MMLSpark为Apache Spark提供了大量深度学习和数据科学工具，包括将Spark Machine Learning管道与Microsoft Cognitive Toolkit（CNTK）和OpenCV进行无缝集成，使您能够快速创建功能强大，高度可扩展的大型图像和文本数据集分析预测模型。

MMLSpark需要Scala 2.11，Spark 2.1+，以及Python 2.7或Python 3.5+。

显着特点

  1. 从 HDFS 轻松摄取图像到Spark DataFrame（示例：301）
  2. 使用 OpenCV 进行转换的预处理图像数据（示例：302）
  3. 使用 CNTK 进行预训练的深层神经网络（示例：301）
  4. 使用来自 Keras 预先训练的双向LSTM进行医疗实体提取（示例：304）
  5. 在Azure上的N系列GPU虚拟机上训练基于DNN的图像分类模型
  6. 通过单个变换器在SparkML中的基元上方使用方便的API实现自由格式的文本数据（示例：201）
  7. 列车分类和回归模型容易通过数据的隐式特征化（示例：101）
  8. 计算一组丰富的评估指标，包括每个实例的指标（示例：102）


所有的示例可以参见：https://github.com/Azure/mmlspark/tree/master/notebooks/samples

一个简单的示例

以下是使用预先训练的CNN在CIFAR-10数据集中分类图像的简单示例的摘录。完整的代码参见：https://github.com/Azure/mmlspark/blob/master/notebooks/samples/301%20-%20CIFAR10%20CNTK%20CNN%20Evaluation.ipynb

mmlspark mmlspark spark3_spark

安装

Docker

使用MMLSpark 的最简单方法是通过预先编译好的Docker container，为了使用它，你先要运行下面的命令：




docker run -it -p 8888:8888 -e ACCEPT_EULA=yes microsoft/mmlspark




然后通过浏览器访问http://localhost:8888，这里我们可以运行简单的示例代码，更详细的使用请参见官方文档：https://github.com/Azure/mmlspark/blob/master/docs/docker.md

Spark package

当然，除了在Docker container里面使用MMLSpark 之外，我们还可以直接通过--packages 选项直接在现有的Spark集群中使用MMLSpark，具体如下：


mmlspark mmlspark spark3_Azure_02

更多关于MMLSpark的使用和介绍，请参见官方文档。