配置的镜像就可以开始工作了。当工作结束时,拆除也相当容易。

易于使用

您可以自己快速、方便地在云中启动这些镜像 — 无需 IT 团队的辅助或干涉。

有您需要的一切

这个一体化的镜像预安装了全套工具。您可以轻松地在部署前使用 Terraform 脚本或在系统运行起来后手动添加和定制。

灵活

还可以通过自动伸缩功能或使用 Oracle 云基础设施资源管理器快速、轻松地添加计算资源。

支持定制

您可以根据自己的需要,使用 GPU 款型来进行机器学习模型训练和推断,或使用基于 CPU 的计算进行机器学习。

低成本

降低 IT 成本。只需要 30 美元,您就能在云中的一个 Tesla P100 GPU 上运行一个模型一整天。

使用场景

Oracle 预配置的深度学习环境在很多行业有着广泛的应用。

 

自然语言处理

 

图像识别和分类

 

金融服务业欺诈检测

 

在线零售商推荐引擎

 

风险管理

数据科学虚拟机镜像内容

操作系统

  • 镜像族系:Oracle Linux 7.x
  • 操作系统:Oracle Linux
  • 内核版本:kernel-uek-4.14.35-1902.8.4.el7uek.x86_64
  • CUDA 版本:10-1-10.1.168-1
  • cuDNN 版本:7.3.1
  • 发布日期:2019 年 12 月 19 日

机器学习框架(基于 Python)

  • TensorFlow
  • Keras
  • Theano
  • scikit-learn
  • PyTorch
  • NumPy
  • Pandas
  • Seaborn

集成开发环境 (IDE) 和编辑器

  • Anaconda 开源发行版
  • Spyder
  • PyCharm
  • Atom
  • Jupyter Notebook
  • Sublime Text

内置实验

如果你想测试环境或深入了解深度学习和数据科学,内置的 Jupyter Notebook 提供了自助式引导。只需要在虚拟机中用 Jupyter Notebook 打开 readme.md 文件。

  • 实验 1:介绍机器学习包:scikit-learn
    完成 scikit-learn 教程就可以了解如何基于 scikit-learn 构建和调优模型。内含练习
  • 实验 2:介绍机器学习包:PyTorch
    完成 PyTorch 教程就可以了解如何用 PyTorch 基于神经网络构建和调优模型来执行视觉任务、自然语言处理和相关的使用。
  • 实验 3:用于自然语言处理的高级神经网络和迁移学习
    提供关于卷积神经网络和递归神经网络的教程。
  • 实验 4:用于视觉的高级神经网络和迁移学习
    解释如何实现定制的 CNN 和使用预训练的、先进的 CNN。