Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Ważna
Ta funkcja jest dostępna w publicznej wersji testowej.
Interfejs wiersza poleceń air przesyła i zarządza zadaniami rozproszonego trenowania na platformie AI Runtime, bezserwerowej platformie obliczeniowej GPU dostępnej na żądanie. Interfejs wiersza polecenia korzysta z konfiguracji zadań opartych na języku YAML, integruje się z platformą MLflow i obsługuje przepływy pracy kodu opartego na obszarze roboczym i opartego na usłudze Git.
air Interfejs wiersza polecenia jest zgodny z tymi samymi standardami zgodności co środowisko uruchomieniowe sztucznej inteligencji. Aby uzyskać informacje o obsługiwanych standardach i wyjątkach, zobacz Profil zabezpieczeń zgodności.
Kiedy używać interfejsu wiersza polecenia
Użyj interfejsu wiersza polecenia środowiska uruchomieniowego AI, jeśli chcesz:
- Przesyłanie obciążeń szkoleniowych procesora GPU z laptopa i edytora kodu bez otwierania notesu.
- Zdefiniuj zadania szkoleniowe deklaratywnie w języku YAML, aby można je było zaewidencjonować w kontroli źródła.
- Uruchamiaj długotrwałe zadania treningowe lub rozproszone trenowanie na wielu węzłach — czyli obciążenia, które muszą działać dłużej niż trwa sesja interaktywna lub wykorzystywać więcej niż jeden węzeł.
W przypadku interfejsu API języka Python w notesie (@distributed i @ray_launch) zobacz zamiast tego Trenowanie rozproszone w notesach.
Aby interaktywnie pracować na jednym węźle procesora GPU za pośrednictwem protokołu SSH — z poziomu terminalu lub środowiska IDE, zamiast przesyłania obciążenia — użyj polecenia databricks ssh connect. Zobacz Nawiązywanie połączenia z usługą Databricks przy użyciu tunelu SSH.
W tym dziale
- Instalowanie interfejsu wiersza polecenia środowiska uruchomieniowego AI
- Szybki start z AI Runtime CLI
- Dokumentacja poleceń interfejsu wiersza polecenia środowiska uruchomieniowego AI
- Informacje referencyjne YAML dla obciążenia roboczego
- Śledzenie przebiegów za pomocą biblioteki MLflow i strony uruchamiania zadań
- Używanie niestandardowych obrazów platformy Docker
- Przykłady interfejsu wiersza polecenia środowiska uruchomieniowego AI