本页介绍用于机器学习的 Databricks Runtime，并提供有关如何创建使用它的经典计算资源的指南。
什么是用于机器学习的 Databricks Runtime？
用于机器学习的 Databricks Runtime （Databricks Runtime ML） 使用预构建的机器学习和深度学习基础结构（包括最常见的 ML 和 DL 库）自动创建计算资源。
Databricks Runtime ML 中已包含库
Databricks Runtime ML 包含各种常见的 ML 库。 该库使用每个发行版进行更新，以包括新功能和修复。
Databricks 已将一部分受支持的库指定为顶层库。 对于这些库，Databricks 提供了更快的更新节奏，可通过每个运行时版本更新到最新的包版本（除非存在依赖项冲突）。 Databricks 还为顶层库提供高级支持、测试以及嵌入式优化。 顶级库只有在主要版本更新时才会添加或删除。
- 有关顶层库和提供的其他库的完整列表，请参阅 Databricks Runtime ML的发行说明。
- 有关更新库的频率以及库弃用的时间的信息，请参阅 Databricks Runtime ML 维护策略。
可以安装其他库，为笔记本或计算资源创建自定义环境。
- 若要使库可用于在计算资源上运行的所有笔记本，请创建一个计算范围库。 还可以使用 init 脚本 在创建计算期间安装库。
- 若要安装仅供特定笔记本会话使用的库，请使用笔记本范围的 Python 库。
使用用于 ML 的 Databricks Runtime 创建计算资源
若要创建使用 Databricks Runtime for ML 的计算资源，请在创建计算 UI 中选择 机器学习 复选框。 这会自动将访问模式设置为专用，并将您的帐户作为专用用户。 可以在创建计算 UI 的 “高级 ”部分中手动将计算资源分配给其他用户或组。
对于基于 GPU 的计算，请在 辅助角色类型 下拉菜单中选择启用了 GPU 的实例类型。 有关支持的 GPU 类型的完整列表，请参阅支持的实例类型。
Photon 和 Databricks Runtime ML
创建运行 Databricks Runtime 15.2 ML 或更高版本的计算资源时，可以选择启用 Photon。 Photon 可以提高使用 Spark SQL、Spark 数据帧、功能工程、GraphFrames 和 xgboost4j 的应用程序的性能。 预计不会提高使用 Spark RDD、Pandas UDF 和非 JVM 语言（例如 Python）的应用程序的性能。 因此，使用 Photon 不会提高 Python 包（例如 XGBoost、PyTorch 和 TensorFlow）的性能。
Spark RDD API 和 Spark MLlib 与 Photon 的兼容性有限。 使用 Spark RDD 或 Spark MLlib 处理大型数据集时，可能会遇到 Spark 内存问题。 请参阅 Spark 内存问题。
Databricks Runtime ML 的计算访问模式
若要在运行 Databricks Runtime ML 的计算资源上访问 Unity 目录中的数据，必须将访问模式设置为 “专用”。 选择 “机器学习 ”复选框时，将在创建计算 UI 中自动设置访问模式。
当计算资源具有 专用 访问模式时，可以将资源分配给单个用户或组。 分配给组时，用户的权限会自动缩小到组的权限范围，使用户能够安全地与组的其他成员共享资源。