MaxCompute ofrece imágenes integradas con paquetes de Python preinstalados para análisis de datos, cómputo científico y aprendizaje automático, como NumPy, pandas, scikit-learn y XGBoost. Use estas imágenes directamente en sus trabajos en lugar de gestionar las dependencias manualmente.
Imágenes disponibles
Todas las imágenes integradas incluyen los paquetes base de la imagen common: NumPy, pandas, cloudpickle 2.2.1, pickle 5.0.12, requests 2.31.0 y setuptools 68.0.0.
|
Image name |
Category |
Core library |
Python version |
Use for |
|
|
Base |
NumPy 1.21.6, pandas 1.3.5 |
Python 3.7 |
Procesamiento general de datos |
|
|
Base |
NumPy 1.26.4, pandas 2.2.2 |
Python 3.11 |
Procesamiento general de datos |
|
|
SO base |
Ubuntu 20.04 |
Python 3.7, Python 3.11 |
Desarrollo de UDF e integración con MaxFrame para mejorar la portabilidad multiplataforma y el rendimiento de ejecución |
|
|
Cómputo científico |
SciPy 1.7.3 |
Python 3.7 |
Análisis estadístico y álgebra lineal |
|
|
Cómputo científico |
SciPy 1.13.0 |
Python 3.11 |
Análisis estadístico y álgebra lineal |
|
|
Modelado estadístico |
statsmodels 0.13.5 |
Python 3.7 |
Modelado estadístico y econometría |
|
|
Modelado estadístico |
statsmodels 0.14.1 |
Python 3.11 |
Modelado estadístico y econometría |
|
|
Aprendizaje automático |
scikit-learn 1.0.2 |
Python 3.7 |
Clasificación, regresión y agrupamiento |
|
|
Aprendizaje automático |
scikit-learn 1.4.2 |
Python 3.11 |
Clasificación, regresión y agrupamiento |
|
|
Aprendizaje automático |
XGBoost 1.6.2 |
Python 3.7 |
Gradient boosting distribuido |
|
|
Aprendizaje automático |
XGBoost 2.0.3 |
Python 3.11 |
Gradient boosting distribuido |
|
|
Aprendizaje automático |
PyTorch 1.13.1 |
Python 3.7 |
Procesamiento de lenguaje natural (NLP) |
|
|
Aprendizaje automático |
PyTorch 2.3.0 |
Python 3.11 |
Procesamiento de lenguaje natural (NLP) |
|
|
Aprendizaje automático |
TensorFlow 2.11.0 |
Python 3.7 |
Programación de diversos algoritmos de aprendizaje automático |
|
|
Aprendizaje automático |
TensorFlow 2.16.1 |
Python 3.11 |
Programación de diversos algoritmos de aprendizaje automático |
Indicadores de versión de Python: Use cp37 para Python 3.7 y cp311 para Python 3.11 al establecer los indicadores de sesión.
Uso de imágenes integradas
Las imágenes integradas son compatibles con el desarrollo de funciones definidas por el usuario (UDF) de SQL de MaxCompute, PyODPS y MaxFrame.
Especifique solo una imagen por trabajo para evitar conflictos de dependencias.
En trabajos de UDF de SQL
Establezca la imagen y la versión de Python en la sesión de SQL antes de invocar la UDF:
-- For Python 3.11, replace cp37 with cp311
set odps.sql.python.version=cp37;
set odps.session.image = <image_name>;Reemplace <image_name> con el nombre de la imagen que aparece en la tabla anterior (por ejemplo, sklearn).
En PyODPS
Actualice PyODPS a la versión V0.11.5 o posterior antes de usar imágenes.
Pase el nombre de la imagen al parámetro image del método execute o persist:
image='<image_name>'Para consultar un ejemplo completo, consulte Use images in PyODPS development.
En MaxFrame
Configure la imagen en config.options.sql.settings antes de enviar el trabajo:
config.options.sql.settings = {
"odps.session.image": "<image_name>"
}Consultar imágenes integradas en la consola
Inicie sesión en la consola de MaxCompute y seleccione una región en la esquina superior izquierda.consola de MaxCompute
En el panel de navegación izquierdo, elija Manage Configurations > Images.
En la página Images, haga clic en la pestaña Built-in Images. Esta pestaña muestra todas las imágenes integradas disponibles y su información de versión.