Snelstartgids voor AI Runtime CLI

Important

De AI Runtime CLI bevindt zich in de bètaversie.

Dien uw eerste trainingstaak in met de AI Runtime CLI in drie stappen: schrijf een train.yaml configuratie, voer deze uit met air runen inspecteer de uitvoering. Voordat u begint, installeert u de CLI en configureert u verificatie.

Stap 1: een YAML-configuratie schrijven

Maak train.yaml een beschrijving van de workload. Voor de minimale configuratie zijn een experimentnaam, een rekenspecificatie en een opdracht vereist. De onderstaande opdracht wordt uitgevoerd zonder lokale code, zodat u uw eerste uitvoering direct kunt verzenden:

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

Uw eigen code uitvoeren

Als u een lokaal trainingsscript wilt uitvoeren, voegt u een environment blok toe met uw Python afhankelijkheden en een code_source blok waarmee uw lokale code wordt geüpload. Plaats uw script naast train.yaml:

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

Met deze configuratie worden de vermelde afhankelijkheden geïnstalleerd, de huidige map (root_path: .) geüpload en uitgevoerd train.py op één A10 GPU. $CODE_SOURCE_PATH verwijst naar de locatie van de geüploade code op het externe knooppunt. Databricks raadt u aan dit te gebruiken in plaats van een pad te coderen. environment.version selecteert de versie van de serverloze GPU-omgeving en is optioneel (standaard ingesteld '4'op). Zie Serverloze omgevingsversies voor alle beschikbare versies.

Zie de YAML-referentie voor workloads voor de volledige veldreferentie.

Stap 2: De run indienen

De werklast verzenden:

air run --file train.yaml

De CLI uploadt uw lokale code (als u een code_sourcehebt geconfigureerd), verzendt de taak en drukt een uitvoerings-id af. Gebruik deze id om de uitvoering in latere opdrachten te controleren, te bekijken en te annuleren.

De inzending maakt een uitvoering in het MLflow-experiment met de naam experiment_name (een experiment kan veel uitvoeringen bevatten). Die run legt de metingen, parameters, artefacten en logboeken van de workload vast, die allemaal zichtbaar zijn in de MLflow-interface van de werkruimte. Logboeken zijn ook beschikbaar buiten MLflow: stream ze naar uw terminal of een bestand of download ze later met air logs (zie stap 3).

Als u logboeken wilt bekijken totdat deze zijn voltooid, voegt u het volgende toe --watch:

air run --file train.yaml --watch

Stap 3: De uitvoering controleren

Status controleren:

air get run <run-id>

De uitvoer bevat klikbare koppelingen naar het MLflow-experiment van de uitvoering en de MLflow-uitvoering in de gebruikersinterface van de werkruimte.

Logboeken streamen of downloaden:

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

Gedistribueerde workloads worden uitgevoerd op meerdere knooppunten. Standaard streamt air logs vanaf knooppunt 0. Als u logboeken van een specifiek knooppunt wilt weergeven, geeft u dit door --node. Gebruik --download-to dit om logboeken naar een lokale map te schrijven in plaats van ze te streamen.

Recente uitvoeringen weergeven:

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

Een uitvoering annuleren:

air cancel <run-id>

Algemene patronen

YAML-velden overschrijven via de opdrachtregel:

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

Valideer de configuratie zonder het verzenden:

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

Een inzending veilig opnieuw proberen:

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

Als dezelfde sleutel al eerder is gebruikt, wordt de bestaande uitvoering geretourneerd in plaats van een nieuwe aan te maken.

Aanvullende informatiebronnen

  • Last updated on