分布式训练
Azure Databricks 建议尽量在一台计算机上训练神经网络；由于通信开销，用于训练和推理的分布式代码比单计算机代码更复杂，且速度更慢。 但是，如果模型或数据太大，以致无法装入一台计算机的内存中，则应该考虑使用分布式训练和推理。 对于这些工作负荷，Databricks Runtime ML 包括 TorchDistributor、Horovod 和 spark-tensorflow-distributo 包。
Azure Databricks 还通过 pyspark.ml.connect 模块为 Spark 机器学习模型提供分布式训练，请参阅使用 pyspark.ml 连接在 Databricks Connect 上训练 Spark 机器学习模型。
注意
由于节点间网络性能低，Databricks 不建议使用 NC 系列 VM 运行多节点分布式训练。 而是，使用一个多 GPU 节点，或使用不同的 GPU VM 大小，例如支持加速网络的 NCasT4_v3 系列。
DeepSpeed 分发服务器
DeepSpeed 分发服务器基于 TorchDistributor 构建，对于具有需要更高计算能力但受内存约束限制的模型的客户，它是推荐的解决方案。 DeepSpeed 是 Microsoft 开发的开放源代码库，可提供优化的内存使用率、降低的通信开销和高级管道并行度。 详细了解使用 DeepSpeed 分发服务器进行分布式训练
TorchDistributor
TorchDistributor 是 PySpark 中的一个开源模块，可帮助用户在其 Spark 群集上使用 PyTorch 进行分布式训练，因此它允许你将 PyTorch 训练作业作为 Spark 作业启动。 在后台，它会初始化环境，并会初始化辅助角色之间的信道，同时利用 CLI 命令 torch.distributed.run 在工作器节点之间运行分布式训练。 详细了解使用 TorchDistributor 进行的分布式训练。
spark-tensorflow-distributor
spark-tensorflow-distributor 是 TensorFlow 中的开源原生包，用于在 Spark 群集上通过 TensorFlow 进行分布式训练。 详细了解使用 TensorFlow 2 进行的分布式训练。
Ray
Ray 是一个开源框架，专门从事并行计算处理，用于缩放 ML 工作流和 AI 应用程序。什么是 Azure Databricks 上的 Ray？
Horovod（已弃用）
重要
Horovod 和 HorovodRunner 现已弃用，不会预安装在 Databricks Runtime 16.0 ML 及更高版本中。 对于分布式深度学习，Databricks 建议使用 TorchDistributor 通过 PyTorch 进行分布式训练，或使用 tf.distribute.Strategy API 通过 TensorFlow 进行分布式训练。
Horovod 是适用于 TensorFlow、Keras 和 PyTorch 的分布式训练框架。 Azure Databricks 支持使用 HorovodRunner 和 horovod.spark 包进行分布式深度学习训练。 对于使用 Keras 或 PyTorch 的 Spark ML 管道应用程序，可使用 horovod.spark 估算器 API。 请参阅 Horovod。