AI Runtime CLI Hızlı Başlangıç

Important

Bu özellik Genel Önizleme aşamasındadır.

AI Runtime CLI ile ilk eğitim işinizi üç adımda gönderin: bir train.yaml yapılandırması yazın, air run ile çalıştırın, ardından çalıştırma işlemini inceleyin. Başlamadan önce CLI'yı yükleyin ve kimlik doğrulamasını yapılandırın.

1. Adım: YAML yapılandırması yazma

İş yükünü açıklayan train.yaml oluşturun. En düşük yapılandırma için deneme adı, işlem belirtimi ve komut gerekir. Aşağıdaki komut herhangi bir yerel kod olmadan çalıştırıldığından ilk çalıştırmanızı hemen gönderebilirsiniz:

experiment_name: my-first-air-run
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xA10
command: echo "hello AIR!"

Kendi kodunuzu çalıştırma

Yerel eğitim betiğini çalıştırmak için, Python bağımlılıklarınızı listeleyen bir environment blok ve yerel kodunuzu karşıya yükleyen bir code_source blok ekleyin. Betiğinizi train.yaml öğesinin yanına yerleştirin:

my-project/
├── train.yaml
└── train.py

experiment_name: my-first-air-run
environment:
  version: '4'
  dependencies:
    - torch
    - transformers
compute:
  num_accelerators: 1
  accelerator_type: GPU_1xA10
code_source:
  type: snapshot
  snapshot:
    root_path: .
command: python $CODE_SOURCE_PATH/train.py

Bu yapılandırma, listelenen bağımlılıkları yükler, geçerli dizini ()root_path: . yükler ve tek bir A10 GPU üzerinde çalışır train.py . $CODE_SOURCE_PATH, uzak düğümde yüklenen kod konumuna çözümlenir. Databricks, yolu sabit kodlamak yerine bunu kullanmanızı önerir. environment.version sunucusuz GPU ortamı sürümünü seçer ve isteğe bağlıdır (varsayılan olarak '4'olarak ). Kullanılabilir tüm sürümler için bkz . Sunucusuz ortam sürümleri.

Tam alan referansı için bkz. İş Yükü YAML Referansı.

2. Adım: Çalıştırmayı gönderme

İş yükünü gönderin:

air run --file train.yaml

CLI, yerel kodunuzu (bir code_source yapılandırdıysanız) yükler, görevi gönderir ve çalıştırma kimliğini yazdırır. Sonraki komutlarda çalıştırmayı incelemek, izlemek ve iptal etmek için bu kimliği kullanın.

Gönderi, adı experiment_name içinde belirtilen MLflow deneyinde bir çalıştırma oluşturur (bir deney birçok çalıştırma içerebilir). Bu çalıştırma işlemi, iş yükünün ölçümlerini, parametrelerini, artefaktlarını ve günlük kayıtlarını kaydeder; bunların tümü çalışma alanındaki MLflow kullanıcı arabiriminde görüntülenebilir. Günlükler MLflow dışında da kullanılabilir: bunları terminalinize veya dosyanıza akışla aktarın veya daha sonra ile air logs indirin (bkz . 3. Adım).

Tamamlanana kadar günlükleri izlemek için --watch ekleyin:

air run --file train.yaml --watch

3. Adım: Çalıştırmayı inceleyin

Durumu denetle:

air get run <run-id>

Çıktı, çalışma alanı kullanıcı arabiriminde, çalıştırmanın MLflow deneyi ve MLflow çalıştırmasına yönelik tıklanabilir bağlantıları içerir.

Günlükleri akış olarak izleyin veya indirin:

air logs <run-id>
air logs <run-id> --node 2
air logs <run-id> --download-to ./logs/

Dağıtılmış iş yükleri birden çok düğümde çalışır. Varsayılan olarak, air logs akışı 0 numaralı düğümden alır. Belirli bir düğümdeki günlükleri görüntülemek için --node parametresini belirtin. Günlükleri akış olarak göndermek yerine yerel bir dizine yazmak için --download-to kullanın.

Son çalıştırmaları listele:

air list runs --limit 10
air list runs --active

Çalıştırmayı iptal etme:

air cancel <run-id>

Ortak desenler

Komut satırından YAML alanlarını geçersiz kıl:

air run --file train.yaml --override compute.num_accelerators=32 timeout_minutes=120

Göndermeden yapılandırmayı doğrulayın:

air run --file train.yaml --dry-run

Gönderimi güvenli bir şekilde yeniden denenebilir hale getirin:

air run --file train.yaml --idempotency-key my-unique-key

Aynı anahtar daha önce kullanılmışsa, yeni bir çalıştırma oluşturmak yerine mevcut çalıştırma döndürülür.

Ek kaynaklar

  • Last updated on